Michael Delgado, Co-Founder dan CEO di Canals – Seri Wawancara

Michael Delgado, Co-Founder dan CEO di Canals, adalah seorang pengacara perusahaan yang berubah menjadi wirausaha yang telah membangun karirnya dengan menghubungkan keahlian hukum, pengembangan produk, dan teknologi operasional. Setelah memulai di firma hukum top-tier seperti Cravath, Swaine & Moore LLP, ia pindah ke startup, mengambil peran kepemimpinan di Willing sebelum menjadi co-founder Vested, yang kemudian diakuisisi oleh MetLife. Ia kemudian mendirikan Canals pada tahun 2022, menerapkan pengalaman luasnya di bidang hukum, operasional, dan produk untuk mengatasi ketidakefisienan di industri tradisional, terutama dengan menggunakan AI untuk memodernisasi alur kerja bisnis yang kompleks.

Canals adalah platform yang didorong oleh AI yang dirancang untuk mengotomatisasi operasi back-office kritis untuk distributor grosir, termasuk pemrosesan pesanan penjualan, akun yang harus dibayar, dan pengadaan. Perusahaan ini fokus pada mengubah input yang tidak terstruktur seperti email, PDF, dan dokumen tulisan tangan menjadi data yang terstruktur dan dapat digunakan yang terintegrasi langsung ke sistem ERP yang ada. Dengan terus belajar dari interaksi pengguna, Canals mengurangi entri data manual, meminimalkan kesalahan, dan mempercepat alur kerja operasional, memposisikan dirinya sebagai lapisan eksekusi yang praktis untuk bisnis daripada solusi AI murni analitis.

Anda beralih dari latar belakang hukum di firma seperti Cravath, Swaine & Moore LLP ke startup, akhirnya mendirikan Canals setelah pengalaman membangun Vested. Apa yang secara spesifik memicu Anda untuk memulai perusahaan, dan bagaimana pengalaman sebelumnya mempengaruhi keputusan itu?

Istri saya menjalankan bisnis distribusi, jadi itu melalui dia bahwa saya pertama kali mengunjungi gudang, berbicara dengan distributor, dan mempelajari industri.

Ketika saya menghabiskan lebih banyak waktu di industri distribusi, apa yang paling menonjol adalah proses yang disebut “entri pesanan penjualan.” Pesanan datang ke distributor melalui berbagai saluran dan format, dan setiap pesanan harus ditinjau dan diketik secara manual ke dalam ERP. Ini adalah pekerjaan yang memakan waktu yang jatuh pada tim perwakilan penjualan—orang-orang yang pekerjaannya seharusnya menghasilkan pendapatan dan membangun hubungan.

Setelah saya melakukan lebih banyak percakapan dengan distributor, semakin jelas bahwa ini bukanlah ketidakefisienan kecil. Entri pesanan penjualan adalah alur kerja inti dalam industri besar yang teknologi sebelumnya gagal untuk melayani, sebagian karena perangkat lunak tradisional tidak dapat menangani variabilitas. Saya telah menghabiskan tahun-tahun membangun perangkat lunak dan mengikuti kemajuan AI, sehingga saya sangat siap untuk melihat pasar besar, nyeri yang nyata, dan cara baru untuk memecahkannya. Canals tumbuh dari sana.

Bagi pembaca yang baru di ruang ini, apa yang sebenarnya dilakukan Canals di dalam sebuah organisasi sehari-hari, dan bagaimana interaksinya dengan sistem yang ada seperti Perencanaan Sumber Daya Perusahaan (ERP)?

Pada tingkat yang lebih tinggi, Canals mengambil input yang distributor, kontraktor, dan produsen hadapi setiap hari—email, PDF, spreadsheet, bahkan catatan tulisan tangan—dan mengubahnya menjadi data yang terstruktur yang dapat mengalir antara sistem dan memungkinkan alur kerja ujung-ke-ujung. Kemudian, itu menggunakan data tersebut untuk mengotomatisasi tindakan downstream, apakah itu menghasilkan pesanan penjualan atau mengirimkan faktur, sebelum mendorong data yang bersih dan divalidasi langsung ke ERP.

ERP tetap menjadi sistem catatan, sementara Canals bertindak sebagai AI operasional yang menjaga keakuratan dan keterbaruan.

Distribusi industri masih sangat bergantung pada email, PDF, dan panggilan telepon untuk mengelola pesanan dan faktur. Mengapa tingkat pekerjaan manual ini bertahan selama ini, dan apa yang mencegah otomatisasi yang berarti hingga saat ini?

