Doug Tallmadge, medeoprichter en CEO van Gradial – Interviewreeks

Doug Tallmadge, medeoprichter en CEO van Gradial, is technologieondernemer en technisch leider met een loopbaan in de lucht- en ruimtevaart, satellietcommunicatie, financiële sector en AI voor bedrijven. Voordat hij Gradial in 2023 oprichtte, werkte hij bijna vijf jaar bij SpaceX (SPCX ). Daar hielp hij het Starlink-netwerk vanaf de eerste fase uit te bouwen, leidde hij netwerkanalyses die de groei van nul naar meer dan 500.000 klanten ondersteunden en gaf hij leiding aan teams van software-ingenieurs en datawetenschappers die werkten aan netwerkoptimalisatie en simulatie. Hij droeg ook bij aan Starlinks initiatieven voor directe verbindingen tussen satellieten en mobiele telefoons en aan vroege stroomvoorzieningssystemen voor satellieten. Eerder bekleedde Tallmadge functies bij Lockheed Martin (LMT ) en Bridgewater Associates. Hij combineert diepgaande technische expertise met ervaring in grootschalige systemen en bedrijfsvoering.

Gradial is een AI-bedrijf voor de zakelijke markt dat zich richt op wat het agentgestuurde marketingoperaties noemt. Het helpt grote organisaties het operationele werk tussen creatieve strategie en campagne-uitvoering te automatiseren. Het platform richt zich niet uitsluitend op AI-gegenereerde content, maar coördineert AI-agenten in systemen zoals Adobe Experience Manager, Salesforce, Jira, contentbeheerplatforms, tools voor het beheer van digitaal beeld- en ander materiaal en marketingworkflows. Het kan marketingmateriaal opstellen, optimaliseren, taggen, op kwaliteit controleren en publiceren, met handhaving van governance, naleving van regels, toegankelijkheid en merkrichtlijnen. Met een gedeelde kennislaag die de bedrijfssystemen met elkaar verbindt, wil Gradial de handmatige coördinatie verminderen die grote marketingteams vaak vertraagt. Zo kunnen organisaties campagnes sneller lanceren, de productie van gepersonaliseerde content opschalen en steeds complexere digitale ervaringen efficiënter beheren.

Bij SpaceX hielp u Starlink groeien van nul naar honderdduizenden gebruikers en werkte u aan complexe netwerksystemen voordat u Gradial oprichtte. Wanneer besefte u dat de marketinginfrastructuur van grote bedrijven vergelijkbare structurele inefficiënties kende, en hoe leidde dat inzicht tot de oprichting van Gradial?

In mijn vorige functie zag ik zelf hoe frictie in grote organisaties doorwerkt en zich opstapelt. Zelfs een kleine inefficiëntie kan elk volgend proces vertragen. In marketing zag ik de grootste negatieve gevolgen van die knelpunten. Teams besteedden veel tijd aan het navigeren tussen platforms, uploaden van materiaal, beheren van goedkeuringen en afstemmen van overdrachten. Strategisch denken en creatieve aansturing raakten bedolven onder lagen uitvoerend werk.

Dit is een ideale toepassing voor AI, maar wat mij opviel, was waar de aandacht van de sector naartoe ging. De meeste platforms gebruikten AI om content te schrijven. Toen ik met marketeers bij grote organisaties sprak, bleek een gebrek aan content echter niet het probleem. Die konden ze gemakkelijk produceren. Wat niet lukte, was die snel publiceren. Van idee tot gepubliceerde campagne duurde dagen, weken, soms maanden. De meeste AI-investeringen gingen naar creatie, terwijl het moeilijkere probleem – de content daadwerkelijk naar buiten brengen – volledig werd genegeerd. We bouwden Gradial om dat gat te vullen: agenten die alles afhandelen, van concepten en goedkeuringen tot publicatie, naleving van merkrichtlijnen en prestatieoptimalisatie. Daardoor kunnen marketeers zich richten op werk dat menselijk oordeel vereist.

U hebt gesteld dat traditionele systemen voor gezaghebbende bedrijfsgegevens, de zogeheten ‘systems of record’, in feite systemen vol technische schuld zijn geworden. Wat gaat er concreet mis in verouderde marketingomgevingen wanneer bedrijven AI proberen in te voeren?

Systemen voor officiële bedrijfsgegevens, zoals het CMS, projectmanagementtools, goedkeuringsworkflows en materiaalbibliotheken, zijn gebouwd om informatie te ordenen, niet om snel te werken. Wanneer bedrijven daar AI bovenop zetten, ontstaan al snel problemen. De tool kent de bedrijfsvoering niet, noch de toon van het merk, de regels waaraan moet worden voldaan of de goedkeuringsprocessen. Marketeers moeten daarom elke uitkomst controleren en fouten herstellen die ontstaan door ontbrekende context. Voor organisaties die al duizenden stukken content via meerdere kanalen beheren, wordt toegevoegde AI zo nog een ingewikkeld proces om te beheren.

