Sandeep Menon, CEO & Co-Founder di Auxia – Seri Wawancara

Sandeep Menon, CEO & Co-Founder di Auxia, membawa lebih dari dua dekade pengalaman teknologi dan pemasaran global ke peran ini. Sebelum meluncurkan Auxia pada 2022, ia menghabiskan lebih dari sembilan tahun di Google (GOOGL ), di mana ia menjabat sebagai Wakil Presiden Pemasaran untuk Pembayaran dan memimpin inisiatif seperti program Next Billion Users, yang berfokus pada inklusi digital di pasar yang sedang berkembang. Ia juga memegang peran kepemimpinan pemasaran senior di seluruh Android, Chrome, ChromeOS, dan Google Play.

Auxia adalah platform pemasaran yang didorong oleh AI yang memungkinkan tim perusahaan untuk mengatur perjalanan pelanggan yang dipersonalisasi, 1:1, dalam skala besar. Alih-alih mengandalkan kampanye berbasis aturan yang kaku, Auxia memungkinkan agen AI untuk menguji hipotesis di semua titik sentuh—email, web, aplikasi, tawaran—dan beradaptasi secara dinamis dengan preferensi dan perilaku waktu nyata. Ini terintegrasi secara mulus dengan sumber data pertama, mengotomatisasi pipa ML, dan terus mengoptimalkan pesan, waktu, dan urutan untuk memaksimalkan keterlibatan dan nilai seumur hidup.

Anda mendirikan Auxia setelah karir yang sukses di Google, di mana Anda memimpin pemasaran global untuk produk yang digunakan oleh miliaran orang. Apa kelemahan atau titik nyeri khusus yang Anda dan rekan pendiri Anda lihat di pasar yang menyebabkan penciptaan Auxia?

Di Google, saya melihat langsung betapa kuatnya personalisasi yang sebenarnya dapat dilakukan ketika Anda memiliki infrastruktur dan kemampuan AI yang tepat. Namun, ketika saya melihat pasar yang lebih luas, saya melihat perusahaan yang bergelut dengan tumpukan pemasaran yang terfragmentasi, sering mengelola 12 hingga 14 solusi titik yang tidak berkomunikasi satu sama lain. Mereka mengumpulkan sejumlah besar data pelanggan tetapi tidak dapat menerjemahkannya menjadi personalisasi yang bermakna dan waktu nyata.

Kelemahan dasar adalah bahwa platform yang ada dibangun untuk era sebelum AI. Mereka mengandalkan aturan statis dan segmentasi dasar, ketika apa yang dibutuhkan bisnis adalah sistem adaptif yang cerdas yang mampu membuat keputusan waktu nyata tentang setiap interaksi pelanggan. Kami melihat kesempatan untuk membawa tingkat personalisasi yang didorong AI yang sama yang memungkinkan perusahaan seperti Google dan Meta ke bisnis semua ukuran, tanpa memerlukan mereka untuk membangun tim sains data internal yang besar.

Tim pendiri Auxia termasuk mantan pemimpin dari Google, Meta, dan Lyft. Bagaimana pengalaman kolektif Anda di raksasa teknologi ini membentuk arsitektur dan etos Auxia?

Kami semua telah mengalami tantangan personalisasi dalam skala besar. Di tim Google Pay secara khusus, kami berada dalam posisi yang istimewa karena kami memiliki akses awal ke teknologi transformasional dalam masa pertumbuhannya, dengan model transformer menjadi contoh utama. Rekan pendiri saya, yang berasal dari Meta dan Lyft, membangun sistem yang mempelopori cara mengambil sejumlah besar data pelanggan yang tersedia dan membuatnya jauh lebih berguna, seperti memungkinkan rekomendasi waktu nyata dan keputusan untuk jutaan pengguna setiap detik.

