Doug Tallmadge, medeoprichter en CEO van Gradial – Interviewreeks

Doug Tallmadge, medeoprichter en CEO van Gradial, is een technologieondernemer en ingenieursleider wiens carrière zich uitstrekt over de lucht- en ruimtevaart, satellietcommunicatie, financiën en enterprise AI. Voordat hij Gradial in 2023 lanceerde, werkte hij bijna vijf jaar bij SpaceX (SPCX ), waar hij hielp om het Starlink-netwerk vanaf het begin uit te breiden, netwerkanalyses leidde om de groei van nul tot meer dan 500.000 klanten te ondersteunen, en teams van software-ingenieurs en datawetenschappers beheerde die werkten aan netwerkoptimalisatie en simulatie. Hij droeg ook bij aan de direct-to-cell satellietinitiatieven van Starlink en vroege satellietvoedselsystemen. Eerder in zijn carrière had Tallmadge functies bij Lockheed Martin (LMT ) en Bridgewater Associates, waar hij diepe technische expertise combineerde met ervaring in grote systeem- en bedrijfsoperaties.

Gradial is een onderneming op het gebied van enterprise AI die zich richt op wat het “agentic marketing operations” noemt, waarbij het grote organisaties helpt om de operationele werkzaamheden te automatiseren die tussen creatieve strategie en campagne-uitvoering zitten. In plaats van zich uitsluitend te concentreren op door AI gegenereerde inhoud, orkestreert het platform van Gradial AI-agenten over systemen zoals Adobe Experience Manager, Salesforce , Jira, contentbeheersystemen, digitale activabeheertools en marketingworkflows. Het platform kan marketingmiddelen maken, optimaliseren, taggen, kwaliteitscontroleren en implementeren, en governance, compliance, toegankelijkheid en merkstandaarden afdwingen. Door een gedeelde organisatorische kennislaag te creëren die ondernemingssystemen verbindt, beoogt Gradial de handmatige coördinatie te verminderen die vaak grote marketingteams vertraagt, waardoor organisaties campagnes sneller kunnen lanceren, gepersonaliseerde inhoudproductie kunnen opschalen en complexe digitale ervaringen met grotere efficiëntie kunnen beheren.

U hebt geholpen om Starlink van nul tot honderdduizenden gebruikers uit te breiden bij SpaceX, waar u werkte aan complexe netwerksystemen voordat u Gradial oprichtte. Wat was het moment waarop u besefte dat de marketinginfrastructuur van ondernemingen soortgelijke systemische inefficiënties had, en hoe leidde die inzicht tot het starten van Gradial?

In mijn vorige functie zag ik met eigen ogen hoe wrijving in grote organisaties samenkomt, zelfs de kleinste inefficiëntie kan elk proces dat volgt vertragen. Marketing was waar ik merkte dat deze knelpunten het meeste negatieve effect hadden. Teams besteedden veel tijd aan het navigeren van platforms, het uploaden van middelen, het beheren van goedkeuringen en het coördineren van overdrachten. Strategisch denken en creatieve richting werden begraven onder lagen van uitvoering.

Het is een perfect gebruiksscenario voor AI, maar wat me trof was waar de aandacht van de industrie op was gericht. De meeste platforms gebruikten AI om inhoud te schrijven, maar toen ik met marketeers van grote ondernemingen sprak, was het gebrek aan inhoud niet het probleem. Zij konden inhoud gemakkelijk produceren. Wat zij niet konden doen, was het snel publiceren. Van idee tot live campagne duurde het dagen, weken, soms maanden. De meeste AI-investeringen gingen naar creatie, terwijl het moeilijkere probleem van het daadwerkelijk publiceren van inhoud volledig werd genegeerd. Wij hebben Gradial rond die kloof gebouwd: het inzetten van agenten die alles afhandelen, van het opstellen en goedkeuren tot publiceren, merkcompliance en prestatieoptimalisatie, zodat marketeers zich kunnen concentreren op werk dat menselijke oordeel vereist.

U hebt betoogd dat het traditionele “systeem van record” effectief een systeem van technische schuld is geworden. Wat breekt er specifiek in legacy enterprise marketing stacks als bedrijven proberen om AI te adopteren?

Een systeem van record, het CMS, projectbeheertools, goedkeuringsworkflows en activabibliotheken was gebouwd om informatie te organiseren, niet om snel te werken. Wanneer bedrijven AI op deze bestaande systemen aansluiten, vallen dingen snel uit elkaar. Het hulpmiddel weet niet welk bedrijf het dient, de merkstem, compliance-eisen of goedkeuringsprocessen. Dus marketeers moeten elke output controleren en fouten corrigeren die worden veroorzaakt door ontbrekende context. Voor organisaties die al duizenden stukken inhoud over meerdere kanalen beheren, wordt AI dat op deze systemen is aangesloten een ander ingewikkeld proces om te beheren.

