Randall Newman, CPTO dan Co-Founder Satisfi Labs – Seri Wawancara

Randall Newman, CPTO dan Co-Founder Satisfi Labs, adalah seorang pemimpin teknologi dan produk dengan pengalaman luas membangun platform AI, teknologi keuangan, dan sistem berperforma tinggi. Sejak ikut mendirikan Satisfi Labs, Newman telah memainkan peran sentral dalam merancang, mendesain, dan memperluas teknologi AI percakapan perusahaan, sambil mengawasi pengembangan produk, arsitektur, tim teknik, dan integrasi strategis. Sebelum Satisfi Labs, ia menjabat sebagai Kepala Produk di Satisfi Inc. dan ikut mendirikan perusahaan pemasaran seluler Right On Mobile. Pada awal kariernya, Newman menghabiskan lebih dari 17 tahun di CIBC World Markets, di mana ia memegang posisi kepemimpinan senior yang mencakup risiko strategis, perdagangan frekuensi tinggi, dan arbitrase ekuitas, menggabungkan keahlian perdagangan kuantitatif dengan pengembangan teknologi secara langsung.

Satisfi Labs adalah perusahaan AI yang fokus pada penerapan agen AI khusus untuk olahraga, hiburan, pariwisata, atraksi, dan bisnis pengalaman langsung lainnya. Didirikan pada 2016, perusahaan ini telah berkembang dari AI percakapan dan Answer Engine-nya menjadi platform agen yang dirancang untuk membantu organisasi mengotomatiskan dukungan tamu, meningkatkan konversi tiket dan perdagangan, serta mengekstrak wawasan dari percakapan pelanggan. Agen AI-nya dapat beroperasi dalam lebih dari 50 bahasa dan terhubung dengan sistem tiket, CRM, manajemen konten, serta sistem bisnis lainnya untuk melakukan tindakan seperti menjual tiket, meningkatkan percakapan ke staf manusia, mengumpulkan informasi pelanggan, dan memberikan respons yang dipersonalisasi. Satisfi Labs menyatakan teknologinya kini dipercaya oleh lebih dari 775 merek, dengan integrasi dan kemitraan yang mencakup perusahaan seperti Ticketmaster, Simpleview, MappedIn, Ventrata, dan Vozzi.

Anda menghabiskan hampir dua dekade di pasar keuangan, termasuk membangun sistem perdagangan berlatensi rendah dan memimpin strategi perdagangan frekuensi tinggi di CIBC, sebelum beralih ke kewirausahaan teknologi dan akhirnya ikut mendirikan Satisfi Labs. Pelajaran apa dari sistem operasi di mana kecepatan, keandalan, dan manajemen risiko sangat penting yang paling memengaruhi cara Anda membangun agen AI kelas produksi saat ini?

Perdagangan mengajarkan saya bahwa ide yang bagus dan bisnis yang bagus adalah dua hal yang berbeda. Anda dapat mengidentifikasi peluang dengan tepat namun tetap kehilangan uang karena pelaksanaan yang lambat, biaya yang terlalu tinggi, atau asumsi risiko yang salah. AI sama halnya. Kapabilitas model hanyalah satu masukan. Bisnis bergantung pada apakah Anda dapat mengubah kapabilitas itu menjadi hasil yang dapat diulang dengan biaya dan risiko yang dapat diterima.

Mengelola buku arbitrase indeks juga mengajarkan Anda untuk melihat melampaui keputusan individual. Kesalahan kecil yang berulang di seluruh portofolio menjadi eksposur yang sangat besar. Dengan AI, Anda dapat memiliki ribuan agen yang membuat keputusan secara individual wajar namun secara kolektif menimbulkan masalah. Mereka semua bergantung pada data buruk yang sama, atau semuanya mencoba kembali layanan yang gagal yang sama. Anda harus mengelola sistem, bukan hanya respons individual.

Dan kecepatan hanya penting ketika meningkatkan hasil. Dalam perdagangan ada momen di mana mikrodetik sangat berpengaruh. Dalam AI, saya lebih memilih menghabiskan satu detik lagi untuk mengonfirmasi transaksi daripada memberikan hasil yang salah secara instan. Disiplin ini adalah mengetahui di mana kecepatan menciptakan nilai dan di mana hanya mempercepat kesalahan.