De discussie over AI in marketing draait vooral om contentgeneratie. Waarom denkt u dat de echte kans in de uitvoering ligt, en hoe ziet die verschuiving er in de praktijk uit?

Marketeers hebben geen moeite om ideeën te bedenken. Ze hebben moeite om content door beoordelingsrondes te loodsen, de merktoon consistent te houden, met tientallen tools te werken en de content voor verschillende doelgroepen te optimaliseren.

Ook de manier waarop merken worden ontdekt, verandert structureel. Het aantal Google-zoekopdrachten is het afgelopen jaar met bijna 20 procent gedaald. Merken kunnen dus niet meer uitsluitend op SEO vertrouwen. Ze moeten ook verschijnen in antwoorden van AI-zoekdiensten. Daarvoor is content nodig die AI-modellen gemakkelijk kunnen interpreteren, citeren en naar voren halen. Het probleem is dat die modellen voortdurend veranderen welke bronnen ze raadplegen. Een merk dat vandaag in een antwoord staat, kan morgen ongemerkt verdwenen zijn. Tegen de tijd dat marketeers het gemis hebben vastgesteld, de content hebben bijgewerkt en de goedkeuringen rond hebben, zijn de modellen alweer verder.

Contentgeneratie alleen lost dit niet op. Ook als u sneller content produceert, kan die in dezelfde goedkeuringswachtrijen blijven hangen, zonder geoptimaliseerd te zijn voor zichtbaarheid in AI-antwoorden. Gradial sluit aan op de tools die marketeers al gebruiken en neemt werk over dat normaal alles vertraagt, zoals contentaanpassingen, controles op merkrichtlijnen en publicatie op verschillende platforms. Het resultaat is dat campagnes binnen uren in plaats van weken worden gepubliceerd, met content die correct is, bij het merk past en zichtbaar is waar het publiek daadwerkelijk zoekt.

Gradial wordt vaak omschreven als een agentgestuurd platform. Kunt u uitleggen wat een AI-agent dagelijks precies doet binnen de marketingworkflow van een Fortune 500-bedrijf?

De beste uitleg komt uit wat we bij klanten hebben gezien. Bij T-Mobile vergde een campagne afstemming tussen meerdere teams, het verzamelen van goedkeuringen en het wachten in productiewachtrijen van weken. Met Gradial handelt een AI-agent het hele proces af, van creatieve briefing tot beoordeling en publicatie. Wat voorheen vereiste dat een marketeer elke stap handmatig opvolgde, gebeurt nu vanzelf. Het resultaat was een 90 procent snellere campagne-uitvoering.

Bij AWS moest voor elke nieuwe webpagina een bureau worden gebrieft, een concept worden afgewacht, een reeks correctierondes worden doorlopen en de publicatie handmatig worden afgestemd. Een gespecialiseerde agent maakte het aanmaken van pagina’s twintig keer sneller.

Vertrouwen is een van de grootste uitdagingen bij de invoering van AI in bedrijven. Hoe waarborgt Gradial betrouwbaarheid en governance wanneer AI-agenten in meerdere systemen uitvoeringsbeslissingen nemen?

Vertrouwen is allesbepalend in bedrijven, vooral in de financiële sector en de zorg, waar een fout in de naleving van regels echte gevolgen heeft. Elke implementatie van Gradial begint met context voor de agent over de merktoon, communicatierichtlijnen, eisen voor naleving van regels, goedkeuringsworkflows en branchenormen.

De mate van menselijke betrokkenheid is volledig aanpasbaar. Teams die hier nieuw mee zijn of in een gereguleerde omgeving werken, kunnen voor alles goedkeuring vóór publicatie eisen. Bovendien wordt elke actie van de agent vastgelegd in een volledig controlespoor. We zien dat vertrouwen vanzelf groeit: teams die met strenge controles beginnen, geven de agent geleidelijk meer zelfstandigheid naarmate die zich in het echte werk bewijst. Het doel was nooit om op dag één alles uit handen te geven, maar om iets te bouwen dat meer verantwoordelijkheid verdient door te laten zien dat het die aankan.

Uw platform integreert met bestaande tools in plaats van ze direct te vervangen. Is de langetermijnvisie om de huidige systeemomgeving te versterken of die volledig te vervangen?

Voorlopig richten we ons op de bestaande situatie van teams. De meeste marketingorganisaties hebben jarenlang workflows opgebouwd rond bepaalde tools, zoals Figma, Adobe en projectmanagementsystemen. Het is niet realistisch om te vragen die infrastructuur op te geven. Gradial sluit daarop aan en neemt het uitvoerende werk over dat deze workflows vertraagt.

De langetermijnvisie is ambitieuzer. Veel oudere software onder zakelijke marketing is gebouwd voor een wereld van vóór AI, en dat is te merken. Systemen die uitsluitend zijn ontworpen om content op te slaan en te ordenen, zullen er heel anders uitzien wanneer een agent dezelfde context kan vasthouden en er tegelijkertijd naar kan handelen. We denken dat het onderscheid tussen de plek waar content staat en de plek waar werk wordt gedaan uiteindelijk verdwijnt. We bouwen aan de infrastructuurlaag waar beide samenkomen.

