Nick Lahoika, medgrunnlegger og CEO av Vocal Image – Intervju-serie

Nick Lahoika er medgrunnlegger og CEO av Vocal Image, et coachingselskap som hjelper mennesker å utvikle myke ferdigheter. En serial entrepreneur med mer enn 10 års erfaring i IT og forretningsutvikling, hadde Nick suksess med to tidligere prosjekter før han etablerte Vocal Image. Nicks reise er dypt personlig; han ble mobbet for uklar diksjon på skolen, noe som inspirerte ham til å hjelpe mennesker å kommunisere bedre.

Etter å ha blitt tvunget til å flykte fra sitt hjemland etter revolusjonen i 2020, ankom Nick Estland med minimalt kommand over engelsk og brukte sin egen app til å trene sin stemme, og sikret sin første runde med finansiering innen seks måneder. Vinneren av AWS AI-utfordringen og Meta x Hugging Face European AI Startup Program, har Vocal Image nylig samlet inn 3,6 millioner dollar i seed-runde ledet av Educapital (Frankrike) og har vokst til over 14 millioner dollar i årlig gjentakende inntekt.

Du etablerte Vocal Image i 2021. Hva inspirerte deg til å bygge en AI-coach for myke ferdigheter, og hvilket problem prøvde du å løse fra begynnelsen?

Taleangst var en del av mitt liv i lang tid. Jeg ble mobbet på skolen for uklar diksjon, og den erfaringen har virkelig satt seg fast hos meg. Senere, som IT-studentpraktikant, måtte jeg presentere for høyt nivå-kunder, og den samme frykten kom tilbake.

Deretter, i 2021, etter den mislykkede revolusjonen i Belarus, måtte jeg flytte til Europa over natten. Plutselig måtte jeg presentere for investorer på engelsk, et språk jeg knapt snakket. Det var skremmende, men det var ingen valg. Jeg tilbragte timer hver dag med å øve min uttale med en tidlig versjon av det som senere skulle bli Vocal Image. Det tok meg sogar uker å lære å uttale “V”-lyden riktig, så jeg kunne si navnet på mitt eget selskap.

Vi startet med en app som i hovedsak var som YouTube, men med en innebygd stemmeopptaker og en kommentarfunktion. Brukere kunne se videoer, øve å gjenta linjene, og deretter lytte tilbake til sine egne opptak. Ved å se hvordan folk brukte det, innsett vi raskt at de desperat trengte tilbakemelding. Våre tidlige brukere viste oss at å bare forbruke innhold ikke var nok til å få reelle resultater; de trengte umiddelbar tilbakemelding. Vi prøvde å levere tilbakemelding gjennom menneskelige trenere, men den tilnærmingen var ikke skalerbar, og det var derfor vi begynte å bruke AI.

Det var min personlige innsikt at det var lettere for meg å kunne øve mine første presentasjoner med vår plattform i stedet for en person. Det var ingen press, ingen dom. Den friheten endret alt for meg. Når jeg løste mitt eget problem, innsett jeg hvor mange mennesker møter det samme problemet. Mer enn 200 millioner mennesker sliter med taleangst.

Før Vocal Image, drev du en dansestudio. Hvordan påvirkte din bakgrunn i bevegelse og uttrykk din tilnærming til kommunikasjon og vokal tillit?

Jeg var ikke danser; jeg bygde faktisk et selskap sentrert rundt selvuttrykk og mennesker. Det var gjennom det arbeidet at jeg innsett at du kunne si mye om en persons indre tillit bare ved å se på dem danse.

Bevegelse spiller også en stor rolle i hvordan du uttrykker deg. Måten du beveger deg, din kroppsholdning, din pust, det er alle deler av kommunikasjon. Der er AI-trening blir kraftig, fordi den kan hjelpe mennesker å trene over alle disse områdene på ett sted.

Før måtte selskaper hyre flere forskjellige trenere. En for offentlig tale, en for kroppsspråk, en for tillit. Nå, med AI, er alt sammenhengende. Du kan bygge det fullstendige bildet av kommunikasjon, ikke bare ett stykke av det.

I motsetning til de fleste AI-kommunikasjonsverktøy, bestemte du deg for ikke å bruke ChatGPT som grunnlag for din coach. Hva ledet til denne avgjørelsen?

Hypen rundt ChatGPT ble faktisk en stor vendingpunkt for oss. Når det ble mainstream, skapte det en massiv økning i AI-tillit, og vi kunne utnytte det til å få folk til å tro på vår egen teknologi.

Men her er det: vi ønsket ikke å bruke det som vårt grunnlag. Vårt mål fra starten var å bruke vår unike modell til å evaluere menneskers stemme og talemodell. Vi bruker store språkmodeller som Gemini, Claude og ChatGPT, og kunnskapsbasertips og triks fra kommunikasjonslitteratur i våre nåværende modeller, men de er ikke kjernen i vår tilbakemeldingsmekanisme. Den virkelige grunnlaget for vår tilbakemelding er menneskelig inndata.

Frykten for at AI-trening kan føles robotisk er reel. For å motvirke det, har vi fostret en samfunn innen Vocal Image hvor brukere kan umiddelbart koble til, dele det felles målet om å forbedre sin kommunikasjon, og støtte hverandres reise. Og dette samfunnet vokser og forbedrer vår AI kontinuerlig.