Pelajaran terakhir adalah yang memulai seluruh bisnis. Keunggulan berasal dari mengidentifikasi kesalahan harga sebelum orang lain melakukannya. Saya pikir kesalahan harga saat ini adalah bahwa kebanyakan bisnis melihat agen AI sebagai cara untuk mengurangi biaya dukungan. Di Satisfi Labs, kami melihatnya sebagai saluran pendapatan. Di venue olahraga kami, sekitar 40 persen percakapan agen berkaitan dengan tiket. Penggemar ini tidak datang untuk mengeluh. Mereka datang dengan uang di tangan, menanyakan tempat duduk. Temukan hal yang dipasarkan dengan harga salah, dan raih itu. Insting yang sama seperti bisnis arbitrase.

Satisfi Labs didirikan pada 2017, jauh sebelum ledakan AI generatif saat ini, dan telah berkembang dari pemrosesan bahasa alami kontekstual dan AI percakapan menjadi platform agen. Apa perubahan arsitektur terbesar yang diperlukan untuk beralih dari sistem yang dirancang terutama untuk menjawab pertanyaan menjadi agen yang mampu mengambil tindakan atas nama pengguna?

Kami menghabiskan satu dekade membangun ribuan agen AI untuk lebih dari 800 klien perusahaan termasuk tim MLB/NFL, venue hiburan, dan organisasi pariwisata. Perubahan terbesar adalah bahwa Anda memberikan otoritas kepada sistem, bukan hanya informasi.

Jika asisten memberi tahu Anda tiket mana yang tersedia, itu memberikan jawaban. Jika asisten menukar tiket Anda, itu mengubah inventaris, catatan pelanggan, dan berpotensi uang. Sekarang Anda perlu mengetahui siapa yang memberi otorisasi tindakan, apa yang sebenarnya terjadi, dan bagaimana memulihkan jika proses terhenti di tengah jalan.

Jadi kami memisahkan penilaian model dari otoritas untuk mengeksekusi. Model dapat menafsirkan permintaan dan mengusulkan langkah selanjutnya. Sistem di bawahnya menegakkan izin, aturan bisnis, dan batas transaksi. Penjelasan yang meyakinkan dari model tidak dapat mengesampingkan kontrol tersebut.

Anda juga memerlukan perbedaan tegas antara “agen mengatakan tugas selesai” dan “sistem bisnis mengonfirmasi penyelesaian”. Kedua hal itu tidak sama. Jika permintaan pembelian mengalami timeout, sebaiknya Anda mencari tahu apakah pembelian telah terjadi sebelum mencoba lagi.

Secara strategis, model yang lebih baik tidak seharusnya memaksa Anda membangun kembali kontrol bisnis Anda. Saya ingin memanfaatkan setiap peningkatan dalam penalaran tanpa harus menegosiasi ulang apa yang diizinkan sistem lakukan setiap kali model baru diluncurkan.

Istilah \”agentic AI\” kini diterapkan pada berbagai produk. Dari perspektif rekayasa, di mana Anda menggambar batas antara chatbot canggih, copilot AI, dan agen AI yang benar-benar otonom?

Saya akan mengajukan satu pertanyaan: tanggung jawab apa yang sebenarnya telah didelegasikan orang tersebut?

Chatbot memberikan informasi. Copilot membantu Anda menyelesaikan pekerjaan, tetapi Anda tetap mengarahkan dan menyetujui langkah-langkah penting. Agen otonom memiliki izin untuk membuat beberapa keputusan tersebut sendiri sambil mengejar suatu tujuan.

Antarmuka tidak memberi tahu Anda mana yang sedang Anda lihat. Produk percakapan dapat memiliki otonomi nyata di baliknya. Sesuatu yang dipasarkan sebagai agen mungkin masih memerlukan orang untuk menyetujui setiap tindakan yang berguna.

Bagi perusahaan, otonomi harus menjadi kesepakatan spesifik: sistem ini dapat melakukan tindakan-tindakan ini, untuk pengguna-pengguna ini, dalam batas-batas ini, dan harus berhenti di bawah kondisi-kondisi ini. Itu sesuatu yang dapat Anda uji dan kelola secara nyata.

Saya juga tidak akan menjadikan otonomi maksimum sebagai tujuan. Terkadang produk terbaik mengajukan satu pertanyaan pada waktu yang tepat dan menangani sisanya. Menghilangkan pertanyaan itu membuat demo lebih mengesankan namun bisnis menjadi kurang aman. Tujuannya adalah menghilangkan pekerjaan manusia yang tidak perlu, bukan menghilangkan penilaian manusia yang diperlukan.

