Kanti Prabha, medeoprichter en directeur Product en Technologie, Sirion – Interviewreeks

Kanti Prabha, medeoprichter en president van Sirion, is een leider op het gebied van enterprise-technologie met meer dan twintig jaar ervaring op het gebied van productontwikkeling, juridische technologie, intellectueel eigendom, bedrijfsvoering en SaaS. Als lid van het oprichtersteam van Sirion heeft ze een centrale rol gespeeld bij het vormgeven van de productvisie, het ontwerp en de ontwikkeling van het bedrijf. Ze bekleedde daarbij verschillende leidinggevende functies, waaronder die van vicepresident Productmanagement en operationeel directeur, voordat ze president werd. Haar expertise omvat het ontwikkelen van B2B-SaaS-producten voor grote ondernemingen, productstrategie en -management, klantensucces, enterpriseverkoop en het opschalen van teams en organisatiecultuur. Eerder in haar carrière was Prabha de eerste werknemer en lid van het oprichtersteam van UnitedLex, waar ze technologiegedreven oplossingen voor juridische afdelingen van bedrijven ontwikkelde en initiatieven op het gebied van intellectueel eigendom beheerde. Daarvoor had ze al ervaring opgedaan met octrooidiensten bij Evalueserve. Ze is ook adviseur bij akirolabs en was eerder adviseur van Clarisights.

Sirion is een bedrijf voor AI-gestuurd beheer van de volledige contractlevenscyclus (CLM) dat ondernemingen helpt contracten te beheren vanaf het opstellen en onderhandelen tot en met de doorlopende prestaties, verplichtingen en realisatie van waarde. Het platform combineert conversationele AI met speciaal ontwikkelde AI-agenten die contractarchieven kunnen centraliseren en structureren, vragen over contractvoorwaarden kunnen beantwoorden, overeenkomsten kunnen opstellen en beoordelen, risico’s kunnen signaleren, wijzigingen kunnen voorstellen en verplichtingen en service level agreements kunnen bewaken. Sirion richt zijn technologie steeds meer op contractbeheer met AI-agenten via het agentOS-platform. Daarmee kunnen organisaties vooraf gebouwde contractagenten inzetten en aangepaste agenten ontwikkelen die zijn gekoppeld aan bedrijfsgegevens en -workflows. Het platform is ontworpen voor grote organisaties die contracten willen omvormen van statische documenten tot gestructureerde, doorzoekbare bronnen van operationele inzichten, met behoud van governance en menselijk toezicht.

Je weg naar de oprichting van Sirion was ongebruikelijk: je studeerde scheikunde, stapte over naar het intellectuele-eigendomsrecht, werkte aan octrooien en begon contracten vervolgens anders te bekijken toen je bij Hewlett-Packard werkte. Wat zag je in die vroege ervaringen waardoor je uiteindelijk overtuigd raakte dat er een kans was om Sirion op te richten? 

Ik ben nooit opgegroeid met het idee dat ik een bedrijf rond contracten zou oprichten. Ik studeerde scheikunde, maar besefte al vrij snel dat ik liever bedrijfsproblemen oploste dan mijn carrière in een laboratorium doorbracht. Uiteindelijk bracht dat me in de wereld van intellectueel eigendom, waar ik aan octrooien werkte en later leiding gaf aan teams die technologische en juridische oplossingen voor grote ondernemingen ontwikkelden.

Het echte keerpunt kwam toen mijn medeoprichter bij Sirion, Ajay, en ik met HP gingen samenwerken. Na een grote overname moesten daar duizenden contracten worden geordend en beheerd. Aanvankelijk zagen we dat als een archiveringsprobleem, maar toen we de contracten nader bekeken, werd duidelijk dat opslag maar een heel klein deel van de kans was. Contracten lieten zien wat een bedrijf had gekocht en verkocht, wat het had beloofd, wat zijn leveranciers hadden beloofd, wat het betaalde, waar risico’s lagen en waar mogelijk waarde verloren ging. Toch was vrijwel geen van die informatie gemakkelijk bruikbaar voor het bedrijf. Dat inzicht vormde de basis voor Sirion. Contracten waren een grotendeels onbenutte bron van bedrijfsinformatie.

Je hebt contracten omschreven als een vorm van ‘vloeibare informatie’ binnen een organisatie. Welke waardevolle informatie zit doorgaans opgesloten in contracten, en hoe kan AI die informatie bruikbaar maken voor teams buiten de juridische afdeling, zoals financiën, inkoop, verkoop en bedrijfsvoering? 

