Kanti Prabha, medgründer og produkt- og teknologidirektør i Sirion – intervjuserie

Kanti Prabha, medgründer og president i Sirion, er en leder innen bedriftsteknologi med over to tiårs erfaring innen produktutvikling, juridisk teknologi, immaterielle rettigheter, drift og SaaS. Som medlem av Sirions grunnleggerteam har hun spilt en sentral rolle i utformingen av selskapets produktvisjon, design og utvikling. Hun har hatt lederstillinger, blant annet som visepresident for produktledelse og driftsdirektør, før hun ble president. Hun har ekspertise innen utvikling av B2B SaaS-produkter for bedriftsmarkedet, produktstrategi og -ledelse, kundeoppfølging, bedriftssalg samt oppskalering av team og organisasjonskultur. Tidligere i karrieren var Prabha den første ansatte og medlem av grunnleggerteamet i UnitedLex, der hun utviklet teknologidrevne løsninger for juridiske avdelinger i selskaper og ledet initiativer knyttet til immaterielle rettigheter. Dette fulgte etter tidligere erfaring med patenttjenester hos Evalueserve. Hun er også rådgiver for akirolabs og har tidligere vært rådgiver for Clarisights.

Sirion er et AI-drevet selskap innen kontraktslivssyklusstyring (CLM) som hjelper bedrifter med å håndtere kontrakter fra utarbeidelse og forhandling til løpende oppfølging av resultater, forpliktelser og verdirealisering. Plattformen kombinerer samtalebasert AI med spesialutviklede AI-agenter som kan samle og strukturere kontraktsarkiver, svare på spørsmål om kontraktsvilkår, utarbeide og gjennomgå avtaler, identifisere risikoer, foreslå endringer og overvåke forpliktelser og tjenestenivåavtaler. Sirion retter i stadig større grad teknologien sin inn mot agentbasert kontraktsarbeid gjennom agentOS-plattformen, som gjør det mulig for organisasjoner å ta i bruk ferdigbygde kontraktsagenter og utvikle skreddersydde agenter koblet til bedriftsdata og arbeidsflyter. Plattformen er utviklet for store organisasjoner som ønsker å gjøre kontrakter om fra statiske dokumenter til strukturerte, søkbare kilder til operasjonell innsikt, samtidig som styring og menneskelig tilsyn ivaretas.

Veien din til å grunnlegge Sirion var uvanlig: Du studerte kjemi, gikk over til immaterialrett, jobbet med patenter og begynte deretter å se annerledes på kontrakter mens du jobbet med Hewlett-Packard. Hva var det du oppdaget i disse tidlige erfaringene som til slutt overbeviste deg om at det lå en mulighet i å starte Sirion? 

Jeg vokste ikke opp med en tanke om at jeg skulle starte et selskap med kontrakter som omdreiningspunkt. Jeg studerte kjemi, men innså ganske raskt at jeg var mer interessert i å løse forretningsproblemer enn i å tilbringe karrieren på et laboratorium. Det førte meg etter hvert inn i arbeidet med immaterielle rettigheter, der jeg jobbet med patenter og senere ledet team som utviklet teknologiske og juridiske løsninger for store bedrifter.

Det virkelige vendepunktet kom da Sirion-medgründeren min Ajay og jeg begynte å jobbe med HP. Selskapet hadde tusenvis av kontrakter som måtte organiseres og håndteres etter et stort oppkjøp. Først så vi på det som et arkivproblem, men da vi begynte å undersøke kontraktene nærmere, ble det tydelig at lagring bare utgjorde en liten del av mulighetene. Kontraktene fortalte hva et selskap hadde kjøpt, hva det hadde solgt, hva det hadde lovet, hva leverandørene hadde lovet, hva det betalte, hvor det var risiko, og hvor verdier potensielt gikk tapt. Likevel var nesten ingen av disse opplysningene enkle for virksomheten å bruke. Det var denne innsikten som lå bak Sirion. Kontrakter var en i stor grad uutnyttet kilde til forretningsinnsikt.

Du har beskrevet kontrakter som en form for «flytende intelligens» i en organisasjon. Hvilken verdifull informasjon er vanligvis fanget i kontrakter, og hvordan kan AI gjøre denne informasjonen nyttig for team utenfor juridisk avdeling, blant annet innen økonomi, innkjøp, salg og drift? 