Satisfi Labs baru‑baru ini meluncurkan Satisfi Forward, sebuah praktik rekayasa yang ditempatkan secara langsung. Kesempatan apa yang Anda lihat antara membangun platform AI yang mampu dan sebenarnya membuat agen bekerja secara andal di dalam lingkungan dunia nyata pelanggan yang mendorong Anda menciptakan model ini?

Tahap akhir (last mile) mulai menjadi kendala. Sebuah platform dapat menstandarisasi banyak hal, tetapi tidak dapat mengasumsikan setiap bisnis pelanggan beroperasi dengan cara yang sama. Sistem tiket mereka memiliki batasan tertentu. Proses persetujuan mereka melewati tiga departemen. Definisi mereka tentang prospek yang memenuhi syarat berbeda dari klien berikutnya. Detail-detail tersebut menentukan apakah penerapan tersebut benar‑benar berguna.

Anda dapat membeli platform siap pakai dan menyusun demo yang mengesankan orang. Mengkomersialkannya sebagai pengalaman yang kuat bagi pengguna nyata, itu berbeda. Di sinilah insinyur yang ditempatkan secara langsung berperan. Tugas tim kami di Satisfi Forward adalah memahami hasil yang diinginkan, mencari tahu apa yang menghalanginya, dan membangun alur kerja serta integrasi di atas platform yang mewujudkannya.

Namun kami menetapkan batas yang jelas pada setiap keterlibatan. Sebelum kami membangun, kami menyepakati apa arti keberhasilan, siapa yang memiliki proses bisnis, apa yang bergantung pada pelanggan, dan siapa yang memeliharanya setelah peluncuran. Jika tidak, proyek tahap akhir menjadi kewajiban tak terbatas. Dan keterlibatan tidak selesai ketika kode dikirim. Itu selesai ketika alur kerja berfungsi dalam operasi pelanggan dan ada yang bertanggung jawab untuk menjaga agar tetap berfungsi.

Biaya produksi kode juga telah menjadi jauh lebih murah, yang membuat model ini jauh lebih praktis daripada sebelumnya. Namun saya tidak melihat Satisfi Forward sebagai lengan layanan yang dipasang pada produk SaaS. Setiap keterlibatan mengajarkan kami apa produk berikutnya seharusnya. Ketika tiga pelanggan meminta alur kerja yang sama, itu bukan beban dukungan. Itu adalah penulisan peta jalan itu sendiri, dengan pelanggan yang membayar terikat di dalamnya. Model SaaS lama menebak fitur dan menunggu bukti. Dengan cara ini kami mendapatkan bukti terlebih dahulu, serta pendapatan sambil mengumpulkannya. Saya pikir inilah cara perusahaan produk dibangun di era AI.

Agen Anda dapat terhubung dengan sistem tiket, platform manajemen hubungan pelanggan, sistem manajemen konten, dan sumber informasi waktu nyata lainnya. Saat agen memperoleh kemampuan untuk bertransaksi dan memicu tindakan, bagaimana Anda menyeimbangkan akses data waktu nyata dan latensi rendah dengan dasar pengetahuan, keamanan, serta langkah-langkah pencegahan terhadap tindakan yang salah?

Pertama, saya tidak akan pernah membiarkan kecepatan menutupi kegagalan keamanan. Beberapa persyaratan adalah batasan. Anda mengoptimalkan di dalamnya.

Kemudian Anda membedakan antara jenis pekerjaan. Menjawab pertanyaan tentang parkir dan menyelesaikan pembelian tiket tidak memerlukan tingkat kebaruan data atau kontrol yang sama. Anda dapat menyimpan informasi yang stabil dalam cache. Ketika uang berpindah tangan, Anda memerlukan sistem transaksi otoritatif untuk mengonfirmasi harga, ketersediaan, dan penyelesaian.

Kasus berbahaya adalah yang sistem tidak mengetahui apa yang terjadi. Backend menerima pembelian, tetapi respons tidak pernah tiba. Jika agen mengasumsikan kegagalan dan mencoba lagi, Anda akan memiliki dua pembelian. Itu bukan masalah bahasa. Itu adalah masalah pemulihan transaksi.

Dan Anda mengukur pengalaman di bawah kondisi yang benar‑benar penting. Latensi rata‑rata pada Selasa yang sepi hampir tidak memberi informasi. Jika sebuah acara dibatalkan karena hujan, tiba‑tiba ada ribuan orang yang menanyakan apa yang terjadi pada tiket mereka, sekaligus. Jika Anda hanya merencanakan berdasarkan lalu lintas rata‑rata per menit, Anda akan kehilangan kapasitas yang dibutuhkan pada lonjakan tersebut. Saya belajar hal itu langsung dari sistem perdagangan.