Contracten zijn een van de weinige plekken waar de intenties van een bedrijf daadwerkelijk verplichtingen worden. Ze vertellen je wat je hebt afgesproken te betalen, wat een klant heeft afgesproken te kopen, wanneer prijzen kunnen veranderen, aan welke serviceniveaus moet worden voldaan, wanneer een overeenkomst wordt verlengd, wat er gebeurt als iemand ondermaats presteert en wie welke verplichting heeft. Dat is uiterst waardevolle informatie, maar historisch gezien zat die opgesloten in documenten die de meeste mensen alleen openen wanneer ze iets moeten onderhandelen of wanneer er iets mis is gegaan.

AI brengt daar verandering in, omdat we daarmee ongestructureerde contracttaal kunnen omzetten in informatie die de rest van het bedrijf daadwerkelijk kan gebruiken. Inkoop krijgt inzicht in verplichtingen van leveranciers en prijzen. Financiën kan commerciële verplichtingen en mogelijk waardeverlies inzien. Verkoop krijgt inzicht in verlengingsvoorwaarden en verplichtingen tegenover klanten. Bedrijfsvoering kan nagaan of daadwerkelijk wordt geleverd wat is beloofd.

Dat bedoel ik met contractinformatie vloeibaar maken. In plaats van opgesloten te zitten in een PDF, kan informatie doorstromen naar de besluitvorming en systemen waar ze het hardst nodig is. In plaats van het einde van een transactie te zijn, kan het contract dankzij vloeibare informatie een actieve bron van context worden voor de bedrijfsvoering.

Sirion is geëvolueerd van software voor het beheer van de volledige contractlevenscyclus tot een steeds meer AI-gestuurd platform. Hoe heeft de opkomst van grote taalmodellen veranderd wat technisch mogelijk is met contractgegevens, vergeleken met de machinelearningmethoden die beschikbaar waren toen jullie het bedrijf oprichtten?

Toen we Sirion oprichtten, draaide AI in contractbeheer vooral om het extraheren en classificeren van informatie. Machinelearningmodellen konden erg goed worden in het herkennen van een clausule, datum, partijnaam of verplichting, maar je moest de modellen trainen voor relatief specifieke taken.

Grote taalmodellen hebben de redeneerlaag aanzienlijk uitgebreid. Een systeem kan nu een in natuurlijke taal geformuleerde vraag begrijpen, de context rond een clausule interpreteren, formuleringen vergelijken met het voorkeursstandpunt van een bedrijf, uitleggen waarom iets een risico vormt en voorstellen wat iemand vervolgens moet doen.

Maar ik zie dit niet als een vervanging van alles wat eraan voorafging door grote taalmodellen. Daarvoor zijn contracten te complex. Bij Sirion gebruiken we een aanpak met meerdere modellen, die grote taalmodellen combineert met gespecialiseerde modellen en diepgaande contractintelligentie. Verschillende modellen zijn goed in verschillende dingen. Die combinatie is belangrijk, omdat bedrijven niet zomaar een AI nodig hebben die overtuigende taal kan genereren. Ze hebben precisie nodig. De spannendste verandering is dat we informatie niet langer alleen uit contracten kunnen halen, maar er ook over kunnen redeneren en er in toenemende mate naar kunnen handelen.

Sirion introduceert nu gespecialiseerde AI-agents voor taken als contractgegevens extraheren, kwesties opsporen, wijzigingen voorstellen en zoeken in grote contractarchieven. Hoe ziet u deze agents samenwerken, en in hoeverre zouden bedrijven AI uiteindelijk autonoom moeten laten handelen tijdens het contractproces?           

Ik denk niet dat de toekomst ligt bij één gigantische AI-agent die alles doet. Het opstellen van contracten omvat veel gespecialiseerde taken, die elk een andere context en een ander beoordelingsvermogen vereisen. De ene agent kan bijvoorbeeld voorwaarden uit duizenden overeenkomsten halen. Een andere spoort formuleringen op die afwijken van het beleid. Vervolgens kan een agent voor contractwijzigingen een nauwkeurige aanpassing voorstellen op basis van het onderhandelingshandboek van het bedrijf. De echte kracht ontstaat wanneer die agents kunnen samenwerken aan een bepaald resultaat, in plaats van de gebruiker te dwingen elke afzonderlijke stap zelf te beheren.

Iemand zou bijvoorbeeld kunnen vragen: ‘Kunnen we deze leveranciersovereenkomst accepteren?’ Het systeem moet dan de meest relevante voorwaarden kunnen identificeren, deze vergelijken met het beleid, de knelpunten aan het licht brengen, precedenten vinden en wijzigingen aanbevelen, en daarbij steeds uitleggen wat het heeft gedaan en waarom.

Waar de autonomie ophoudt, moet afhangen van het risico. Ik vind het prima als AI zelfstandig veel repetitieve, op regels gebaseerde handelingen uitvoert. Maar voor een nieuwe aansprakelijkheidsbepaling of een onderhandeling van strategisch belang kan menselijk beoordelingsvermogen nodig zijn. Het uiteindelijke doel van autonomie moet zijn onnodig werk weg te nemen en tegelijkertijd menselijke controle te behouden waar verantwoordelijkheid en relaties ertoe doen.