Kami semua melihat langsung bagaimana AI dapat sangat meningkatkan pengalaman pelanggan sambil juga menangani beberapa tantangan terberat yang dihadapi oleh tim pemasaran kami. Pada saat yang sama, pasar yang lebih luas sedang bergeser dengan cara yang membuat pekerjaan ini memungkinkan di luar Google. Dengan munculnya tumpukan data modern dan platform seperti Snowflake, BigQuery, dan Databricks, perusahaan telah menghabiskan 5-10 tahun terakhir untuk mengkonsolidasikan data mereka ke satu tempat terpusat yang siap untuk diaktifkan.

Kami mengakui kesempatan unik untuk mengambil pelajaran yang telah kami kembangkan di dalam Google dan mendemokrasikan mereka untuk perusahaan di mana-mana. Perusahaan-perusahaan ini baru saja menyadari bahwa mereka duduk di atas gunung data yang berharga dan dengan teknologi yang tepat, itu bisa dibuka untuk menggerakkan pertumbuhan dan keterlibatan pelanggan yang lebih baik.

Alat personalisasi sebagian besar masih mengandalkan sistem berbasis aturan dan segmen sederhana. Auxia menggunakan agen AI yang disinkronkan. Bisakah Anda menjelaskan bagaimana agen-agen ini bekerja sama dan berkembang dari waktu ke waktu untuk mempersonalisasi setiap perjalanan pelanggan?

Alat yang ada di pasar saat ini masih mengandalkan aturan yang kaku dan segmen statis, mereka reaktif, bukan cerdas. Di Auxia, kami telah membangun sistem agen AI yang disinkronkan yang bekerja bersama untuk mempersonalisasi setiap titik sentuh dalam perjalanan pelanggan secara waktu nyata.

Setiap agen memainkan peran khusus. Agen keputusan menentukan tindakan terbaik untuk pengguna berdasarkan semua data dan preferensi sebelumnya; misalnya, apakah untuk meningkatkan penawaran kepada pelanggan ke kartu kredit baru atau mendorong mereka untuk membuka rekening tabungan baru. Agen analis berfungsi seperti tim sains data bawaan, menganalisis apa yang berhasil dengan baik dalam kampanye saat ini untuk menyoroti dampak tetapi juga peluang untuk perbaikan dalam antarmuka berbasis obrolan. Terakhir, Agen Konten Auxia memanfaatkan semua data dan wawasan tentang apa yang berhasil terbaik untuk proaktif menghadirkan varian pesan atau kreatif baru untuk tim pemasaran untuk disetujui.

Apa yang membuat agen-agen ini kuat adalah bahwa mereka tidak beroperasi dalam silo. Mereka bekerja sama terus-menerus, belajar dari setiap interaksi dan beradaptasi berdasarkan apa yang berhasil. Pemasar menetapkan tujuan tingkat tinggi, dan agen menangani kompleksitasnya. Mereka adalah sistem yang mengoptimalkan diri sendiri yang berkembang setiap hari untuk menghasilkan hasil yang lebih baik dalam skala besar.

Auxia memproses 2,6 miliar peristiwa setiap hari dan menangani 6.500 kueri per detik. Apa inovasi infrastruktur yang memungkinkan skalabilitas waktu nyata seperti ini awal dalam siklus hidup perusahaan?

Sejak hari pertama, kami tahu bahwa skala harus tidak bisa dinegosiasikan. Hiperpersonalisasi hanya berfungsi jika Anda dapat membuat keputusan dalam milidetik, menggunakan sinyal kontekstual yang segar. Kami belajar banyak pelajaran dari waktu kami di Google dan itu membutuhkan lebih dari setahun untuk membangun infrastruktur untuk mendukung tingkat orkestrasi waktu nyata seperti itu.

Arsitektur kami adalah cloud-native, berbasis peristiwa, dan dioptimalkan untuk streaming throughput tinggi, sehingga kami berdiri di atas gelombang teknologi sebelum kami seperti peralihan ke tumpukan data modern. Cara lanskap pemasaran teknologi telah berkembang menuju ekosistem terbuka telah memungkinkan kami untuk bergerak lebih cepat, memungkinkan kami untuk terintegrasi langsung dengan gudang data cloud modern, CRM, dan platform pemasaran lainnya. Ini telah memungkinkan kami untuk membangun untuk skala sejak hari pertama dan juga telah membantu kami mengandalkan infrastruktur yang dapat memproses volume besar sinyal pelanggan pertama tanpa memperkenalkan keterlambatan.