Kontrakter er et av de få stedene der et selskaps intensjoner faktisk blir til forpliktelser. De forteller hva selskapet har gått med på å betale, hva en kunde har gått med på å kjøpe, når prisene kan endres, hvilke tjenestenivåer som må oppfylles, når en avtale fornyes, hva som skjer hvis noen ikke leverer som avtalt, og hvem som har ansvar for hvilke forpliktelser. Dette er svært verdifull informasjon, men historisk sett har den vært fanget i dokumenter som folk flest bare åpner når de skal forhandle om noe, eller når noe har gått galt.

AI endrer dette fordi teknologien gjør det mulig å gjøre ustrukturert kontraktsspråk om til informasjon som resten av virksomheten faktisk kan bruke. Innkjøpsavdelingen kan få oversikt over leverandørforpliktelser og priser. Økonomiavdelingen kan se kommersielle forpliktelser og potensielle inntektstap. Salgsavdelingen kan få oversikt over fornyelsesvilkår og kundeløfter. Driftsavdelingen kan følge med på om det som er lovet, faktisk blir levert.

Det er dette jeg mener med å gjøre kontraktsinnsikt flytende. I stedet for at informasjonen blir liggende i en PDF, kan den inngå i beslutningene og systemene der det er størst behov for den. I stedet for at kontrakten markerer slutten på en transaksjon, gjør flytende innsikt den til en aktiv kilde til kontekst for hvordan en virksomhet drives.

Sirion har utviklet seg fra programvare for kontraktslivssyklusstyring til en stadig mer AI-drevet plattform. Hvordan har fremveksten av store språkmodeller endret hva som er teknisk mulig med kontraktsdata, sammenlignet med maskinlæringstilnærmingene som var tilgjengelige da dere startet selskapet?

Da vi startet Sirion, handlet kunstig intelligens innen kontraktshåndtering først og fremst om uttrekk og klassifisering. Maskinlæring kunne bli svært god til å identifisere en klausul, en dato, et partsnavn eller en forpliktelse, men modellene måtte trenes for relativt spesifikke oppgaver.

Store språkmodeller utvidet mulighetene for resonnering dramatisk. Nå kan et system forstå et spørsmål formulert i naturlig språk, tolke sammenhengen rundt en klausul, sammenligne ordlyden med selskapets foretrukne standpunkt, forklare hvorfor noe utgjør en risiko og foreslå hva man bør gjøre videre.

Men jeg ser ikke på dette som at store språkmodeller erstatter alt som kom før dem. Kontrakter er for komplekse til det. I Sirion bruker vi en tilnærming med flere modeller, der store språkmodeller kombineres med spesialiserte modeller og inngående kontraktsforståelse. Ulike modeller er gode på ulike ting. Denne kombinasjonen er viktig fordi bedrifter ikke bare trenger kunstig intelligens som kan generere overbevisende tekst. De trenger presisjon. Den mest spennende endringen er at vi kan gå fra å hente ut informasjon fra kontrakter til å resonnere ut fra denne informasjonen og, i stadig større grad, handle på den.

Sirion introduserer nå spesialiserte AI-agenter for oppgaver som kontraktsuttrekk, problemdeteksjon, endringsforslag og søk i store kontraktsarkiver. Hvordan ser du for deg at disse agentene skal samarbeide, og hvor langt bør bedrifter i siste instans la kunstig intelligens handle autonomt i kontraktsprosessen?           

Jeg tror ikke framtiden ligger i én gigantisk AI-agent som gjør alt. Kontraktsutvikling omfatter mange spesialiserte oppgaver, og hver av dem krever ulik kontekst og ulik grad av skjønn. Én agent kan hente ut vilkår fra tusenvis av avtaler. En annen identifiserer formuleringer som avviker fra retningslinjene. Deretter kan en agent for endringsforslag anbefale en presis endring basert på selskapets forhandlingsmanual. Den virkelige styrken oppstår når agentene kan samarbeide om et resultat, i stedet for å tvinge brukeren til å håndtere hvert enkelt trinn.

Noen kan for eksempel spørre: «Kan vi godta denne leverandøravtalen?» Systemet bør kunne identifisere de mest relevante vilkårene, sammenligne dem med retningslinjene, synliggjøre problemene, finne tidligere eksempler og anbefale endringer, samtidig som det forklarer hva det gjorde, og hvorfor.

Hvor grensen for autonomi går, bør avhenge av risikoen. Jeg er komfortabel med at kunstig intelligens på egen hånd håndterer mange gjentakende, regelbaserte oppgaver. Men en ny type ansvarsbestemmelse eller en strategisk viktig forhandling kan kreve menneskelig skjønn. Målet med autonomi bør være å fjerne unødvendig arbeid, samtidig som mennesker beholder kontrollen der ansvar og relasjoner er viktige.