Contracten kunnen enkele van de commercieel en juridisch gevoeligste gegevens van een bedrijf bevatten. U hebt gezegd dat Sirion een productlancering liever uitstelt dan concessies te doen aan de beveiliging. Nu generatieve AI steeds dieper wordt geïntegreerd in bedrijfsprocessen, welke concessies op het gebied van beveiliging of privacy baren u de meeste zorgen?

Contracten kunnen prijsinformatie, intellectueel eigendom, personeelsgegevens, informatie over overnames, strategische toezeggingen en uiterst gevoelige informatie over klanten en leveranciers bevatten. Bedrijven moeten precies weten waar die informatie naartoe gaat wanneer een AI-systeem ermee aan de slag gaat, hoe ze wordt verwerkt, wie er toegang toe heeft en of ze wordt gebruikt om een ander model te trainen.

Er is momenteel enorme druk om AI-functies snel uit te brengen, maar de concessie die mij het meest zorgen baart, is bedrijfsgegevens behandelen alsof het gewoon trainingsmateriaal is. Ik begrijp die druk, maar bedrijfs-AI kan niet worden gebouwd op basis van ‘dat regelen we later wel’. Beveiliging moet vanaf het begin onderdeel zijn van de architectuur.

Dat betekent strenge toegangscontroles, versleuteling, controleerbaarheid, duidelijke grenzen voor gegevens en zeer weloverwogen keuzes over het gebruik van modellen van derden. Bij Sirion hebben we zeker beslissingen genomen waarbij beveiliging ons heeft vertraagd, en ik vind die afweging acceptabel. In bedrijfssoftware, zeker wanneer je met contracten werkt, kost het jaren om vertrouwen op te bouwen en kan één ondoordachte beslissing dat vertrouwen schaden.

Een hardnekkig probleem met generatieve AI is dat een antwoord gezaghebbend kan klinken, zelfs wanneer het onjuist is. Hoe ontwerp je AI-systemen die gebruikers kunnen controleren en vertrouwen, als een subtiele fout in contractintelligentie financiële of juridische gevolgen kan hebben? 

Dit is een van de belangrijkste verschillen tussen AI voor consumenten en AI voor bedrijven. Als ik een AI-assistent om een restaurantaanbeveling vraag en die blijkt niet te kloppen, zijn de gevolgen beperkt. Maar als een juridisch team vraagt of 5.000 leverancierscontracten een bepaald opzeggingsrecht bevatten en het systeem er vol vertrouwen 200 over het hoofd ziet, is dat een heel ander probleem.

We ontwerpen onze systemen met controleerbaarheid als uitgangspunt. Als de AI je iets over een contract vertelt, moet je kunnen nagaan op welke onderliggende formulering dat antwoord is gebaseerd. Als de AI een contractwijziging aanbeveelt, moet je kunnen begrijpen welk beleid of welk standpunt uit het onderhandelingshandboek aan die aanbeveling ten grondslag ligt. Uitlegbaarheid is essentieel voor de acceptatie, omdat vertrouwen ontstaat wanneer je AI kunt controleren.

Sirion benadrukt dat AI-antwoorden gebaseerd moeten zijn op de eigen contracten en precedenten van een organisatie, in plaats van uitsluitend te vertrouwen op modellen voor algemene doeleinden. Denkt u dat de volgende grote fase van enterprise-AI steeds meer zal worden aangedreven door systemen die foundationmodellen combineren met zeer gespecialiseerde, bedrijfseigen gegevens?

Absoluut. Foundationmodellen zijn buitengewoon krachtig, maar weten niet hoe uw bedrijf in de praktijk werkt. Ze weten niet vanzelf welke concessies uw juridische team vorig jaar heeft goedgekeurd, hoe u de prijzen voor een strategische klant bepaalt, welke leveranciers herhaaldelijk hun serviceniveaus niet halen of wanneer uw organisatie een kwestie moet escaleren. Die context maakt enterprise-AI pas echt nuttig.

Combineer de waardevolle vastlegging van beslissingen en toezeggingen tussen organisaties in contracten met unieke bedrijfsbeleidsregels, onderhandelingsrichtlijnen, historische overeenkomsten en operationele gegevens, en een AI-systeem kan de stap zetten van een algemeen antwoord naar een antwoord dat weerspiegelt hoe uw bedrijf werkt. Ik denk dat het concurrentievoordeel op het gebied van enterprise-AI steeds meer uit deze context zal voortkomen, omdat de meeste ondernemingen al toegang hebben tot vergelijkbare foundationmodellen. Het onderscheid zal zitten in hoe doeltreffend ze die modellen kunnen koppelen aan betrouwbare bedrijfseigen informatie en ze voldoende context kunnen bieden om nauwkeurig te redeneren zonder de beveiliging in gevaar te brengen.

