Ayush Sharma, oprichter en CEO van Warp – interviewreeks

Ayush Sharma is oprichter en CEO van Warp, dat hij in 2023 lanceerde nadat hij had ervaren hoe complex het is om de salarisadministratie te beheren in meerdere Amerikaanse staten en landen. Hij groeide op in een kleine plaats in India en studeerde informatica en natuurkunde aan MIT. Zijn masteronderzoek was gericht op het beperken van vertragingen bij onderdelen van gedistribueerde machinelearningtraining en onderzocht hoe grootschalige systemen efficiënter kunnen werken wanneer afzonderlijke machines achterop raken. Warp nam deel aan de Winter 2023-batch van Y Combinator, aanvankelijk met de nadruk op naleving van regels voor loonheffingen. Sharma’s aanpak draait om AI-agents die volledige workflows uitvoeren, waarbij vanaf het begin rekening wordt gehouden met bevoegdheden, menselijke goedkeuring en controleerbaarheid.

Warp is een AI-native platform voor personeelsbeheer dat de salarisadministratie, HR, naleving van belastingregels, secundaire arbeidsvoorwaarden en IT samenbrengt rond één personeelsdossier. Het platform zet agents in voor taken als belastingregistratie op staatsniveau, controles van de salarisadministratie, het afhandelen van belastingaanslagen, inschrijving voor secundaire arbeidsvoorwaarden en het inwerken van medewerkers. Bedrijven kunnen voor elke workflow afzonderlijk instellen hoeveel zelfstandigheid een agent krijgt: ze kunnen bepalen of een agent een actie aanbeveelt, op goedkeuring wacht of zelfstandig handelt. De activiteiten van agents worden vastgelegd zodat ze kunnen worden gecontroleerd. Taken waarvoor menselijke tussenkomst nodig is, kunnen worden doorverwezen naar bedrijfsbeheerders of specialisten van Warp. Warp ondersteunt ook het inrichten van apparaten en accounts voor medewerkers, betalingen aan internationale contractanten en persoonlijke ondersteuning op het gebied van accountbeheer en secundaire arbeidsvoorwaarden.

Je weg van opgroeien in een kleine plaats in India naar informatica en natuurkunde studeren aan MIT en later werken aan de infrastructuur voor machine learning bij Yelp is behoorlijk ongebruikelijk. Wat bracht je er uiteindelijk toe om in 2023 Warp op te richten, en waarom besloot je dat salarisadministratie en personeelsbeheer de problemen waren die je met behulp van AI opnieuw wilde aanpakken?

Voordat ik Warp oprichtte, werkte ik bij een startup die tijdens COVID groeide van ongeveer 10 naar 40 medewerkers. We namen op afstand mensen aan in verschillende staten, en ik zag hoeveel werk op het gebied van salarisadministratie en naleving van regels nog met de hand werd gedaan. Later, toen ik zelf mijn eerste medewerkers aannam, verloor ik een hele dag aan het uitzoeken hoe ik me moest registreren bij het New York Department of Labor. Als ik de deadline miste, dreigde er een boete. Terwijl er overal elders in het bedrijf brandjes moesten worden geblust, bleef die dag me bij.

HR-teams houden zich dagelijks bezig met procedureel, repetitief werk, waardoor er minder tijd overblijft voor de mensen aan wie ze aandacht zouden moeten besteden. Dit is bij uitstek een gebied waar AI kan worden ingezet, maar alle grote HR-platforms zijn gebouwd voordat agents bestonden. Die functionaliteit voeg je niet zomaar toe aan oude software.