Apa yang juga membedakan kami adalah bahwa kami AI-asli dari awal. Kami merancang Auxia untuk mendukung eksperimen skala besar, menjalankan ribuan hipotesis simultan dan terus mengoptimalkan hasil tanpa intervensi manusia, tetapi kami juga menggunakan teknologi terbaru di industri untuk pembuatan fitur, penerapan model, dan inferensi LLM.

Bagaimana kerangka eksperimen model Auxia berbeda dari pengujian A/B tradisional, dan apa yang paling mengejutkan yang ditemukan menggunakan pendekatan ML Anda?

Pengujian A/B tradisional sangat terbatas, Anda hanya dapat menguji beberapa varian sekaligus, dan sering membutuhkan waktu beberapa minggu atau bulan untuk mencapai hasil yang signifikan secara statistik. Di Auxia, kami telah membayangkan kembali eksperimen sebagai proses cerdas dan berkelanjutan. Kerangka model yang didorong kami memungkinkan pemasar untuk menjalankan banyak model yang mengoptimalkan diri sendiri dan menguji ratusan varian secara paralel. Menggunakan teknik seperti pembelajaran penguatan, sistem pengambilan keputusan Auxia membuat keputusan waktu nyata berdasarkan data langsung.

Mari kita ambil contoh kampanye promosi tawaran dan penghargaan melalui email. Sebelumnya, pemasar mungkin menguji 2-3 varian tawaran yang berbeda, seperti 5% off, 10% off, dan 20% off, membagi audiens menjadi kelompok yang saling eksklusif, meluncurkan, dan membandingkan hasilnya di seluruh berbagai metrik untuk melihat varian mana yang berhasil terbaik, rata-rata, untuk seluruh grup. Varian pemenang kemudian diterapkan pada semua orang setelah periode eksperimen selesai. Ada beberapa tantangan dengan pendekatan ini. Pertama, sebagian besar eksperimen gagal, sehingga sering membutuhkan tim beberapa minggu atau bulan untuk mengidentifikasi apa yang berhasil dengan baik. Selain itu, mereka sangat manual dan memakan waktu untuk disiapkan, yang membatasi kecepatan tim Anda dan seberapa cepat Anda dapat memberikan dampak.

Dengan Auxia, pemasar pertama-tama menetapkan tujuan tingkat tinggi, seperti mengarahkan pembelian. Dari sana, tim Anda akan menyiapkan ratusan varian yang berbeda dalam sistem, yang dapat tim generasikan secara dinamis dengan Agen Konten kami, mengingat dari CMS, atau mendefinisikan secara manual. Setiap varian ini akan bervariasi dalam hal konstruksi tawaran (misalnya 5% off vs. BOGO), jumlah, konten, dan potensi saluran (misalnya email vs. SMS). Untuk setiap pengguna individu, Agen Keputusan Auxia akan menilai, menilai, dan memprediksi, dari ratusan varian yang tersedia, apa varian optimal untuk setiap orang untuk mengarahkan tujuan inti.

Platform Auxia dirancang untuk menghilangkan ketergantungan pada tim sains data internal yang besar. Apakah Anda telah melihat tim pemasaran tradisional berhasil mengambil peran teknis dengan alat Anda?

Salah satu alasan utama kami memulai Auxia adalah untuk memberdayakan tim pemasaran untuk mempersonalisasi pengalaman pemasaran dan produk tanpa mengandalkan insinyur atau ilmuwan data. Dalam beberapa minggu setelah onboarding, pemasar yang menggunakan Auxia dapat meluncurkan kampanye baru, menarik data, dan menafsirkan hasil sepenuhnya sendiri. Ketika dunia bergerak menuju masa depan yang lebih beragensi, kami percaya pemasar tidak perlu menjadi lebih teknis atau membangun keterampilan teknis baru. Sebaliknya, tanggung jawab yang tradisional ditangani oleh insinyur atau analis akan didemokratisasikan melalui agen cerdas yang meningkatkan alur kerja pemasar dan pengalaman keseluruhan. Dengan Agen Analis kami, kami telah berhasil mengabstraksi sebagian besar kompleksitas pekerjaan analis tradisional, dan kami bersemangat untuk terus mendorong kemampuan tersebut.

