Isaiah N. Granet, medeoprichter en CEO van Bland – Interviewreeks

Isaiah N. Granet, medeoprichter en CEO van Bland, is een startup-oprichter en ingenieur wiens achtergrond technische uitvoering combineert met vroege ondernemerservaring en langdurige sociale impact. Voordat hij zijn huidige onderneming lanceerde, nam hij deel aan Z Fellows en Y Combinator, bouwde hij ervaring op bij Lantern en richtte hij San Diego Chill op, een non-profitorganisatie die meer dan 2,5 miljoen dollar ophaalde om kinderen met ontwikkelingsstoornissen te helpen bij het beoefenen van sport, waardoor hij nationale erkenning kreeg en nog steeds actief is met zijn betrokkenheid bij het bestuur.

Bland richt zich op het bouwen van infrastructuur voor AI-gepowered telefoongesprekken, waardoor bedrijven voice-agents kunnen inzetten die klantenservice, verkoop en operationele workflows op grote schaal kunnen afhandelen. Het platform is ontworpen om traditionele callcenters te vervangen of aan te vullen door programmabele voice-interacties, real-time responsiviteit en diepe integraties met bedrijfssystemen aan te bieden, waardoor het zichzelf positioneert als een kernlaag in hoe bedrijven communicatie met klanten automatiseren.

U hebt San Diego Chill opgericht als tiener om inclusieve toegang tot sport te creëren voor kinderen met ontwikkelingsstoornissen, lang voordat u Y Combinator betrad of Bland lanceerde. Hoe heeft die vroege ervaring met het opbouwen van een echte organisatie uw aanpak beïnvloed bij het oprichten van een voice-first AI-bedrijf dat nu tussen ondernemingen en hun klanten zit?

Veel van mijn leven en werk is gericht op bouwen. Van jongs af aan had ik de constante behoefte om dingen tot leven te brengen. Zodra een idee of een overtuiging over de wereld in mijn hoofd opkomt, is het onmogelijk voor me om het te negeren. Het opbouwen van de San Diego Chill leerde me niet alleen hoe ik een organisatie kon creëren en runnen, maar ook over de impact die onze acties op anderen kunnen hebben. Om in staat te zijn om terug te geven door een organisatie te creëren die anders nooit zou hebben bestaan, is iets diep waardevols. De lessen en waarden die ik van de Chill heb geleerd, draag ik elke dag met me mee.

Na YC in 2023 te hebben doorlopen, wat overtuigde u ervan dat enterprise-voice-infrastructuur nog steeds fundamenteel kapot was, waardoor het nodig was om een eind-tot-eind-systeem te bouwen in plaats van LLM’s op legacy-IVR-hulpmiddelen te stapelen?

Denk aan de laatste keer dat u een bankchatbot gebruikte. U wachtte waarschijnlijk langer dan nodig was, kreeg een antwoord dat niet aansloot bij wat u eigenlijk vroeg, en belde uiteindelijk toch. Toen liep een robotische stem u door een menu van opties die u niet wilde, en het intoetsen van 0 had geen enkel nut.

Banken hebben miljarden uitgegeven om die ervaring mogelijk te maken, en chatbots scoren nog steeds het laagst in klanttevredenheid met 29%. Lager dan e-mail. Lager dan callcenters, waar iedereen al over klaagt.

Dat is de dynamiek geweest voor twee decennia. Bedrijven proberen klanten weg te houden bij hun personeel. Klanten proberen steeds bij een persoon te komen. Geen van beide partijen wint.

Het probleem is niet dat bedrijven het niet willen oplossen. Ze kunnen het gewoon niet voor elkaar krijgen door meer personeel in te zetten. Een callcenter dat een miljoen gesprekken per maand afhandelt, is een dure en moeilijke operatie, en de kwaliteit is bijna per definitie ongelijkmatig.

Wat veranderde, is dat AI het nu mogelijk maakt om gesprekken daadwerkelijk op te lossen in plaats van ze alleen door te verwijzen of af te leiden. Geen telefoontjes. Geen wachtmuziek. Een agent die begrijpt wat de klant vraagt en het afhandelt.

Maar dat werkt alleen als het systeem vanaf het begin is ontworpen voor real-time voice. Als u LLM’s op legacy-IVR-hulpmiddelen legt of derdepartijdiensten aan elkaar knoopt, ontstaat er vertraging en neemt de betrouwbaarheid af. Conversaties breken af.