Toen we in 2023 ons gesprek met YC hadden, beschikten we niet over een af product of inkomsten; we hadden alleen een probleem waar we maar over bleven nadenken. Er zaten vijf mensen van YC in het gesprek en de eerste tien of twaalf minuten bleven ze op één vraag hameren: kon naleving van regels voor loonheffingen echt een groot genoeg startpunt zijn om van daaruit verder uit te breiden? Het was een hypothese, maar de redenering klopte. Bedrijven gingen veel eerder dan vroeger in meerdere staten actief zijn, waardoor de complexiteit alleen maar toenam. Bovendien zijn de regels voor loonheffingen strenger dan die voor omzetbelasting, waarbij ruime drempelbedragen gelden voordat de regels van kracht worden. Bij loonheffingen brengt het aannemen van één medewerker in één staat je al binnen het volledige belastingstelsel van die staat.

Daarom was naleving van regels de logische plek om te beginnen. Ik had aan MIT jarenlang aan machine learning gewerkt en toen LLM’s en agents werkelijkheid begonnen te worden, zag ik dat het werk op het gebied van salarisadministratie en naleving van regels waar niemand zich mee wilde bezighouden, straks wel mogelijk zou zijn. De eerste versie van Warp deed maar één ding: je kon iemand in elke staat aannemen zonder ook maar iets met overheidsformulieren te hoeven doen. We dachten dat de rest eenvoudiger zou zijn als we de loonheffingen goed konden regelen.

Je hebt betoogd dat bedrijven als ADP en Workday een fundamenteel nadeel hebben omdat hun systemen zijn ontworpen lang voordat moderne AI bestond. Hoe ziet een AI-native architectuur voor HR er technisch gezien uit, en wat kan Warp dat moeilijk te realiseren zou zijn door simpelweg AI-agents toe te voegen aan een verouderd platform?

De meeste HR-software is ontworpen voor iemand die achter een scherm zit en stap voor stap door de verschillende handelingen klikt. Wanneer zulke platforms AI toevoegen, verschijnt die meestal als een AI-agent die vertelt wat je hierna moet doen, terwijl je het werk zelf blijft uitvoeren. Wij hebben de architectuur van Warp juist andersom opgebouwd: vanaf het begin hebben we de API, de toegangsrechten en het controlespoor ontworpen, zodat een agent het werk kan afhandelen en mensen kunnen ingrijpen wanneer dat nodig is.

Stel dat je het hoofd personeelszaken bent bij een bedrijf met 350 medewerkers en dat vier arbeidsaanbiedingen worden ondertekend: twee in Oregon en twee in Colorado, staten waar het bedrijf nog nooit iemand in dienst heeft gehad. Voordat iemand betaald kan krijgen, moet je je registreren bij de belastingdiensten van beide staten, werkloosheidsrekeningen openen, je aanmelden voor de regeling voor betaald verlof van elke staat, de lokale belastingen voor elk adres uitzoeken en inhoudingen instellen. Een doorsnee AI-assistent kan je vertellen welke formulieren je nodig hebt, maar onze agent vult ze in en dient ze in. Als je de agent toestemming hebt gegeven om zelfstandig te handelen, hoor je er pas van zodra alles is geregeld.

Onze agents beschikken over de context, bevoegdheden en infrastructuur om meerdere stappen uit te voeren in de systemen van een bedrijf. Zo kunnen ze de salarisadministratie uitvoeren, secundaire arbeidsvoorwaarden beheren en belastingzaken afhandelen, zonder dat iemand alles handmatig hoeft te regelen. Een agent toevoegen aan een verouderd platform kan gebruikers helpen hun weg te vinden in de software, maar verandert niets aan de manier waarop het onderliggende werk wordt uitgevoerd. De agents van Warp veranderen daadwerkelijk hoe het werk wordt gedaan.

Warp beschrijft zijn agents als systemen die volledige workflows uitvoeren, waaronder het openen van belastingrekeningen bij deelstaatinstanties, het indienen van aangiften, het afhandelen van overheidsberichten en het beheren van arbeidsvoorwaarden. Hoe bepaalt u welke acties een agent zelfstandig kan uitvoeren en waarvoor menselijke goedkeuring nodig is?