Kontrakter kan inneholde noen av et selskaps mest kommersielt og juridisk sensitive opplysninger. Du har sagt at Sirion heller vil utsette en produktlansering enn å gå på kompromiss med sikkerheten. Etter hvert som generativ kunstig intelligens blir stadig mer integrert i arbeidsflyter i bedrifter, hvilke snarveier innen sikkerhet eller personvern bekymrer deg mest?

Kontrakter kan inneholde priser, immaterielle rettigheter, opplysninger om ansatte, detaljer om oppkjøp, strategiske forpliktelser og svært sensitive opplysninger om kunder og leverandører. Selskaper må vite nøyaktig hvor disse opplysningene havner når et AI-system behandler dem, hvordan de behandles, hvem som har tilgang til dem, og om de brukes til å trene en annen modell.

Akkurat nå er det et enormt press for å lansere AI-funksjoner raskt, men snarveien som bekymrer meg mest, er å behandle bedriftsdata som om de var vanlig treningsmateriale. Jeg forstår presset, men kunstig intelligens for bedrifter kan ikke bygges på «vi ordner styringen senere». Sikkerhet må være en del av arkitekturen fra starten av.

Det betyr strenge tilgangskontroller, kryptering, sporbarhet, tydelige grenser for data og svært gjennomtenkte beslutninger om hvordan tredjepartsmodeller brukes. I Sirion har vi definitivt tatt beslutninger der sikkerhet har forsinket oss, og jeg er komfortabel med den avveiningen. I bedriftsprogramvare, særlig når man håndterer kontrakter, tar det år å bygge tillit, og bare én uforsiktig beslutning å svekke den.

En vedvarende utfordring med generativ kunstig intelligens er at et svar kan høres autoritativt ut selv når det er feil. Hvordan utformer dere AI-systemer som brukerne kan kontrollere og stole på, når en subtil feil innen kontraktsforståelse kan få økonomiske eller juridiske konsekvenser? 

Dette er en av de viktigste forskjellene mellom kunstig intelligens for forbrukere og kunstig intelligens for bedrifter. Hvis jeg ber en AI-assistent om en restaurantanbefaling og den tar feil, er konsekvensene begrensede. Hvis et juridisk team spør om 5 000 leverandørkontrakter inneholder en bestemt oppsigelsesrett, og systemet med stor sikkerhet overser 200 av dem, er det et helt annet problem.

Vi utformer systemene med tanke på etterprøvbarhet. Hvis AI-en forteller deg noe om en kontrakt, bør du kunne spore svaret tilbake til den underliggende ordlyden. Hvis den foreslår en endring, bør du forstå hvilke retningslinjer eller hvilken posisjon i forhandlingsmanualen som lå til grunn for anbefalingen. Forklarbarhet er avgjørende for å ta systemet i bruk, fordi tillit oppstår når man kan granske hvordan AI-en fungerer.

Sirion legger vekt på at KI-svar skal bygge på organisasjonens egne kontrakter og tidligere avgjørelser, fremfor å basere seg utelukkende på generelle modeller. Tror du at den neste store fasen innen KI for næringslivet i stadig større grad vil bli drevet av systemer som kombinerer grunnmodeller med svært spesialiserte, proprietære bedriftsdata?

Absolutt. Grunnmodeller er svært kapable, men de vet ikke hvordan akkurat din bedrift drives. De vet ikke automatisk hvilke innrømmelser juridisk avdeling godkjente i fjor, hvordan dere fastsetter priser for en strategisk kunde, hvilke leverandører som gjentatte ganger ikke oppfyller tjenestenivåene, eller når organisasjonen krever at saker eskaleres. Det er denne konteksten som gjør KI for næringslivet virkelig nyttig.

Når man kombinerer kontraktenes verdifulle dokumentasjon av beslutninger og forpliktelser mellom organisasjoner med bedriftens egne retningslinjer, forhandlingsveiledninger, historiske avtaler og driftsdata, kan et KI-system gå fra å gi generiske svar til å gi svar som gjenspeiler hvordan virksomheten fungerer. Jeg tror konkurransefortrinnet innen KI for næringslivet i stadig større grad vil komme fra denne konteksten, siden de fleste store virksomheter allerede har tilgang til lignende grunnmodeller. Det avgjørende blir hvor effektivt de klarer å koble modellene til pålitelig, proprietær informasjon og gi dem nok kontekst til å resonnere presist uten at det går på bekostning av sikkerheten.