De meeste AI-conversaties in marketing hebben zich gericht op inhoudsgeneratie. Waarom denkt u dat de echte kans zich in de uitvoering bevindt, en hoe ziet die verschuiving er in de praktijk uit?

Marketeers hebben moeite om inhoud te produceren. Zij hebben moeite om inhoud door revisiecycli te verplaatsen, een consistente merkstem te behouden, samen te werken met tientallen tools en te optimaliseren voor verschillende doelgroepen.

Er is ook een structurele verschuiving gaande in hoe merken worden ontdekt. Google-zoekopdrachten daalden met bijna 20% in het afgelopen jaar, wat betekent dat merken niet langer alleen kunnen vertrouwen op SEO. Zij moeten verschijnen in AI-zoekantwoorden, wat het publiceren van inhoud vereist die AI-modellen gemakkelijk kunnen interpreteren, citeren en oppervlakken. Het probleem is dat deze modellen constant veranderen wat zij oppikken. Een merk dat vandaag in een antwoord verschijnt, kan morgen stilzwijgend verdwijnen. Door de tijd dat marketeers de kloof identificeren, de inhoud bijwerken en goedkeuringen verkrijgen, zijn de modellen al verder gegaan.

Inhoudsgeneratie alleen lost dit niet op. Zelfs als u inhoud sneller produceert, kunt u nog steeds vastzitten in dezelfde goedkeuringswachtrijen, met inhoud die niet is geoptimaliseerd voor AI-zichtbaarheid. Gradial sluit aan op de tools die marketeers al gebruiken en behandelt het werk dat de workflows vertraagt, zoals inhoudsrevisies, merkcompliancecontroles en publicatie over platforms. Het resultaat zijn campagnes die in uren in plaats van weken worden uitgevoerd en inhoud die nauwkeurig, merkconform en zichtbaar is waar het publiek daadwerkelijk kijkt.

Gradial wordt vaak beschreven als een agentic platform. Kunt u ons door een AI-agent vertellen wat een AI-agent daadwerkelijk doet in een Fortune 500-marketingworkflow op een dagelijkse basis?

Het beste antwoord is wat wij hebben gezien bij klanten. Bij T-Mobile betekende het uitvoeren van een campagne het coördineren van meerdere teams, het verzamelen van goedkeuringen en het wachten op productiewachtrijen die weken duurden. Met Gradial behandelt een AI-agent het hele proces van creatief brief tot revisies en publicatie. Wat eerder een marketeer moest doen door elke stap handmatig te achtervolgen, gebeurt nu gewoon. Het resultaat was 90% snellere tijd tot campagne-uitvoering.

Bij AWS betekende elke nieuwe webpagina het briefen van een agentschap, het wachten op een concept, het doorlopen van revisierondes en het handmatig coördineren om het te publiceren. Een gespecialiseerde agent maakte paginacreatie 20 keer sneller.

Een van de grootste uitdagingen bij de adoptie van enterprise AI is vertrouwen. Hoe zorgt Gradial voor betrouwbaarheid en governance wanneer AI-agenten uitvoeringsbeslissingen nemen over systemen?

Vertrouwen is het hele spel in enterprise, vooral in financiën en gezondheidszorg, waar een compliancefout echte gevolgen heeft. Elke Gradial-implementatie begint met het geven van context aan de agent over de stem van het merk, berichtenvoorwaarden, compliance-eisen, goedkeuringsworkflows en branche-normen.

Het niveau van menselijke betrokkenheid is volledig aanpasbaar. Teams die nieuw zijn in dit of opereren in gereguleerde omgevingen, kunnen goedkeuring vereisen voor alles voordat het live gaat. En elke actie die de agent uitvoert, wordt gelogd met een volledig audittrail. Wat wij hebben gevonden, is dat vertrouwen natuurlijk ontstaat, met teams die beginnen met strakke controles en de autonomie van de agent geleidelijk uitbreiden naarmate deze zichzelf op echt werk bewijst. Het doel was nooit om alles over te dragen op de eerste dag, maar om iets op te bouwen dat meer verantwoordelijkheid verdient naarmate het aantoont dat het ermee om kan gaan.

Uw platform integreert in bestaande tools in plaats van ze volledig te vervangen. Is de langetermijnvisie om de huidige stack te verbeteren of volledig te vervangen?

Voor nu is de focus op het ontmoeten van teams waar ze zijn. De meeste enterprise marketingorganisaties hebben jarenlang workflows gebouwd rond specifieke tools, zoals Figma, Adobe en projectbeheersystemen, en het vragen om die infrastructuur te verlaten is niet realistisch. Gradial sluit aan en behandelt de uitvoeringswerkzaamheden die deze workflows vertraagden.

