Sandeep Menon, CEO & Co-Founder bij Auxia – Interviewreeks

Sandeep Menon, CEO & Co-Founder bij Auxia, brengt meer dan twee decennia aan wereldwijde technologische en marketingleiderschap met zich mee. Voordat hij Auxia in 2022 lanceerde, werkte hij meer dan negen jaar bij Google (GOOGL ), waar hij Vice President of Marketing voor Payments was en initiatieven leidde zoals het Next Billion Users-programma, gericht op digitale inclusie in opkomende markten. Hij had ook senior marketingleiderschapsrollen bij Android, Chrome, ChromeOS en Google Play.

Auxia is een AI-gedreven marketingplatform dat ondernemingenteams in staat stelt om gepersonaliseerde, 1:1-klantreizen op grote schaal te orkestreren. In plaats van te vertrouwen op starre, regelgebaseerde campagnes, laat Auxia AI-agents hypotheses testen over alle touchpoints – e-mail, web, app, aanbiedingen – en dynamisch aanpassen aan realtimevoorkeuren en gedrag. Het integreert naadloos met eerste partijgegevensbronnen, automateert ML-pijpleidingen en optimaliseert continu berichtgeving, timing en volgorde om betrokkenheid en levensduurwaarde te maximaliseren.

U hebt Auxia opgericht na een succesvolle carrière bij Google, waar u wereldwijde marketing leidde voor producten die door miljarden mensen worden gebruikt. Wat was de specifieke kloof of pijnplek die u en uw mede-oprichters in de markt zagen, waardoor Auxia ontstond?

Bij Google zag ik met eigen ogen hoe krachtig echte personalisatie kan zijn wanneer je de juiste infrastructuur en AI-mogelijkheden hebt. Maar toen ik naar de bredere markt keek, zag ik bedrijven worstelen met gefragmenteerde marketingstacks, waarbij ze vaak 12 tot 14 verschillende point-oplossingen beheerden die niet met elkaar communiceerden. Ze verzamelden enorme hoeveelheden klantgegevens, maar konden die niet vertalen in betekenisvolle, realtime-personalisatie.

De fundamentele kloof was dat bestaande platforms waren gebouwd voor de pre-AI-tijdperk. Ze vertrouwden op statische regels en basissegmentatie, terwijl bedrijven in feite intelligente, adaptieve systemen nodig hadden die in realtime beslissingen over elke klantinteractie konden nemen. We zagen een kans om hetzelfde niveau van AI-gedreven personalisatie dat bedrijven als Google en Meta aandrijft, beschikbaar te maken voor bedrijven van alle maten, zonder dat ze grote interne datascienceteams hoeven op te bouwen.

Auxia’s oprichtingsteam omvat voormalige leiders van Google, Meta en Lyft. Hoe hebben jullie collectieve ervaringen bij deze technologiebedrijven de architectuur en ethos van Auxia gevormd?

We hebben allemaal de uitdagingen van personalisatie op grote schaal meegemaakt. Binnen het Google Pay-team hadden we een bevoorrechte positie omdat we vroeg toegang hadden tot transformatieve technologieën in hun kinderschoenen, met transformermodellen als een voorbeeld. Mijn mede-oprichters, die van Meta en Lyft kwamen, bouwden systemen die baanbrekende manieren vonden om de enorme hoeveelheden klantgegevens die beschikbaar waren, dramatisch nuttiger te maken, zoals het aandrijven van realtime-aanbevelingen en beslissingen voor miljoenen gebruikers per seconde.

We zagen allemaal met eigen ogen hoe AI de klantervaringen aanzienlijk kon verbeteren, evenals enkele van de grootste uitdagingen die onze marketingteams tegenkwamen. Tegelijkertijd veranderde de bredere markt op een manier die dit soort werk mogelijk maakte buiten Google. Met de opkomst van de moderne datastack en platforms zoals Snowflake, BigQuery en Databricks, hadden ondernemingen de afgelopen 5-10 jaar hun gegevens geconsolideerd in één centraal punt, klaar voor activering.

We erkenden een unieke kans om de kennis die we binnen Google hadden ontwikkeld, te democratiseren voor ondernemingen overal. Deze bedrijven werden net wakker met de realisatie dat ze op een berg waardevolle gegevens zaten en dat, met de juiste technologie, deze konden worden ontgrendeld om groei en betere klantbetrokkenheid te stimuleren.

De meeste personalisatiehulpmiddelen vertrouwen op regelgebaseerde systemen en eenvoudige segmenten. Auxia gebruikt daarentegen gesynchroniseerde AI-agents. Kunt u ons door het proces leiden van hoe deze agents samenwerken en evolueren in de loop van de tijd om elke klantreis te personaliseren?