Masalahnya adalah perangkat lunak tradisional bergantung pada aturan yang kaku dan templat standar. Ini berfungsi di lingkungan di mana input konsisten, tetapi konstruksi dan distribusi tidak seperti itu. Dokumen datang dalam berbagai format, dan ada banyak nama, istilah singkat, dan bahasa lapangan yang semuanya menggambarkan produk yang sama. Pada titik tertentu, jumlah kasus tepi menjadi tidak terkendali. Anda tidak dapat mendefinisikan aturan untuk setiap variasi, sehingga prosesnya kembali ke interpretasi manual.

Keinginan untuk memperkenalkan lebih banyak efisiensi selalu ada, tetapi sampai baru-baru ini, teknologi tidak dapat mengimbanginya, membuat pendekatan sebelumnya sulit untuk diterapkan dan mustahil untuk diskalakan.

Tantangan inti di sini adalah mengubah input yang tidak terstruktur menjadi tindakan yang terstruktur. Bagaimana platform Anda menafsirkan email, lampiran, dan dokumen, dan mengubahnya menjadi data yang dapat digunakan dan alur kerja?

Ini adalah tantangan yang memerlukan dua langkah untuk diselesaikan.

Langkah pertama adalah parsing. Canals mengidentifikasi dokumen yang relevan di kotak masuk pengguna, menarik keluar item dan bidang kunci, dan mengekstrak data.

Langkah kedua adalah pencocokan. Ini adalah tempat data yang diekstrak diselesaikan dalam sistem. Dalam beberapa kasus, itu berarti memetakan item ke SKU yang benar, menangani variasi dalam cara produk digambarkan, dan menormalkan unit. Dalam kasus lain, itu berarti merekonsiliasi dokumen, seperti mencocokkan faktur dengan pesanan pembelian dan tanda terima, menyelaraskan item, dan mengidentifikasi kesalahan.

Hasilnya adalah data yang terstruktur, kontekstual yang dapat mengarahkan alur kerja ujung-ke-ujung.

Anda telah mendukung alur kerja yang terkait dengan lebih dari $2,1 miliar dalam tagihan yang harus dibayar. Pada skala itu, pola apa yang muncul sekitar ketidakefisienan, keterlambatan, atau kesalahan yang sebagian besar perusahaan tidak menyadari?

Ada beberapa keuntungan efisiensi yang jelas. Di sisi akun yang harus dibayar, misalnya, pelanggan kami mengotomatisasi 96% dari pemrosesan faktur mereka rata-rata, yang menghilangkan sejumlah besar pekerjaan manual.

Apa yang lebih menarik adalah bagaimana itu muncul di luar penghematan biaya. Dalam entri pesanan penjualan secara khusus, kecepatan langsung mempengaruhi pendapatan.

Dalam konstruksi, waktu sangat kritis dan tetap pada jadwal adalah prioritas. Jika kontraktor meminta kutipan dari beberapa distributor dan satu menanggapi dalam sepuluh menit sementara yang lain membutuhkan jam, pekerjaan biasanya pergi ke yang pertama menanggapi bahkan jika itu bukan harga terendah. Mendapatkan bahan pada waktu yang tepat lebih penting daripada menghemat beberapa dolar.

Itu memiliki dampak langsung pada pendapatan. Mengotomatisasi entri pesanan penjualan meningkatkan seberapa sering distributor adalah yang pertama menanggapi, yang meningkatkan seberapa sering mereka memenangkan bisnis. Untuk salah satu pelanggan kami, itu diterjemahkan menjadi 57% dari transaksi mereka menjadi pesanan, dibandingkan dengan rata-rata sebelumnya sekitar 20%.

Sistem warisan seperti platform ERP sering kaku dan sulit dimodernisasi. Bagaimana Anda mendekati integrasi tanpa memaksa perusahaan untuk menghapus infrastruktur yang ada?

ERP sangat tertanam dalam cara bisnis dijalankan, sehingga konstrain yang sebenarnya bukan hanya integrasi, tetapi seberapa cepat dan seberapa bersih Anda dapat mengintegrasikan tanpa menambahkan overhead. Jika implementasi lambat atau memerlukan keterlibatan berat dari IT internal, itu menjadi penghalang disruptif.

Pendekatan kami selalu berinvestasi dalam membuat implementasi kami cepat dan tanpa gesekan. Kami memiliki puluhan integrasi pra-bangun dengan tim insinyur besar untuk mendukung penerapan kustom, dan kami memprioritaskan mendapatkan pelanggan untuk memulai dengan cepat tanpa membuat beban pemeliharaan yang berkelanjutan.

Kita melihat pergeseran menuju sistem yang lebih otonom di seluruh industri. Seberapa jauh otomatisasi dapat secara realistis pergi dalam alur kerja distribusi sebelum pengawasan manusia menjadi kritis lagi?