Ada keputusan biaya di sini juga. Tidak setiap permintaan memerlukan model paling mahal atau rangkaian agen. Gunakan jalur paling sederhana yang memenuhi kebutuhan, dan alokasikan waktu atau komputasi tambahan hanya ketika secara material meningkatkan keputusan. Pengguna harus mendapatkan hasil yang jujur, termasuk pernyataan jujur bahwa sesuatu tidak dapat dikonfirmasi.

Satisfi Labs menggambarkan sebuah model di mana agen-agen khusus dapat beroperasi bersama sebagai tenaga kerja AI. Apa saja masalah teknis paling sulit yang terlibat dalam mengorkestrasi banyak agen khusus, terutama terkait perutean, konteks bersama, keputusan yang bertentangan, dan menentukan agen mana yang harus bertindak?

Bagian tersulit adalah menjaga akuntabilitas saat Anda mendistribusikan pekerjaan.

Mulailah dengan menanyakan apakah Anda benar‑benar membutuhkan agen lain. Kadang Anda memerlukan seorang spesialis. Kadang Anda hanya membutuhkan pemanggilan alat atau alur kerja sederhana. Setiap agen yang Anda tambahkan merupakan interpretasi lain dari permintaan, ketergantungan lain, dan titik potensial kesalahan lainnya. Dan jumlah agen yang berjalan di belakang layar seharusnya tidak terlihat oleh pengguna.

Ketika beberapa agen dibenarkan, saya menginginkan satu agen yang mengendalikan interaksi. Spesialis dapat memberikan informasi atau melakukan pekerjaan terbatas. Agen tiket menangani inventaris dan pertukaran, agen layanan pelanggan menangani kebijakan. Namun seseorang harus menyatukan hasilnya dan memutuskan apakah pengguna benar‑benar mendapatkan apa yang mereka cari.

Perutean sulit karena orang tidak mengajukan pertanyaan dalam kategori yang rapi. Satu permintaan dapat melibatkan tiga agen. Sistem harus memutuskan: apakah satu agen dapat menanganinya, apakah beberapa harus dijalankan secara berurutan, atau apakah harus menanyakan satu pertanyaan lagi kepada pengguna sebelum melakukan apa pun?

Hal yang sama berlaku untuk konteks. Anda tidak mengirim semuanya ke setiap agen. Itu menambah latensi, menciptakan kebisingan, dan dapat mengungkapkan informasi yang tidak diperlukan agen. Dan asumsi seorang agen tidak boleh menjadi fakta hanya karena diteruskan ke agen berikutnya.

Jika dua agen tidak sepakat, saya tidak ingin mereka berdebat sampai satu terdengar lebih meyakinkan. Harus ada model otoritas yang jelas. Sistem tiket menetapkan ketersediaan. Bisnis menetapkan kebijakan pertukaran. Data real‑time mengungguli data yang di‑cache, aturan bisnis mengungguli penilaian model, dan jika masih tidak dapat diselesaikan, Anda menanyakan kepada pengguna atau melibatkan orang. Bagian sulit bukan membuat agen berkomunikasi satu sama lain. Tetapi mampu merekonstruksi secara tepat agen mana yang melakukan apa dan di mana tanggung jawab berada.

Satisfi Labs semakin fokus mengukur agen berdasarkan tujuan dan hasil bisnis daripada metrik seperti volume percakapan. Apa yang sebenarnya harus diukur oleh perusahaan untuk menentukan apakah agen AI berkinerja baik, dan bagaimana Anda mengevaluasi keandalan sebelum memberi agen otonomi yang lebih besar?

Mulailah dengan hasil bisnis, lalu tanyakan seberapa besar hasil tersebut sebenarnya disebabkan oleh agen.

Jika seseorang membeli tiket setelah berbicara dengan agen, itu tidak otomatis berarti agen yang menciptakan penjualan. Mereka mungkin tetap membeli. Di mana memungkinkan, Anda menginginkan perbandingan terkontrol atau baseline yang kredibel, bukan sekadar memberi kredit pada interaksi terakhir. Bagi klien tiket, ini berarti mengukur apakah penggemar akhirnya mendapatkan tempat duduk, bukan apakah agen menjawab dengan sopan. Bagi venue yang berusaha mengurangi antrean di loket, ini berarti mengukur apa yang diselesaikan agen sebelum siapa pun harus berdiri dalam antrean.