De meeste tools op de markt vertrouwen nog steeds op starre regels en statische segmenten; ze zijn reactief, niet intelligent. Bij Auxia hebben we een systeem van gesynchroniseerde AI-agents gebouwd die samenwerken om elke touchpoint in de klantreis in realtime te personaliseren.

Elke agent speelt een gespecialiseerde rol. Beslissingsagents bepalen de beste actie voor een gebruiker op basis van al zijn of haar eerdere gegevens en voorkeuren; bijvoorbeeld of een klant moet worden omgezet naar een nieuwe creditcard of moet worden aangemoedigd om een nieuwe spaarrekening te openen. Analyse-agents fungeren als een ingebouwd datascienceteam, dat analyseert wat goed werkte in huidige campagnes om impact te benadrukken, maar ook kansen voor verbetering in een chat-gebaseerde interface. Ten slotte gebruiken Auxia’s Content-agents alle gegevens en inzichten over wat het beste werkte om proactief nieuwe berichtgeving of creatieve variaties voor marketingteams te laten zien.

Wat deze agents krachtig maakt, is dat ze niet in silo’s opereren. Ze werken continu samen, leren van elke interactie en passen zich aan op basis van wat werkt. Marketeers stellen hoogwaardige doelen, en de agents behandelen de complexiteit. Ze zijn zelfoptimaliserende systemen die dagelijks evolueren om betere resultaten op grote schaal te behalen.

Auxia verwerkt 2,6 miljard gebeurtenissen per dag en verwerkt 6.500 queries per seconde. Wat waren de infrastructuurinnovaties die deze soort realtime-schaalbaarheid mogelijk maakten, zo vroeg in het leven van het bedrijf?

Vanaf de eerste dag wisten we dat schaal geen onderhandelbare factor kon zijn. Hyperpersonalisatie werkt alleen als je in milliseconden beslissingen kunt nemen, met verse, contextuele signalen. We hebben veel van deze lessen geleerd uit onze tijd bij Google en het heeft meer dan een jaar geduurd om de infrastructuur te bouwen om dat niveau van realtime-orkestratie te ondersteunen.

Onze architectuur is cloud-natief, gebeurtenisgestuurd en geoptimaliseerd voor hoge doorvoer, zodat we op de schouders van technologiegolven uit het verleden staan, zoals de overstap naar de moderne datastack. De manier waarop het marketingtechnologielandschap is geëvolueerd naar open ecosystemen, heeft ons in staat gesteld om veel sneller te bewegen, waardoor we rechtstreeks kunnen integreren met moderne cloudgegevensopslag, CRM’s en andere marketingplatforms. Dit heeft ons in staat gesteld om te bouwen voor schaal vanaf de eerste dag en ook heeft het ons geholpen om te vertrouwen op infrastructuur die enorme volumes van eerste partijklantensignalen kan verwerken zonder latentie in te voeren.

Wat ons ook onderscheidt, is dat we AI-natief zijn vanaf het begin. We hebben Auxia ontworpen om grote schaalexperimenten te ondersteunen, met duizenden gelijktijdige hypotheses en continue optimalisatie van resultaten zonder menselijke tussenkomst, maar we gebruiken ook de nieuwste technologie in de industrie voor functieaanmaak, modelimplementatie en LLM-afleiding.

Hoe verschilt Auxia’s model-experimentenframework van traditionele A/B-testing, en wat zijn de meest verrassende inzichten die zijn ontdekt met uw ML-gedreven benadering?

Traditioneel A/B-testen is enorm beperkend; u kunt alleen een paar varianten tegelijk testen en het duurt vaak weken of maanden om statistisch significante resultaten te behalen. Bij Auxia hebben we experimenten opnieuw bedacht als een continu, intelligent proces. Ons modelgedreven framework stelt marketeers in staat om veel verschillende zelfoptimaliserende modellen en honderden varianten in parallel te testen. Met behulp van technieken zoals versterkingsleren, neemt Auxia’s beslissingsysteem realtime-beslissingen op basis van live-gegevens.

Neem bijvoorbeeld een promotiecampagne voor aanbiedingen en beloningen via e-mail. Vroeger zouden marketeers mogelijk 2-3 verschillende aanbiedingsvarianten testen, zoals 5% korting, 10% korting en 20% korting, het publiek in onderling exclusieve groepen verdelen, lanceren en de resultaten vergelijken over een reeks metrieken om te zien welke variant het beste werkte, gemiddeld, voor de hele groep. Die winnende variant zou dan na de experimentperiode aan iedereen worden geïmplementeerd. Er zijn een paar uitdagingen met deze benadering. Ten eerste mislukken de meeste experimenten, dus het duurt vaak weken of maanden om te ontdekken wat werkt. Bovendien zijn ze super handmatig en tijdrovend om in te stellen, wat de snelheid van uw team beperkt en hoe snel u impact kunt leveren.