Ada banyak hal yang AI tidak dapat lakukan. Ini tidak akan membuat keputusan bisnis yang kompleks, mengelola hubungan pelanggan, atau beroperasi di lapangan. Apa yang dapat dilakukan adalah menghilangkan banyak pekerjaan administratif yang berulang-ulang yang berada di bawah proses tersebut.

Dalam sebagian besar alur kerja industri, model yang tepat adalah manusia-dalam-lingkaran di mana AI menangani sebagian besar pekerjaan sementara orang tetap mengontrol pengecualian. Ketika sesuatu sederhana, itu dapat diotomatisasi. Ketika sesuatu ambigu, bernilai tinggi, atau membawa risiko nyata, itu adalah tempat di mana penilaian manusia sangat penting.

Tujuan bukanlah otonomi 100%. Ini adalah untuk mengotomatisasi bagian yang membosankan, manual, dan rutin dari alur kerja sehingga orang dapat fokus pada keputusan yang bernilai tinggi dan pengecualian.

Salah satu risiko dengan otomatisasi adalah kehilangan pengetahuan institusional dari operator berpengalaman. Bagaimana Canals memastikan bahwa keahlian itu ditangkap dan tercermin dalam sistem daripada digantikan?

Salah satu kelebihan AI dibandingkan dengan perangkat lunak tradisional adalah bahwa AI dapat belajar seiring waktu.

Ketika operator berpengalaman meninjau sesuatu, membuat koreksi, atau menangani pengecualian, sistem dapat menangkap keputusan tersebut dan menerapkan secara cerdas ke depan. Seiring dengan peningkatan penggunaan, itu mulai secara andal mencerminkan pola tersebut alih-alih bergantung pada aturan yang kaku.

Itu berarti pengetahuan institusional tidak lagi terikat pada satu orang. Sebaliknya, pengetahuan itu dimasukkan ke dalam sistem yang digunakan untuk menjalankan bisnis, sehingga diterapkan lebih konsisten di seluruh organisasi. Ketika karyawan berpengalaman meninggalkan, keahlian mereka tetap tertangkap dalam Canals. Ketika karyawan baru memulai, mereka bekerja dalam sistem yang sudah mencerminkan bagaimana bisnis dioperasikan, yang membantu mereka mempercepat dan mengeksekusi lebih konsisten.

Lonjakan konstruksi pusat data sedang menekan rantai pasokan. Bagaimana permintaan itu mengubah harapan sekitar kecepatan, akurasi, dan koordinasi untuk distributor?

Balapan untuk membangun pusat data dipercepat dengan $700 miliar yang diinvestasikan ke dalam konstruksi, yang menekan kontraktor dan distributor untuk mengimbangi.

Apa yang berubah adalah toleransi untuk keterlambatan. Alur kerja yang dikelola pada volume yang lebih rendah—seperti pemrosesan pesanan manual dan rekonsiliasi dokumen—mulai gagal pada skala. Seiring dengan proyek yang lebih besar dan bergerak lebih cepat, celah antara pengutipan, pembelian, dan pengiriman menjadi lebih terlihat dan lebih mahal di kedua sisi transaksi. Kurangnya informasi yang akurat dan terkini mengganggu koordinasi dan dapat menghasilkan keterlambatan yang tidak terduga dan penghentian kerja yang tiba-tiba.

Tim yang dapat beroperasi dengan kecepatan dan visibilitas waktu nyata memiliki keunggulan yang jelas. Pada titik itu, otomatisasi tidak hanya tentang efisiensi, tetapi menjadi persyaratan untuk mengikuti kecepatan dan kompleksitas permintaan.

Menghadap ke depan, bagaimana Anda melihat AI mengubah alur kerja pengadaan dan rantai pasokan selama lima tahun ke depan, terutama karena sistem bergerak dari alat bantu ke pengambil keputusan yang lebih seperti agen?

Sulit untuk mengatakan dengan tingkat kepastian, tetapi apa yang menjadi lebih jelas adalah bagaimana AI diterapkan—secara sempit, dalam alur kerja tertentu di mana ada banyak pengulangan dan jalur yang jelas menuju keandalan. Dalam pengadaan dan rantai pasokan, itu muncul dalam proses eksekusi yang berat. Alur kerja ini terkait dengan dolar nyata dan hubungan nyata, sehingga batang untuk otonomi sangat tinggi. Perubahan jangka pendek akan kurang tentang pengambilan keputusan yang didorong oleh agen dan lebih tentang memperluas apa yang dapat ditangani dengan andal, dengan orang tetap terlibat di mana itu penting.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Canals.