Kemudian tinjau ekonomi dari hasil yang berhasil: biaya model, infrastruktur, tinjauan manusia, eskalasi, dan biaya memperbaiki kesalahan. Agen yang tampak murah sampai Anda menghitung orang yang memperbaiki pekerjaannya tidaklah murah.

Keandalan memerlukan kartu skor tersendiri. Penyelesaian, ketepatan, tindakan tidak sah, pemulihan dari kegagalan, kualitas eskalasi. Anda tidak dapat merata‑ratakan insiden privasi serius ke dalam tingkat konversi yang baik.

Untuk otonomi yang lebih besar, saya akan meminta bukti pada kelas tindakan spesifik yang didelegasikan. Ujilah, amati di bawah pengawasan, kembangkan dalam batasan, dan sediakan cara untuk menghentikannya. Skor akurasi keseluruhan yang baik tidak membuktikan sistem siap untuk setiap transaksi. Dan berhati‑hatilah dengan insentif. Terkadang melibatkan orang adalah hasil yang tepat. Jika Anda memberi penghargaan kepada agen hanya karena menghindari serah terima, jangan terkejut ketika ia menyimpan masalah yang seharusnya ia eskalasikan.

Anda baru‑baru ini berpendapat bahwa AI suara harus dirancang berdasarkan hasil yang dapat diukur, bukan diperlakukan sebagai antarmuka lain untuk chatbot yang ada. Terobosan teknis apa yang masih diperlukan sebelum agen suara dapat menjadi antarmuka utama untuk interaksi kompleks secara real‑time, terutama di lingkungan seperti stadion, atraksi, dan acara langsung?

Banyak klien bertanya, bisakah Anda hanya mengambil aplikasi obrolan dan menambahkan suara ke dalamnya? Kami bisa. Namun itu tidak berarti pengalaman akan menjadi baik. Peningkatan nyata berikutnya bukan suara yang lebih mirip manusia. Itu adalah interaksi yang dapat bertahan dalam kondisi sebenarnya orang menggunakannya.

Di sebuah stadion, seseorang berbicara di atas kebisingan kerumunan, menggunakan nama pemain yang tidak dikenal, berubah pikiran di tengah kalimat, dan berusaha menyelesaikan pembelian sebelum pintu dibuka. Sistem harus menangani interupsi, ketidakpastian, dan penundaan backend tanpa kehilangan tugas.

Perhatikan secara khusus detail-detail penting. Salah mendengar frasa santai adalah satu hal. Salah mendengar jumlah tiket atau tanggal acara adalah hal lain. Agen perlu mengonfirmasi detail yang mengubah konsekuensi tindakan tanpa membuat seluruh percakapan menjadi membosankan.

Dan suara tidak seharusnya dipaksa melakukan segalanya. Membandingkan dua puluh pilihan tempat duduk lebih baik di layar. Seseorang mungkin memulai dengan mengetik, masuk ke mobil, dan ingin melanjutkan percakapan yang sama dengan berbicara. Sistem harus mempertahankan konteks itu dan menggunakan suara, teks, serta visual sesuai yang paling cocok pada saat itu.

Beberapa hal ini memerlukan model yang lebih baik. Banyak di antaranya memerlukan integrasi dan desain interaksi yang lebih baik. Menunggu terobosan tidak akan memperbaiki alur kerja yang dirancang berdasarkan teks dan kemudian dibacakan. Saya akan menilai kemajuan dengan cara berikut: apakah orang menyelesaikan tugas dengan akurat, dengan usaha yang lebih sedikit, dalam kondisi nyata?

Seiring agen beralih dari memberikan informasi ke penjualan tiket, mengumpulkan data pelanggan, mempersonalisasi pengalaman, dan berinteraksi dengan sistem operasional, bagaimana perusahaan harus menentukan keputusan mana yang dapat dibuat agen secara otonom dan mana yang selalu memerlukan pengawasan manusia?

Ini adalah manajemen risiko. Jika hal ini berjalan menyimpang, kerusakan apa yang dapat ditimbulkannya? Apakah agen membuka pintu yang tidak dapat ditutupnya?