U bouwt al meer dan tien jaar aan Sirion en hebt functies bekleed op het gebied van productontwikkeling, bedrijfsvoering en de leiding van het bedrijf. Wat hebt u geleerd over het opschalen van enterprise-AI-software dat u in de eerste jaren van het bedrijf nog niet had kunnen begrijpen?

Een van de dingen die ik heb geleerd, is dat de technologie bouwen soms het makkelijkste deel is. De wrijving ontstaat wanneer je de manier waarop een grote organisatie werkt begint te veranderen. In de beginjaren richt je je vanzelfsprekend op de vraag of het product het probleem kan oplossen. Op de schaal van een onderneming besef je dat een technisch uitstekend antwoord alleen nuttig is als mensen erop vertrouwen, het in hun bestaande werkprocessen past en het de enorme complexiteit van een wereldwijde organisatie aankan.

AI maakt die les nog belangrijker. Tegenwoordig kun je heel snel een indrukwekkende demo bouwen. Iets ontwikkelen waaraan een onderneming miljoenen gegevenspunten en werkprocessen durft toe te vertrouwen, is iets heel anders.

Nu AI het mogelijk maakt om verplichtingen, risico’s, prijsvoorwaarden, verlengingen en prestaties in duizenden overeenkomsten voortdurend te analyseren, zouden contracten uiteindelijk een realtime operationele gegevenslaag voor de onderneming kunnen worden, in plaats van documenten die vooral worden geraadpleegd wanneer er iets misgaat?

Ik denk dat we precies die kant op gaan. Lange tijd werd het contract gezien als de eindstreep. Iedereen onderhandelt, ondertekent, viert feest en vervolgens wordt het document opgeslagen in een archief. Zes maanden later opent iemand het weer vanwege een geschil, een verlenging of een vraag over wat er is beloofd. Dat model is niet logisch wanneer AI voortdurend kan begrijpen wat er binnen het volledige contractportfolio gebeurt.

Stel je in een ideale wereld voor dat je weet dat een leverancier een SLA niet heeft gehaald voordat de volgende factuur wordt goedgekeurd, of dat je ziet dat een prijsaanpassing drie maanden geleden al had moeten plaatsvinden. Stel je voor dat een verkoopteam een melding krijgt over een naderende verlenging, samen met de afspraken die met de klant zijn onderhandeld, of dat de financiële afdeling de commerciële verplichtingen rechtstreeks in haar systemen terugziet.

Contracten bepalen de relaties tussen bedrijven. Daarom moeten contractgegevens worden gekoppeld aan de systemen waarin die relaties daadwerkelijk worden beheerd. Ik denk dat contracten steeds meer een operationele gegevenslaag zullen worden die ondernemingen helpt niet alleen te begrijpen wat ze zijn overeengekomen, maar ook of die afspraken de waarde opleveren die iedereen ervan verwachtte.

Hoe denkt u dat contractbeheer eruit zal zien wanneer AI-agenten aanzienlijk capabeler worden? Zal de traditionele categorie voor contractlevenscyclusbeheer uiteindelijk opgaan in een bredere laag voor bedrijfsintelligentie, en welke rol ziet u voor Sirion in die overgang? 

Ik hoop dat de grenzen van CLM na verloop van tijd veel minder zichtbaar worden. Tegenwoordig denken gebruikers nog steeds in stappen: ik moet een contract opstellen, het beoordelen, goedkeuring krijgen, het ondertekenen, opslaan en vervolgens beheren. Naarmate agenten capabeler worden, zouden mensen niet al die systemen en werkprocessen zelf hoeven aan te sturen. Ze zouden hun intentie moeten kunnen aangeven en gespecialiseerde agenten een groot deel van het werk daarachter moeten kunnen laten uitvoeren.

Maar de grootste verandering vindt plaats na de ondertekening. Als AI elke verplichting, commerciële voorwaarde, elk risico en elke relatie in miljoenen overeenkomsten kan begrijpen, wordt contractuele intelligentie ook buiten de juridische afdeling bruikbaar. Dat vind ik het spannende: contracten worden eindelijk iets waar iedereen mee te maken heeft.

Ik denk dus niet dat contracten verdwijnen. Integendeel. Ze worden belangrijker omdat ze enterprise-AI betrouwbare context bieden. Sirion wil die inzichten bruikbaar maken op elke plek waar werk wordt gedaan. CLM zal uiteindelijk misschien minder aanvoelen als een op zichzelf staande bestemming en meer als een laag voor intelligentie en uitvoering, die de toezeggingen van een bedrijf verbindt met de acties die het dagelijks onderneemt.

Bedankt voor het fijne interview. Lezers die meer willen weten, kunnen terecht bij Sirion.