Du har brukt mer enn et tiår på å bygge opp Sirion og har hatt roller innen produktutvikling, drift og selskapsledelse. Hva har du lært om å skalere KI-programvare for store virksomheter som du ikke ville ha forstått i løpet av selskapets første år?

Noe jeg har lært, er at det noen ganger er den enkle delen å bygge teknologien. Friksjonen oppstår når man begynner å endre måten en stor organisasjon arbeider på. I de første årene er det naturlig å fokusere på om produktet kan løse problemet. Når man skalerer til store virksomheter, innser man at et teknisk sett utmerket svar bare er nyttig hvis folk stoler på det, det passer inn i eksisterende arbeidsflyter og det kan håndtere den enorme kompleksiteten i en global organisasjon.

KI gjør denne lærdommen enda viktigere. I dag kan man raskt lage en imponerende demonstrasjon. Det er noe helt annet å bygge noe en stor virksomhet er villig til å betro millioner av datapunkter og arbeidsflyter til.

Når KI gjør det mulig å kontinuerlig analysere forpliktelser, risikoer, prisvilkår, fornyelser og resultater på tvers av tusenvis av avtaler, kan kontrakter etter hvert bli et operativt datalag i sanntid for virksomheten, i stedet for dokumenter man hovedsakelig slår opp i når noe går galt?

Jeg tror det er akkurat dit vi er på vei. I lang tid har man behandlet kontrakten som mållinjen. Alle forhandler, signerer, feirer, og så legges dokumentet i et arkiv. Seks måneder senere åpner noen det fordi det har oppstått en tvist, en fornyelse nærmer seg, eller noen lurer på hva som ble lovet. Denne modellen gir ikke mening når KI kontinuerlig kan forstå hva som skjer på tvers av kontraktsporteføljen.

Tenk deg at du i en ideell verden får vite at en leverandør ikke har oppfylt en SLA før neste faktura godkjennes, eller ser at en prisjustering skulle ha funnet sted for tre måneder siden. Tenk deg at et salgsteam får et varsel om en forestående fornyelse sammen med kundens avtalte forpliktelser, eller at økonomiavdelingen ser at de kommersielle forpliktelsene gjenspeiles direkte i systemene sine.

Kontrakter definerer forholdet mellom selskaper, så kontraktsdata bør kobles til systemene der disse relasjonene faktisk forvaltes. Jeg tror kontrakten i stadig større grad vil bli et operativt datalag som hjelper virksomheten med å forstå ikke bare hva den har avtalt, men også om avtalene leverer verdien alle forventet.

Hvordan tror du kontraktsforvaltning vil se ut når KI-agenter blir betydelig mer kapable? Vil den tradisjonelle kategorien for livssyklusstyring av kontrakter etter hvert forsvinne inn i et bredere lag for virksomhetsintelligens, og hvilken rolle ser du for deg at Sirion vil spille i denne overgangen? 

Jeg håper grensene for CLM blir langt mindre synlige over tid. I dag tenker brukerne fortsatt i trinn: Jeg må opprette en kontrakt, gjennomgå den, få den godkjent, signere den, lagre den og deretter forvalte den. Etter hvert som agentene blir mer kapable, bør ikke folk måtte koordinere alle disse systemene og arbeidsflytene selv. De bør kunne uttrykke hva de ønsker å oppnå, og la spesialiserte agenter håndtere mye av arbeidet bak det.

Men den største endringen kommer etter signeringen. Hvis KI kan forstå hver eneste forpliktelse, kommersielle betingelse, risiko og relasjon på tvers av millioner av avtaler, blir kontraktsinnsikt nyttig langt utover juridisk arbeid. For meg er det den spennende delen: at kontrakter endelig blir alles forretning.

Så jeg tror ikke kontrakter forsvinner. Tvert imot. De blir viktigere fordi de gir KI for næringslivet en kontekst man kan stole på. Målet vårt i Sirion er å gjøre denne innsikten tilgjengelig uansett hvor arbeidet foregår. CLM kan etter hvert oppleves mindre som et frittstående målpunkt og mer som et lag for innsikt og gjennomføring, som kobler sammen forpliktelsene et selskap har påtatt seg, og handlingene det utfører hver dag.

Takk for et flott intervju. Lesere som ønsker å lære mer, bør besøke Sirion.