Sebagai orang yang memimpin pemasaran untuk inisiatif Next Billion Users di Google, apa paralel yang Anda lihat antara adopsi teknologi inklusif dan AI agen dalam pemasaran saat ini?

Ketika saya memimpin pemasaran untuk inisiatif Next Billion Users di Google, kami mengakui bahwa orang-orang di pasar yang sedang berkembang berinteraksi dengan produk dengan cara yang secara fundamental berbeda dari pengguna di pasar yang telah berkembang. Karena itu mewakili kesempatan pertumbuhan yang sangat besar, itu menjadi penting untuk membangun khusus untuk pengguna tersebut — menyederhanakan antarmuka, mengabstraksi kompleksitas, dan memastikan pengalaman itu dapat diakses dan memberdayakan.

Saya melihat tren yang sangat mirip terbentang dengan AI agen dalam pemasaran. Sama seperti banyak pengguna internet baru melompat langsung ke pengalaman mobile-first tanpa memerlukan literasi digital sebelumnya, pemasar saat ini tidak perlu kembali dan belajar SQL atau sains data untuk membuka kunci personalisasi. Agen membangun jembatan kesenjangan keterampilan dan membuat kemampuan yang canggih langsung dapat digunakan. Pada saat yang sama, cara orang berinteraksi dengan AI — bergerak melampaui antarmuka berbasis obrolan ke agen yang lebih kontekstual dan sadar — memaksa pengembang untuk memikirkan kembali UI masa depan. Penekanan, seperti pada NBU, adalah pada aksesibilitas, kesederhanaan, dan pemberdayaan: mengabstraksi kompleksitas teknis sehingga pengalaman akhir terasa alami dan berdampak.

Apa kesalahpahaman terbesar yang perusahaan miliki tentang personalisasi AI saat ini, dan bagaimana Anda membantu mereka mengatasi kesalahpahaman tersebut?

Kesalahpahaman terbesar yang perusahaan miliki tentang personalisasi AI adalah bahwa mengadopsinya berarti melepaskan kontrol total atau mengurangi dampak strategis tim pemasaran. AI unggul dalam memproses kompleksitas, seperti menganalisis dataset besar, menemukan pola yang tidak dapat dilihat manusia, dan menonjolkan sinyal yang penting dalam waktu nyata. Namun, apa yang tidak dapat dilakukan AI adalah memberikan konteks, empati, dan penilaian strategis yang diperlukan untuk merancang pengalaman pelanggan yang bermakna. Itulah di mana manusia bersinar: menetapkan visi, mendefinisikan penjaga merek, dan memahami kapan pilihan personalisasi dapat terasa mengganggu atau tidak sesuai dengan merek.

Jika kita berbicara dengan jujur, dengan menggunakan teknologi saat ini, manusia dapat efektif tanpa AI, tetapi AI tidak dapat efektif tanpa manusia. Terobosan sebenarnya terjadi ketika Anda meningkatkan tim Anda dengan AI untuk menangani skala dan kompleksitas pengambilan keputusan berbasis data, sambil memberdayakan tim untuk fokus pada strategi, kreativitas, dan empati. Itulah saat personalisasi berubah dari menjadi kata kunci menjadi sesuatu yang benar-benar menciptakan nilai bagi pelanggan dan bisnis.

Dengan dukungan dari lebih dari 50 pemimpin industri dan penggalangan dana sebesar $23,5 juta, apa area utama yang Anda prioritaskan untuk pertumbuhan produk dan tim selama 12-18 bulan ke depan?