Reversibilitas adalah tes awal yang berguna, tetapi perhatikan pula total eksposur. Satu pengembalian dana mungkin kecil dan dapat dibalik. Sepuluh ribu pengembalian dana yang salah sebelum ada yang menyadarinya adalah masalah yang berbeda. Anda memerlukan batasan pada tindakan individu dan pada aktivitas kumulatif sistem.

Jika tindakan tersebut berisiko rendah dan dapat dibalik, berikan lebih banyak otonomi: memperbarui preferensi, memeriksa pesanan, menahan barang. Seiring konsekuensi meningkat, tambahkan konfirmasi atau persetujuan. Sebuah pembelian mungkin memerlukan pelanggan untuk mengonfirmasi harga. Pengembalian dana besar mungkin memerlukan persetujuan karyawan. Ancaman keselamatan harus segera ditingkatkan. Dan beberapa keputusan seharusnya tetap berada pada orang, akhir kata.

Persetujuan pelanggan dan persetujuan perusahaan adalah hal yang berbeda, omong-omong. Pelanggan yang mengonfirmasi pembelian tidak memberi wewenang kepada agen untuk melanggar kebijakan perusahaan. Karyawan yang menyetujui sebuah pengecualian tidak berarti pelanggan setuju dengan biaya tersebut.

Batasan harus ditegakkan oleh sistem yang mengeksekusi tindakan, bukan hanya dijelaskan dalam sebuah prompt. Anda tidak memberi agen akses luas lalu mengandalkan prompt yang menyuruhnya berhati-hati. Dan ketika seseorang diperlukan, berikan mereka konteks yang cukup untuk membuat keputusan nyata. Memberikan seseorang ratusan persetujuan tanpa informasi berarti Anda membuat stempel karet, bukan pengawasan. Tempatkan perhatian manusia pada area yang mengurangi risiko yang berarti. Jangan menyebarkannya tipis pada setiap interaksi.

Melihat ke depan, apakah Anda mengharapkan teknologi seperti Model Context Protocol dan komunikasi agen-ke-agen secara fundamental mengubah cara sistem AI perusahaan dibangun, memindahkan kita dari agen terisolasi menuju ekosistem di mana agen dapat menemukan alat, bertukar konteks, dan mengoordinasikan tindakan lintas perusahaan dan platform?

Saya pikir protokol-protokol tersebut adalah sarana untuk mencapai tujuan. MCP memberikan aplikasi AI cara umum untuk mengakses alat dan konteks. Protokol agen-ke-agen menangani kerja sama antar agen. Itu berharga. Anda tidak seharusnya harus membangun integrasi khusus setiap kali agen membutuhkan sebuah alat. Ini mirip dengan apa yang dilakukan API untuk integrasi perangkat lunak.

Namun format umum tidak berarti dua perusahaan sepakat tentang apa arti sebuah tindakan, siapa yang dapat memberi wewenang, atau apa yang terjadi ketika gagal. Hanya karena agen dapat menemukan sebuah alat tidak berarti ia diizinkan menggunakannya. Anda tetap harus menentukan identitas, izin, kepercayaan, akuntabilitas. Jika satu agen meminta agen lain melakukan sesuatu dan terjadi kesalahan, siapa yang bertanggung jawab atas keputusan itu?

Inilah yang saya rasa benar-benar berubah. Saat ini, sebuah tempat memiliki situs web dan aplikasi. Dalam beberapa tahun, tempat itu akan memiliki agen yang dinegosiasikan oleh agen lain. Asisten pribadi seorang penggemar meminta agen tempat dua kursi dengan harga tertentu, plus tiket parkir, dan seluruh transaksi terjadi antara kedua agen. Menemukan kemampuan yang tepat adalah langkah mudah. Mengetahui otoritas belanja pelanggan, mengonfirmasi harga gabungan, dan menangani kasus di mana tiket berhasil tetapi parkir gagal, itulah masalah sebenarnya.

Dan saya tidak percaya bahwa mengoperasikan agen secara otomatis memberikan Anda hubungan pelanggan. Itu harus diperoleh. Namun saya juga tidak percaya tempat akan menyerahkan transaksi ini kepada perusahaan pencarian atau pasar tiket. Tujuan kami di Satisfi Labs adalah menjadi agen yang mewakili tempat dalam ekonomi tersebut, yang cukup dapat diandalkan sehingga sebuah bisnis menaruh namanya di atasnya. Semua yang kami bangun seputar keandalan, izin, dan akuntabilitas adalah hal yang memberi kami kursi itu.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin belajar lebih lanjut harus mengunjungi Satisfi Labs.