Daarom hebben we ons gericht op het bouwen van de infrastructuur van eind tot eind. Voice werkt alleen als het onmiddellijk en natuurlijk aanvoelt. Als het dat niet doet, hangt de klant op.

Bland heeft de ongebruikelijke stap genomen om haar eigen TTS, inferentie- en transcriptiestack intern te bouwen en te hosten. Welke compromissen zag u in het vertrouwen op derdepartij-API’s, die u uiteindelijk ertoe brachten om de volledige voice-infrastructuurlaag te bezitten?

Elke laag die u uitbesteedt, voegt vertraging en risico toe.

De meeste voice-AI-platforms zijn wederverkopers. Ze nemen derdepartijtranscriptie, voegen een derdepartijmodel toe, routeren het door een derdepartij-TTS en geven u het resultaat. Dat kan werken in een gecontroleerde demo. Het houdt zelden stand wanneer de oproepvolume piekt of iets in de keten misgaat.

Er is ook een dataprobleem. Aanbieders van basismodellen, zoals OpenAI, hebben klantgegevens gebruikt om modellen te trainen. Ze zeggen dat ondernemingslicenties anders zijn. Misschien zijn ze dat ook. Maar die onzekerheid is al genoeg om veel beveiligings- en compliance-teams ongemakkelijk te maken.

Wanneer u de volledige stack zelf host – transcriptie, inferentie, TTS, orchestratie – controleert u elke milliseconde en elke modelupdate. Klantgegevens blijven binnen het ecosysteem van de klant. Het raakt geen derdepartijtrainingspijplijn, gaat niet door infrastructuur die u niet kunt auditen, en verplaatst het zich niet tenzij de klant besluit dat het moet.

U kunt elke ondernemingsklant een eigen infrastructuur geven, zodat een piek van een ander bedrijf nooit de prestaties van de klant raakt. En wanneer er iets misgaat, kunt u het daadwerkelijk repareren in plaats van te wachten op een leverancier van een leverancier.

Voor gereguleerde industrieën hebben sommige klanten de volledige stack in hun eigen VPC of on-premises nodig. Dat is alleen mogelijk als de leverancier daadwerkelijk bezit wat hij implementeert.

Traditionele contactcenterautomatisering heeft zich voornamelijk gericht op het afleiden van eenvoudige ondersteuningsgesprekken. Waarom hebt u ervoor gekozen om complexe, langstaartinteracties van klanten te prioriteren in plaats van te beginnen met volumegebaseerde automatisering?

Waarom hebt u complexe, langstaartinteracties geprioriteerd in plaats van te beginnen met high-volume use cases?

We hebben de tegenovergestelde aanpak gekozen. Als we complexe en gevoelige gesprekken betrouwbaar kunnen afhandelen, wordt alles anders eenvoudig. Het doel is niet om demos te bouwen, maar om full agentic call resolution op grote schaal te leveren. Dat vereist lage-vertraging, hoge-betrouwbaarheidssystemen die de edge cases kunnen afhandelen die daadwerkelijke klantconversaties definiëren.

Uw agents worden steeds meer geïntegreerd in CRMs en operationele databases om gesprekken eind-tot-eind op te lossen. Hoe verandert voice-native automatisering de architectuur van enterprise-workflows in vergelijking met chat-gebaseerde copilots?

Legacy-systemen praten vaak niet met elkaar. CRMs, planningshulpmiddelen en factureringssystemen zijn gesloten. Zonder toegang tot die systemen kan een voice-agent alleen generieke vragen beantwoorden en niet veel meer.

Het kan geen rekening opzoeken, geen record bijwerken of geen afspraak boeken. Het verzamelt informatie en geeft het door. Ondertussen besteden menselijke vertegenwoordigers tijd aan werk dat niet door een persoon zou moeten worden gedaan: oproepnotities loggen, afspraken handmatig plannen, rapporten opvragen om te zien wie een follow-up nodig heeft.

Diepe integratie is wat eind-tot-eind-oplossing mogelijk maakt. Zonder die integratie hebt u de begroeting geautomatiseerd, niet de oproep.

De recente Soulja Boy-voice-clone-demo benadrukte hoe conversational agents verder kunnen gaan dan interne operaties en zich kunnen ontwikkelen tot merkgerichte ervaringen. Ziet u enterprise-voice-agents evolueren tot klantgerichte digitale vertegenwoordigers die continu werken over verkoop-, ondersteunings- en marketingkanalen?