Warp stelt de buitengrenzen vast; elk bedrijf bepaalt hoeveel autonomie zijn agents daarbinnen krijgen. Voor sommige acties, zoals betalingen, gelden vaste limieten die klanten niet kunnen aanpassen. Binnen die grenzen bepalen bedrijven per workflow hoeveel autonomie de agent krijgt: op het ene gebied stelt de agent misschien alleen een actie voor, op een ander wacht hij op goedkeuring en elders handelt hij zelfstandig. De meeste klanten beginnen met alles goed te keuren en geven de agent meer autonomie naarmate ze vertrouwen krijgen in zijn werk. Als een beslissing aan de klant is, legt de agent die voor aan de beheerder van de klant. Als een taak menselijke tussenkomst vereist, omdat de wet dat voorschrijft of omdat een instantie niet met software werkt, wordt deze overgedragen aan een Warp-specialist.

Bij salarisadministratie en naleving van belastingregels is er heel weinig ruimte voor hallucinaties of probabilistische antwoorden. Warp is actief in duizenden belastingjurisdicties en moet rekening houden met veranderende regelgeving. Hoe zorgt u ervoor dat uw AI-systemen zich baseren op gezaghebbende informatie, meet u de betrouwbaarheid en handelt u situaties af waarin een agent niet zeker weet wat de juiste actie is?

We hebben drie jaar besteed aan het testen van onze beheersmaatregelen voor naleving van regels rond loonbelasting, het meest veeleisende onderdeel van HR. Warp houdt meer dan 10.000 belastingjurisdicties bij en de agent beantwoordt nooit een belastingvraag uit zijn geheugen. Elke belastingtarief, elk formulier en elke deadline waarop de agent zich baseert, komt rechtstreeks van de betrokken instanties. Ons belastingteam beoordeelt iedere regelwijziging voordat die in het systeem wordt opgenomen. We liggen op koers om dit jaar meer dan $2 miljard aan salarissen te verwerken. Onze klanten hebben daarbij meer dan $200M aan boetes voorkomen.

Voor elke salarisverwerking controleert de agent of er iets niet klopt, zoals een onverwachte stijging van iemands salaris of ontbrekende belastinggegevens in een nieuwe staat. Als de agent niet zeker weet wat hij moet doen of niet de benodigde toestemming heeft om te handelen, stopt hij en draagt hij de taak over aan de beheerder in plaats van te gokken.

Belastingberichten laten zien hoe dit werkt. Agents handelen 80% ervan automatisch af op basis van de salarisgegevens van het bedrijf en de richtlijnen van de betrokken instantie. De overige berichten worden doorgegeven aan een Warp-belastingspecialist, zodat elk bericht wordt afgehandeld. Bij salarisverwerking kunnen verkeerde antwoorden veel kosten. Daarom laten we de agent de taak liever overdragen dan gokken.

HR-systemen bevatten een deel van de meest gevoelige informatie van een bedrijf, van salarissen en Social Security-nummers tot bankgegevens en gegevens over arbeidsvoorwaarden. Welke gevolgen heeft de opkomst van autonome agents voor de beveiliging van deze gegevens, en zijn er categorieën werknemersgegevens waartoe AI volgens u nooit zelfstandig toegang zou mogen hebben?

Agents veranderen de beveiligingsvraag, omdat ze zich veel sneller dan een mens door de systemen van een bedrijf kunnen bewegen. Dat betekent dat misbruik van een gebrek aan toegangsbeperkingen zich ook sneller kan voordoen. Het grootste risico is dat iemand een agent gebruikt om gegevens te bereiken waartoe diegene zelf nooit toegang zou krijgen. Daarom hebben we dit vanaf het begin in ons ontwerp meegenomen: elke Warp-agent heeft precies dezelfde toegangsrechten als de persoon namens wie hij handelt. Als een werknemer dus geen toegang heeft tot salarisgegevens, kan die de agent ook niet vragen om die te tonen. Gegevens van individuele werknemers blijven binnen de eigen account van het bedrijf en worden nooit met andere klanten gedeeld. Warp voldoet aan SOC 2 Type II, dwingt multifactorauthenticatie af en ondertekent Business Associate Agreements voor zakelijke klanten die HIPAA-naleving nodig hebben.