Met Auxia stellen marketeers eerst een hoogwaardig doel, zoals het stimuleren van aankopen. Vervolgens stellen uw team honderden verschillende varianten in het systeem in, die een team dynamisch kan genereren met onze Content Agent, uit uw CMS kan opnemen of handmatig kan definiëren. Elke variant zou verschillen in termen van aanbiedingsconstructie (bijv. 5% korting vs. BOGO), bedrag, inhoud en mogelijk zelfs kanaal (bijv. e-mail vs. SMS). Voor elke individuele gebruiker zal Auxia’s Decision Agent alle honderden beschikbare varianten rangschikken, scoren en voorspellen, om het optimale variant voor elke persoon te bepalen om uw kernobjectief te stimuleren.

Auxia’s platform is ontworpen om de afhankelijkheid van grote interne datascienceteams weg te nemen. Hebt u traditionele marketingteams met succes meer technische rollen zien innemen met uw tools?

Een van de belangrijkste redenen waarom we Auxia zijn gestart, was om marketingteams in staat te stellen hun marketing- en productervaringen te personaliseren zonder te vertrouwen op ingenieurs of datascientisten. Binnen enkele weken na onboarding kunnen marketeers die Auxia gebruiken, nieuwe campagnes lanceren, gegevens ophalen en resultaten interpreteren, helemaal op zichzelf. Naarmate de wereld naar een meer agentische toekomst gaat, geloven we dat marketeers niet technischer hoeven te worden of nieuwe technische vaardigheden hoeven te ontwikkelen. In plaats daarvan zullen de verantwoordelijkheden die traditioneel door ingenieurs of analisten worden behandeld, worden gedemocratiseerd via intelligente agents die het workflow van de marketeer en de algehele ervaring versterken. Met onze Analyst Agent hebben we al veel van die complexiteit van traditioneel datascientist/analistenwerk geabstraheerd en we zijn enthousiast om die mogelijkheden verder te ontwikkelen.

Als iemand die marketing leidde voor het Next Billion Users-initiatief bij Google, wat zijn de parallellen die u ziet tussen inclusieve technologieadoptie en agentische AI in marketing vandaag?

Toen ik marketing leidde voor het Next Billion Users-initiatief bij Google, erkenden we dat mensen in opkomende markten op fundamenteel andere manieren met producten omgingen dan gebruikers in ontwikkelde markten. Omdat dit zo’n enorme groeikans vertegenwoordigde, werd het essentieel om specifiek voor die gebruikers te bouwen – interfaces te vereenvoudigen, complexiteit af te schermen en ervoor te zorgen dat de ervaring toegankelijk en empowerment was.

Ik zie een heel vergelijkbare trend zich ontvouwen met agentische AI in marketing. Net zoals veel van die nieuwe internetgebruikers rechtstreeks naar mobiele ervaringen zijn overgestapt zonder eerst digitale geletterdheid te hebben, hoeven marketeers vandaag niet terug te gaan en SQL of datascience te leren om personalisatie te ontgrendelen. Agents overbruggen die vaardigheidskloven en maken geavanceerde mogelijkheden onmiddellijk bruikbaar. Tegelijkertijd dwingt de manier waarop mensen met AI omgaan – verdergaand dan chat-gebaseerde interfaces naar meer intuïtieve, contextuele agents – ontwikkelaars ertoe de UI van de toekomst te heroverwegen. De focus, net als bij NBUs, ligt op toegankelijkheid, eenvoud en empowerment: het technische complexiteit weghalen, zodat de eindervaring natuurlijk en effectief aanvoelt.

Wat is de grootste misvatting die bedrijven hebben over AI-personalisatie vandaag, en hoe helpt u hen deze misvatting te overwinnen?

De grootste misvatting die bedrijven hebben over AI-personalisatie is dat het adopteren ervan betekent dat ze volledige controle opgeven of de strategische impact van marketingteams verkleinen. AI blinkt uit in het verwerken van complexiteit, zoals het analyseren van enorme datasets, het opsporen van patronen die mensen niet kunnen zien en het naar voren brengen van signalen die ertoe doen in realtime. Wat het niet kan doen, is context, empathie en strategisch oordeel bieden dat nodig is om betekenisvolle klantervaringen te ontwerpen. Dat is waar mensen uitblinken: visie stellen, merkrichtlijnen definiëren en begrijpen wanneer een personalisatiekeuze ongepast of niet in overeenstemming met het merk kan aanvoelen.