Kami memprioritaskan tiga area pertumbuhan selama 12-18 bulan ke depan. Pertama, kami berkomitmen untuk memberikan nilai luar biasa kepada pelanggan kami dengan terus meningkatkan pengalaman mereka. Ini selalu menjadi prioritas utama bagi tim kami dan kami ingin memastikan kami memberikan ROI yang luar biasa bagi semua perusahaan yang telah mempercayakan kami dan tim kami. Kedua, kami memperluas kemampuan agen AI kami untuk mendukung peningkatan alur kerja pemasar penuh, membantu tim membuat konten, mengatur pengalaman yang dipersonalisasi, dan menonjolkan wawasan yang dapat ditindaklanjuti tentang apa yang mengarah pada dampak. Terakhir, kami menskalakan mesin go-to-market kami. Dengan kecocokan produk-pasar yang kuat di perusahaan, langkah berikutnya adalah memperluas jangkauan kami dengan tumbuhnya tim penjualan dan keberhasilan pelanggan. Ini memungkinkan kami untuk membawa personalisasi yang didorong AI ke lebih banyak bisnis, sambil memastikan pelanggan baru mendapat manfaat dari dukungan yang sama tinggi dan pengalaman yang berbeda yang telah memicu kesuksesan awal kami.

Apa yang paling Anda antusias tentang batas depan AI agen, tidak hanya dalam pemasaran, tetapi juga dalam aplikasi perusahaan lainnya?

Apa yang benar-benar membuat saya bersemangat adalah melihat kecepatan adopsi, melihat adopsi tersebut memiliki dampak nyata, dan juga melihat pasar mengakui bahwa nilai sebenarnya dari AI agen adalah dalam peningkatan, bukan penggantian. Terlalu banyak percakapan saat ini fokus pada AI sebagai pengganti peran manusia, seperti semua billboard yang mungkin Anda lihat di 101 menuju San Francisco tentang perusahaan yang menggantikan SDR (atau bahkan fungsi lengkap). Narasi itu akan menarik perhatian, tetapi bagi saya, itu melewatkan kesempatan yang lebih besar: memberdayakan orang untuk melakukan pekerjaan terbaik mereka.

Manusia membawa konteks, empati, kreativitas, dan penilaian yang AI tidak dapat tiru. Di mana AI agen bersinar adalah dalam menangani kompleksitas dan skala yang membebani tim. Kami telah membicarakan banyak tentang keteraplikasian pada alur kerja pemasaran, seperti menonjolkan wawasan dari dataset besar, mengotomatisasi tugas berulang, dan mengatur proses di seluruh sistem secara waktu nyata. Ketika kemampuan tersebut dipasangkan dengan kekuatan manusia, hasilnya adalah perubahan besar dalam apa yang dapat dicapai organisasi.

Di pemasaran, itu berarti membebaskan tim dari eksekusi yang tidak berkesudahan sehingga mereka dapat fokus pada strategi, cerita, dan empati pelanggan. Tetapi pola yang sama berlaku di seluruh fungsi perusahaan: di penjualan, agen dapat memenuhi dan mempersiapkan peluang sehingga manusia dapat menghabiskan lebih banyak waktu untuk membangun hubungan; di keberhasilan pelanggan, agen dapat menandai sinyal risiko dan peluang sehingga manusia dapat memperdalam kemitraan; di teknik, agen dapat mempercepat pengembangan dengan mengotomatisasi pengujian, debugging, dan generasi kode, sehingga tim dapat fokus pada memecahkan masalah arsitektur yang kompleks dan menggerakkan inovasi.

Semua kesempatan ini akan menciptakan triliunan dolar dalam nilai dan saya suka melihat perusahaan yang mendorong batas untuk membentuk bagaimana pekerjaan yang dilakukan orang akan berkembang dari waktu ke waktu.

Bayangkan tim keuangan dengan agen AI yang mengoptimalkan anggaran secara waktu nyata, tim HR yang menggunakan agen untuk mempersonalisasi keterlibatan karyawan, atau agen dukungan pelanggan yang bergerak dari reaktif ke proaktif.

Kami baru saja memulai. Masa depan bukan tentang AI yang menggantikan manusia, tetapi tentang manusia dan agen AI bekerja sama untuk membuat keputusan yang lebih cepat, lebih pintar, dan lebih empatik. Itulah masa depan yang kami bangun di Auxia.

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