Kan du utdype hvordan trening av din AI eksklusivt på menneskestemmer forskjeller fra tradisjonelle LLM-baserte tilnærminger når det gjelder resultater og autentisitet?

Vi bruker store språkmodeller som en del av prosessen for evaluering og kontekst, men den virkelige grunnlaget for vårt system er dataene bak det. Vår core-modell ble trent på vårt eget samfunn, bestående av mennesker som kom sammen spesifikt for å forbedre sin kommunikasjon.

AI er bare så god som de menneskene den lærer fra. Vår proprietære datasett inkluderer nå over en million unike menneskestemmer, hver bærende tone, rytme og emosjon, som alle representerer den virkelige essensen av kommunikasjon.

Din datasett inkluderer over en million menneskestemmer. Hva var de største utfordringene du møtte da du kurerte og merket slike unike korpus?

Du kan ikke stole like mye på hvert enkelt datapunkt. Noen brukere vurderer nøye, andre bare klikker gjennom. Vi måtte designe et system som skiller nøye vurdering fra støy. Over tid, lærte vi å gi mer vekt til brukere med konsekvent deltakelse og pålitelig dømmekraft, mens vi filterte ut tilfeldig innputt.

Det hardeste var operasjonelt, som involverte å bygge et vurderingssystem som belønner kvalitet over kvantitet. Der er vårt samfunn ble uvurderlig. Disse er ikke tilfeldige internettbrukere, de er mennesker som genuint prøver å forbedre sine myke ferdigheter og hjelpe andre å gjøre det samme. Alle vurderinger er anonyme, noe som hjelper til å holde tilbakemeldingen upartisk og autentisk.

Den samfunnsbaserte “Tinder-lignende” vurderingsmekanismen er fascinerende — hvordan former denne tilbakemeldingsloopen den kontinuerlige læringen av din AI?

Hver vurdering, på hvert språk, blir et lite stykke intelligens som finjusterer vår modell. Det er en levende tilbakemeldingsloop. Jo flere mennesker som trener og vurderer, jo smartere blir systemet til å gjenkjenne nyanser i tale og emosjon, og lærer hvordan mennesker faktisk oppfatter tillit, varme eller autoritet på tvers av kulturer.

Hva var de viktigste lærdommene du lærte mens du utviklet en AI-modell sentrert rundt myke ferdigheter i stedet for tekniske kompetanser?

Den største utfordringen var måling. Det finnes ingen universell målestokk for “pålitelig” eller “karismatisk”. Vi måtte skape vår egen.

Dette er hvor Lov om store tall kom inn. Hvis 100 000 mennesker er enige om at en bestemt stemme lyder pålitelig eller empatisk, kan du begynne å stole på den kollektive persepsjonen. Over tid, lærte vi vår AI å forutsi subjektive kvaliteter, ting som ikke kan karakteriseres med en enkel rett eller galt. Det var gjennombruddet: å lære å kvantifisere hva som alltid hadde blitt betraktet som intangibelt.

Med 14 millioner dollar i årlig gjentakende inntekt og en fersk $3,6 millioner seed-runde, hva er dine viktigste prioriteringer for denne neste fasen av vekst — enten det er å forbedre AI-modellen, utvide brukerbasen eller dykke dyptere inn i samfunnsopplevelsen?

Vår misjon har alltid vært menneskesentrert. Vi hjelper mennesker å kommunisere med mer tillit og autentisitet.

Den neste fasen er å skalerer denne innvirkningen globalt. Vi utvider inn i nye språk og geografier, og utvikler nye myke ferdighetsmoduler som forhandling, aktivt lytting og veltalenhet.

Mange brukere sier at AI-trenere føles robotiske eller upersonlige. Hvordan sikrer du at Vocal Image levereer emosjonelt resonante og kontekstbevisste tilbakemeldinger?

Vi fokuserer på hyper-personalisering. Fra den første interaksjonen, lærer vi hvem du er, inkludert din aksent, alder, profesjonell kontekst og talemodell. Over tid, har vi minne, og husker hvordan du har forbedret deg, hvor du sliter, og hvilken tilbakemelding som resonnere mest.

Det tillater AI å tilpasse seg dynamisk. Opplevelsen føles personlig fordi den er personlig. Den er formet helt av dine data og din reise, ikke av en generisk skript.

Om du ser fremover, hvordan ser du på at AI-myke ferdighetscoaching utvikler seg når generativ og emosjonell AI fortsetter å modnes?

Menneskelig utvikling har alltid vært en blanding av natur og næring. Vitenskapen forteller oss at ledelse er omtrent halvparten medfødt, halvparten lært. Den lærede halvdelen var tidligere forbeholdt eksklusive ledere som kunne betale dyre trenere. I lang tid, har selskaper måttet betale mellom 7 000 og 25 000 dollar per år for å trene en enkelt leder. AI endrer dette.

Også, engasjement med menneskelige trenere ville nødvendiggjort å beholde mange separate trenere, mens en AI-trener kan erstatte alle sammen.

For tiden, bruker vi en pipeline av forskjellige modeller for å analysere forskjellige aspekter av kommunikasjon, men fremtiden er et enkelt, samlet system som vurderer og guider deg helhetlig. Denne teknologien vil demokratisere vekst. Du trenger ikke å være født karismatisk eller ha en stor bedriftsbudsjett for å mestre kommunikasjon. Du trenger bare nysgjerrighet og tilgang, og å skape miljøet for at det skal florere, er hva som driver meg hver dag.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Vocal Image.