De langetermijnvisie is ambitieuzer. Veel legacysoftware onder enterprise marketing is gebouwd voor een wereld vóór AI, en dat is zichtbaar. Systemen die puur zijn ontworpen om inhoud op te slaan en te organiseren, zullen er heel anders uitzien wanneer een agent dezelfde context kan vasthouden en erop kan handelen. Wij denken dat het onderscheid tussen waar inhoud leeft en waar werk wordt gedaan, uiteindelijk samenkomt, en wij bouwen aan het worden van de infrastructuurlaag waar beide plaatsvinden.

Grote ondernemingen hebben vaak diep gewortelde workflows en interne weerstand tegen verandering. Wat is er nodig om een AI-natief systeem met succes in een Fortune 500-organisatie te implementeren?

Het eerste dat wij doen, is duidelijk maken dat Gradial niemand vraagt om te veranderen hoe zij werken. Dat klinkt eenvoudig, maar het is de grootste hindernis in enterprise AI-adoptie. De meeste tools arriveren met een nieuw systeem, een nieuw interface, een nieuwe manier van doen, en dan vraagt men zich af waarom adoptie zes maanden later stilvalt. Wij beginnen met het in kaart brengen van hoe een team daadwerkelijk werkt en configureren Gradial rond die workflow.

Adoptie werkt wanneer teams zien dat het werkt op echt werk, snel. Niet in een demo, niet in een ge-saniteerde proef, maar in hun eigen campagnes, hun eigen inhoud, hun eigen workflows. Zodra een team ziet dat de publicatietijd van drie weken naar dezelfde dag gaat, neemt interne weerstand vanzelf af.

Vanuit een technisch oogpunt, wat onderscheidt een uitvoeringsmotor van een typische generatieve AI-laag?

Een generatieve AI-laag geeft u een concept, maar een uitvoeringsmotor zorgt ervoor dat het wordt gepubliceerd. De meeste AI-hulpmiddelen voor marketing stoppen bij de output; zij zullen de kopie schrijven of de bewerking suggereren, maar op het moment dat die output door goedkeuringen of naar een live-pagina moet gaan, moeten marketeers het zelf beheren. Die overdracht is waar de meeste tijd daadwerkelijk naar toe gaat.

Een uitvoeringsmotor is anders omdat het is ingebed in de tools die een team al gebruikt en begrijpt hoe dat specifieke bedrijf werkt. Wanneer een marketeer de agent iets vraagt te doen, verplaatst het de werkzaamheden door elke vereiste stap, en toont alleen beslissingen die daadwerkelijk een menselijke tussenkomst vereisen. De marketeer blijft in controle zonder in het midden van elke stap te staan.

Veel bedrijven experimenteren met AI, maar weinig zien een significante ROI. Waar denkt u dat de meeste organisaties het vandaag verkeerd doen?

De meest voorkomende fout is het behandelen van AI als een productiviteitstool in plaats van een oplossing voor een gebroken proces. Als elke output zware bewerking nodig heeft, of handmatig moet worden gekopieerd naar een ander systeem, of nog steeds vijf goedkeuringen nodig heeft voordat iets live gaat, hebt u het probleem niet opgelost.

De bedrijven die echte rendementen zien, zijn specifiek. Zij hebben precies geïdentificeerd waar werkzaamheden vastzitten en hebben AI ingezet tegen dat specifieke probleem, niet breed, niet als een experiment, maar met een duidelijk begrip van wat langzaam was voordat en wat snel zou moeten zijn na afloop. Die precisie is wat echt rendement onderscheidt van een tool die indrukwekkend is in een demo en stof verzamelt zes maanden later.

Wanneer u het goed doet, zijn de resultaten tastbaar: klanten die Gradial gebruiken, hebben 8 keer snellere campagne-activatie gezien, 35%+ operationele besparingen in hun eerste jaar, en 100% merk- en toegankelijkheidscompliance op elke stuk inhoud.

Als we vijf jaar vooruitkijken, wat ziet een volledig AI-natieve marketingorganisatie eruit, en wat is de rol van Gradial in die toekomst?

Over vijf jaar zal de operationele laag van marketing autonoom zijn. Een marketeer vraagt een agent om een campagne te lanceren, en het is live aan het einde van de dag omdat de agent elke stap ertussen heeft afgehandeld. Merkzichtbaarheid in AI-zoekopdrachten wordt gecontroleerd en aangepast automatisch. Compliance gebeurt voortdurend gedurende het proces in plaats van als een laatste controle. Marketeers besteden hun tijd aan wat zij eigenlijk zijn aangenomen om te doen: het opbouwen van het merk, het ontwikkelen van creatief en het nemen van strategische beslissingen over klantervaringen die menselijke oordeel vereisen.

De rol van Gradial is om marketingorganisaties daar te krijgen, niet door hen te overtuigen om alles uit te wissen en opnieuw te beginnen, maar door te bewijzen binnen hun bestaande workflows dat deze manier van opereren mogelijk is. De teams die dat eerst uitvinden, zullen een cumulatief voordeel hebben ten opzichte van degenen die campagnes nog steeds op de oude manier uitvoeren.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Gradial bezoeken.