Als we eerlijk zijn, kunnen mensen met behulp van de huidige technologie effectief zijn zonder AI, maar AI kan niet effectief zijn zonder mensen. De echte doorbraak komt wanneer u uw teams versterkt met AI om de schaal en complexiteit van datagedreven besluitvorming aan te pakken, terwijl u teams in staat stelt om zich te concentreren op strategie, creativiteit en empathie. Dat is wanneer personalisatie verandert van een buzzwoord in iets dat echt waarde creëert voor zowel klanten als het bedrijf.

Met steun van meer dan 50 industrieleiders en een financiering van 23,5 miljoen dollar, wat zijn de belangrijkste gebieden die u prioriteert voor de komende 12-18 maanden van product- en teamgroei?

We zijn drie gebieden van groei aan het prioriteren voor de komende 12-18 maanden. Ten eerste zijn we toegewijd om uitzonderlijke waarde te bieden aan onze klanten door hun ervaring voortdurend te verhogen. Dit is altijd een topprioriteit geweest voor ons team en we willen ervoor zorgen dat we uitzonderlijke ROI bieden aan alle bedrijven die hun vertrouwen in ons en ons team hebben gesteld. Ten tweede breiden we de mogelijkheden van onze AI-agents uit om de volledige marketeerworkflow te ondersteunen, waardoor teams content kunnen maken, gepersonaliseerde ervaringen kunnen orkestreren en actiegerichte inzichten kunnen naar voren brengen over wat impact draagt. Ten slotte schalen we onze go-to-marktengine. Met een sterke product-marktfit in het bedrijfsleven is de volgende stap om onze bereik te vergroten door onze verkoop- en klantensuccessteams uit te breiden. Dit stelt ons in staat om AI-gedreven personalisatie naar meer bedrijven te brengen, terwijl we ervoor zorgen dat nieuwe klanten profiteren van dezelfde hoge ondersteuning en onderscheidende ervaring die onze vroege succes heeft aangedreven.

Wat boeit u het meest aan de volgende frontier van agentische AI, niet alleen in marketing, maar ook in andere bedrijfstoepassingen?

Wat me echt boeit, is het zien van de adoptiegraad, het zien dat die adoptie echt impact heeft en het zien van de markt die erkent dat de werkelijke waarde van agentische AI ligt in augmentatie, niet noodzakelijkerwijs vervanging. Te veel gesprekken vandaag focussen op AI als vervanging voor menselijke rollen, zoals alle billboardreclames die u op de 101 naar San Francisco ziet over bedrijven die SDR’s (of zelfs hele functies) vervangen. Dat verhaal zal koppen halen, maar voor mij mist het de grotere kans: mensen in staat stellen om hun beste werk te doen.

Mensen brengen context, empathie, creativiteit en oordeel met zich mee die AI eenvoudigweg niet kan repliceren. Waar agentische AI uitblinkt, is in het aanpakken van de complexiteit en schaal die teams ophoudt. We hebben het veel gehad over de toepasbaarheid op marketingworkflows, zoals het naar voren brengen van inzichten uit enorme datasets, het automatiseren van repetitieve taken en het orkestreren van processen over systemen in realtime. Wanneer die mogelijkheden worden gecombineerd met menselijke sterke punten, is het resultaat een stapverandering in wat organisaties kunnen bereiken.

In marketing betekent dit dat teams worden bevrijd van eindeloze uitvoering, zodat ze zich kunnen concentreren op strategie, verhalen vertellen en klantempathie. Maar dit patroon geldt voor alle functies in het bedrijf: in verkoop kunnen agents kansen kwalificeren en voorbereiden, zodat mensen meer tijd kunnen besteden aan het opbouwen van relaties; in klantensucces kunnen agents risico- en kansen signalen naar voren brengen, zodat mensen partnerships kunnen verdiepen; in engineering kunnen agents ontwikkeling versnellen door het automatiseren van tests, debugging en codegeneratie, zodat teams zich kunnen concentreren op het oplossen van complexe architectuurproblemen en innovatie.

Al deze kansen zullen triljoenen dollars aan waarde creëren en ik hou van het zien van de bedrijven die de enveloppen duwen om te bepalen hoe het werk dat mensen doen in de loop van de tijd zal evolueren.

Stel uzelf voor dat financiële teams AI-agents hebben die begrotingen in realtime optimaliseren, HR-teams die agents gebruiken om medewerkerbetrokkenheid te personaliseren, of klantondersteuningsagents die van reactief naar proactief gaan.

We zijn net begonnen. De toekomst gaat niet over AI die mensen vervangt, maar over mensen en AI-agents die samenwerken om beslissingen te nemen die sneller, slimmer en empathischer zijn. Dat is de toekomst die we bij Auxia bouwen.

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