Wat AI nooit zelfstandig zou mogen beheren, is voor ons alles wat moeilijk ongedaan te maken is. Geld overmaken is daarvan het duidelijkste voorbeeld. Daarom gelden voor betalingen vaste limieten die de agent niet mag overschrijden, ongeacht wie de opdracht geeft. Hetzelfde geldt voor elke taak waarvoor de wet menselijke tussenkomst vereist; die wordt altijd overgedragen aan een Warp-specialist.

Er is een groot verschil tussen een AI die een actie aanbeveelt en een AI die daadwerkelijk geld overmaakt, een belastingaangifte indient of de toegangsrechten van een werknemer wijzigt. Welke waarborgen, audittrails, terugdraaimechanismen en escalatiesystemen zijn nodig wanneer AI-agents niet langer mensen adviseren, maar zelf ingrijpende bedrijfsprocessen uitvoeren?

Zodra een agent acties gaat uitvoeren in plaats van suggesties te doen, moet u kunnen achterhalen namens wie de agent handelde, waartoe hij toegang had, waarom hij die keuze maakte en hoe u die kunt terugdraaien als er iets misgaat. Bij elke actie in Warp wordt die informatie vastgelegd, zodat niets wat de agent doet buiten het zicht blijft.

Het meeste werk van de agent verloopt via routines: taken die de agent volgens een schema uitvoert of wanneer er iets gebeurt, zoals een nieuwe medewerker die een aanbod ondertekent. Elke routine houdt een doorlopend overzicht bij van wie deze heeft aangemaakt, wanneer deze is goedgekeurd en welke stappen de agent heeft gezet. Zo beschikken HR-teams en auditors over een duidelijk controletraject.

Hoe we een actie terugdraaien, hangt af van de actie zelf. Wijzigingen zoals het aanpassen van iemands toegangsrechten of een keuze voor arbeidsvoorwaarden kunnen worden teruggedraaid. Salarisverwerkingen en betalingen zijn het moeilijkst ongedaan te maken en vallen daarom onder de strengste controles, waaronder vaste limieten die de agent niet kan wijzigen. Alles wat buiten de bevoegdheid van de agent valt, wordt rechtstreeks voorgelegd aan de beheerder van de klant.

Sommige situaties vereisen nog steeds een persoon, bijvoorbeeld wanneer een belastingdienst van een staat alleen telefonisch bereikbaar is. Wanneer de agent op zo’n obstakel stuit, maakt een Warp-specialist het werk af, zodat het doorgaat in plaats van vast te lopen in iemands inbox.

Warp heeft onlangs een Series B-financieringsronde van $60 miljoen opgehaald, waarmee de totale financiering op $85 miljoen komt. Het bedrijf wil verder investeren in AI-agenten en zijn infrastructuur voor belastingen en compliance. Welke technische problemen rond de automatisering van HR-processen met AI-agenten zijn nog niet opgelost, en waar verwacht u dat het grootste deel van die investering naartoe gaat?

Een AI-agent kan iemand misschien 20% sneller maken, en dat helpt, maar de grootste kans ligt bij een agent die het werk helemaal afmaakt. De uitdaging is dat HR niet op één plek is ondergebracht. Salarisadministratie, arbeidsvoorwaarden, apparaten en IT-accounts zijn doorgaans ondergebracht in afzonderlijke systemen, en een agent kan alleen goed handelen als hij ze allemaal tegelijk kan overzien. Een andere uitdaging is de lange staart aan uitzonderingen: elke overheidsinstantie van een staat, verzekeraar en belastingdienst heeft eigen eigenaardigheden, en veel daarvan zijn nooit ontworpen om met software samen te werken. Daar zien we de grootste kansen en daar gaat onze financiering naartoe.