Grote ondernemingen hebben vaak diepgewortelde workflows en interne weerstand tegen verandering. Wat is er in de praktijk nodig om een systeem dat vanaf het begin op AI is ingericht succesvol in een Fortune 500-organisatie in te voeren?

We maken eerst duidelijk dat Gradial niemand vraagt anders te gaan werken. Dat klinkt eenvoudig, maar het is de grootste drempel bij AI-invoering in bedrijven. De meeste tools brengen een nieuw systeem, een nieuwe interface en een nieuwe werkwijze mee en vragen zich vervolgens af waarom de invoering na zes maanden vastloopt. We beginnen met het in kaart brengen van hoe een team echt werkt en richten Gradial daarop in.

Gebruik beklijft wanneer teams snel zien dat de oplossing in het echte werk functioneert. Niet in een demo of een zorgvuldig gladgestreken proefproject, maar in hun eigen campagnes, hun eigen content en hun eigen workflows. Zodra een team ziet dat de tijd tot publicatie van drie weken naar dezelfde dag gaat, neemt de interne weerstand meestal vanzelf af.

Wat onderscheidt technisch gezien een uitvoeringsengine van een gewone generatieve AI-laag?

Een generatieve AI-laag levert een concept, maar een uitvoeringsengine krijgt het gepubliceerd. De meeste AI-tools voor marketing stoppen bij de uitvoer: ze schrijven de tekst of stellen een aanpassing voor. Zodra die uitvoer door goedkeuringen moet of op een gepubliceerde pagina moet komen, mogen marketeers het zelf regelen. Juist die overdracht kost in de praktijk de meeste tijd.

Een uitvoeringsengine is anders omdat die ingebed is in de tools die het team al gebruikt en begrijpt hoe juist dat bedrijf werkt. Wanneer een marketeer de agent iets vraagt, voert die het werk door elke noodzakelijke stap, verkrijgt de goedkeuringen en legt alleen beslissingen voor die echt een mens vereisen. De marketeer houdt de controle zonder in elke stap als tussenpersoon te hoeven optreden.

Veel bedrijven experimenteren met AI, maar weinig zien een betekenisvol investeringsrendement. Waar gaan de meeste organisaties volgens u momenteel de fout in?

De meest voorkomende fout is AI behandelen als productiviteitstool in plaats van als een oplossing voor een proces dat niet werkt. Als elke uitkomst ingrijpend moet worden bewerkt, handmatig naar een ander systeem moet worden gekopieerd of nog steeds vijf goedkeuringen nodig heeft voordat iets wordt gepubliceerd, is het probleem niet opgelost.

De bedrijven die echt rendement behalen, bakenden het probleem nauwkeurig af. Ze stelden precies vast waar het werk vastliep en zetten AI op dat probleem in. Niet breed of als experiment, maar met een helder beeld van hoe traag het voordien ging en wat snel nadien zou moeten betekenen. Die precisie onderscheidt echt rendement van een tool die indruk maakt tijdens een demo en zes maanden later stof staat te verzamelen.

Als het goed wordt aangepakt, zijn de resultaten tastbaar: Gradial-klanten hebben campagnes acht keer sneller kunnen activeren, in het eerste jaar minstens 35 procent op operationele kosten bespaard en bij elk stuk content 100 procent naleving van merk- en toegankelijkheidseisen bereikt.

Hoe ziet over vijf jaar een marketingorganisatie eruit die volledig op AI is ingericht, en welke rol speelt Gradial in die toekomst?

Over vijf jaar zal de operationele laag van marketing autonoom zijn. Een marketeer vraagt een agent een campagne te lanceren en die staat vóór het einde van de dag online, omdat de agent alle tussenliggende stappen heeft uitgevoerd. De zichtbaarheid van het merk in AI-zoekdiensten wordt automatisch gevolgd en bijgestuurd. Naleving van regels vindt voortdurend tijdens het hele proces plaats, in plaats van als controle op het laatste moment. Marketeers besteden hun tijd aan waarvoor ze werkelijk zijn aangenomen: het merk opbouwen, creatief werk ontwikkelen en strategische beslissingen nemen over klantervaringen die menselijk oordeel vereisen.

Gradial wil marketingorganisaties als eerste op dat punt brengen. Niet door ze ervan te overtuigen alles te vervangen en opnieuw te beginnen, maar door binnen hun bestaande workflows te bewijzen dat deze manier van werken mogelijk is. Teams die dat vroeg doorzien, krijgen een voorsprong die zich steeds verder opbouwt tegenover teams die campagnes nog op de oude manier uitvoeren.

Bedankt voor het waardevolle interview. Lezers die meer willen weten, kunnen terecht bij Gradial.