Zeker. We zien een wereld waarin elke klant een persoonlijke relatie heeft met zijn favoriete en essentiële bedrijven. Wat belangrijk is, is dat AI niet alleen “leuk” is, maar daadwerkelijk in staat is om complexe problemen op te lossen.

Real-time voice introduceert vertraging, hallucinaties en identiteitsuitdagingen die niet bestaan in tekstgebaseerde AI-implementaties. Wat waren de moeilijkste technische beperkingen die u tegenkwam bij het bouwen van agents die in minder dan een seconde moeten reageren en tegelijkertijd conversatie-accuraatheid moeten behouden?

Vertraging. Daar gaan de meeste demos dood.

Als een chatbot drie seconden nodig heeft om te reageren, wacht de gebruiker. Als een voice-agent na het finishen van uw zin onhandig pauzeert, is het gesprek al gebroken. Antwoorden moeten binnen 400 milliseconden terugkomen. De meeste platforms kunnen dat niet doen omdat ze meerdere derdepartijdiensten aan elkaar knopen, waarbij elke dienst zijn eigen vertraging toevoegt.

Maar vertraging is slechts een deel ervan. Echte klantgesprekken zijn op manieren rommelig die demos nooit vangen. Mensen onderbreken halverwege een zin. Achtergrondruis valt binnen. Bellers schakelen talen. Verzoeken zijn vaag. De voice-AI die in productie standhoudt, kan onderbrekingen zonder contextverlies verwerken, aanpassen wanneer gesprekken van het script afwijken en doet dit zonder te klinken alsof het aan het bufferen is.

Klanten vergelijken voice-AI niet met andere bots. Ze vergelijken het met praten met een persoon. Dat is de lat.

Er is een groeiende controle over hoe mensklinkende AI-systemen zichzelf tijdens interacties presenteren. Hoe moeten ondernemingen denken over transparantie bij het implementeren van conversational agents die niet van menselijk personeel te onderscheiden zijn?

We geloven sterk in eerlijkheid en transparantie voor de eindgebruiker. Hoewel sommige regelgeving hinderlijk en verstikkend is, is elke vorm van bedrog niet acceptabel. We werken met ondernemingen samen om naadloze ervaringen te ontwikkelen die gebaseerd zijn op vertrouwen met de klant.

Als AI-agents beginnen met het afhandelen van miljoenen gelijktijdige klantinteracties, welke operationele uitdagingen komen het eerst aan de oppervlakte wanneer bedrijven overstappen van pilotimplementaties naar productie-grote rollouts?

Een paar dingen zijn van belang in de praktijk. Het eerste is modulair prompt-architectuur. Monolithische prompts zijn bijna onmogelijk om te debuggen. Wanneer een oproep misgaat, moet u exact kunnen isoleren waar en waarom het gebeurde, in plaats van naar een muur van instructies te staren en proberen te achterhalen welke regel het probleem veroorzaakte.

Volledige zichtbaarheid is net zo belangrijk. Post-oproepsamenvattingen zijn niet genoeg. U hebt real-time zicht nodig in wat de agent doet op elk punt in elke interactie.

Beveiligingshekken zijn ook essentieel, vooral in gereguleerde industrieën. De agent moet binnen het beleid blijven. Dat is geen optie. En als het dat niet doet, moet er een soepele terugval zijn.

Tenslotte is er kennisbeheer. De agent moet toegang hebben tot propriëtaire gegevens zoals producten, beleid en procedures. Het platform moet ook kennislacunes automatisch naar boven brengen zodra ze verschijnen in echte oproepen, niet weken later nadat een klant heeft geklaagd.

Kijkt u vooruit, gelooft u dat enterprise-voice-agents blijven zoals ze zijn, namelijk taakgerichte tools, of zullen ze evolueren tot algemene AI-agents die in staat zijn om hele bedrijfsprocessen autonoom te beheren die via conversatie worden geïnitieerd?

Als ik maar het antwoord had! Ik denk dat voice-agents zullen evolueren over de hele bedrijfstack, maar het is onwaarschijnlijk dat u een heel bedrijf zult zien dat wordt gerund door een voice-agent. Dat gezegd hebbende, ik geloof dat mensen in staat zullen zijn om instant, accurate en meer complete service te krijgen van AI-agents dan ze vandaag krijgen. In feite geloven we dat er meer telefoontjes zullen plaatsvinden wanneer dit gebeurt. Niet minder.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Bland bezoeken.