Onze klanten hebben vaak één of twee mensen die HR regelen voor honderden medewerkers. Naarmate hun bedrijf groeit, moeten agenten daarom meer verantwoordelijkheid op zich nemen. We richten ons erop alles onder te brengen in één systeem waarin de agent kan handelen, en het klanten makkelijker te maken om eigen routines op te stellen die aansluiten bij de manier waarop hun bedrijf werkt. Ook breiden we het team uit dat klanten ondersteunt, versterken we onze infrastructuur voor belastingen en compliance en vergroten we het aantal taken dat onze agenten gedurende de hele loopbaan van medewerkers aankunnen.

Een van de beloften van software met AI-agenten is dat bedrijven met veel kleinere administratieve teams kunnen werken, terwijl HR-professionals meer tijd besteden aan strategisch werk en werk waarin mensen centraal staan. Welke HR-onderdelen zullen AI-agenten volgens u de komende jaren grotendeels automatiseren, en welke beslissingen blijven wezenlijk mensenwerk?

HR-onderdelen waarbij oordeelsvermogen nodig is, blijven mensenwerk. Denk aan bepalen wie je aanneemt, de bedrijfscultuur vormgeven, iemand door een moeilijke periode heen helpen of herkennen wanneer een medewerker toe is aan een volgende stap. Dat zijn de redenen waarom People-teams bestaan, en het zijn precies de onderdelen van hun werk waar HR-leiders het liefst meer tijd aan zouden besteden.

Agenten kunnen het administratieve werk overnemen dat ongemerkt het grootste deel van de week in beslag neemt: van salarisadministratie regel voor regel controleren en belastingdiensten achter informatie aan zitten tot vragen over verlof beantwoorden, inschrijvingen voor arbeidsvoorwaarden afhandelen en laptops en accounts instellen of afsluiten telkens wanneer iemand in dienst komt of vertrekt. Bij een groot bedrijf houdt dat werk een hele afdeling bezig; bij een klein bedrijf komt het vaak laat op de avond terecht bij de oprichter, nadat iedereen naar huis is gegaan.

Onboarding is een goed voorbeeld van hoeveel tijd dit oplevert. Volgens onze schatting besteden snelgroeiende bedrijven tijdens de eerste maand doorgaans 10 tot 20 uur aan het begeleiden van elke nieuwe medewerker. Onze klanten vertellen ons dat hetzelfde werk nu minder dan twee uur kost, waardoor HR-teams veel meer tijd overhouden voor de menselijke kant van hun werk.

Verwacht u dat HR-software over vijf jaar nog steeds draait om dashboards, formulieren en workflows waarmee medewerkers actief aan de slag moeten, of verdwijnt de interface uiteindelijk wanneer AI-agenten de meeste processen rond personeelsbeheer op de achtergrond afhandelen?

Binnen een jaar verwachten we dat agenten de meeste handelingen binnen Warp uitvoeren, en niet alleen op het gebied van belastingen. Daaronder vallen het inwerken van nieuwe medewerkers, de salarisadministratie en de dagelijkse HR-taken waarvoor mensen nu nog overal op moeten klikken. Daardoor verandert wat mensen nodig hebben van de software die ze gebruiken. In plaats van in te loggen om een proces te controleren of verder te brengen, horen HR-teams meestal alleen van Warp wanneer iets hun aandacht vereist, bijvoorbeeld een beslissing die alleen zij kunnen nemen of een korte update dat een nieuwe medewerker in een andere staat volledig is ingeregeld en klaarstaat om salaris te ontvangen. De rest van het werk verloopt geruisloos op de achtergrond, net zoals de meeste mensen ervan uitgaan dat hun e-mail wordt bezorgd of hun bank een betaling verwerkt zonder dat ze elke stap hoeven te volgen.

In vrijwel elke hoek van bedrijfssoftware is inmiddels een nieuwe uitdager verschenen die speciaal voor AI is ontwikkeld, en personeelsbeheer is een van de laatste terreinen waarop die verandering nog moet plaatsvinden. Wij geloven dat we bouwen aan wat er na Workday komt.

Bedankt voor het geweldige interview. Lezers die meer willen weten, kunnen terecht bij Warp.