Romain Sestier (CEO) og Guillaume Lebedel (CTO), medgrunnleggere av StackOne – Intervju-serie

Romain Sestier, medgrunnlegger og CEO av StackOne, har bygget et produkt fra scratch til en verdi på 1 milliard dollar i Google (GOOGL ) og har også vært visepresident for produkt og kundebehandling i Yieldify, der han ledet 70 personer globalt og utviklet strategien for SaaS-integrasjon. Romain åpnet også det britiske kontoret som leder for UK Services i ContentSquare og ledet integrasjonen med A/B-testing-verktøy. Han har også grunnlagt et tidligere startup, Upper.ai, sammen med Guillaume.

Guillaume Lebedel, medgrunnlegger og CTO av StackOne, var visepresident for ingeniørarbeid i Yieldify, et selskap som ble kjøpt av Publicis. Guillaume har ledet integrasjonsteam og bygget hundrevis av integrasjoner med SaaS-verktøy som brukes av over 1000 SaaS-produkter. Han har også bygget og vedlikeholdt API-er med over 2 milliarder treff per måned.

StackOne er en plattform for integrasjon som er bygget for å være først med privatliv og AI-kraft. Den hjelper B2B SaaS-selskaper og AI-agenter å bygge sanntids-, toveisk integrasjoner over hundrevis av bedriftssystemer gjennom en enkelt, samlet API. Den er designet for hastighet og sikkerhet, og gjør det mulig for utviklere å levere integrasjoner på noen dager i stedet for uker uten å lagre kundeinformasjon.

Hva inspirerte deg til å forlate Google og grunnlegge StackOne, og hva var det som gjorde at du så et gap i AI- eller SaaS-integrasjonsrommet som gjorde muligheten føles急?

Romain: “Smerten ved integrasjon er noe jeg har følt på hver stadium av min karriere, enten jeg var i et tidlig stadium eller arbeidet med stor skala-systemer inne i Google. Mens jeg ledet produktet i Google, bygde jeg et AI-insiktsverktøy for detaljhandel, og selv der – i ett av de mest teknisk avanserte selskapene i verden – møtte vi enorme hindringer bare for å få ren integrasjon mellom systemer. Da slo det meg: dette er et vidt forgrenet, systemisk problem. Og med oppblomstringen av LLM-er, så vi en ny mulighet åpne seg. Plutselig var det en mulighet til å helt gjenopprette integrasjonslaget: ett som ikke bare var festet på, men bygget fra grunnen av for AI. Guillaume og jeg så det tydelig: tiden var rett, og markedet var sultent etter en løsning.”

Hvordan har din erfaring med å lede produkt og tjenester i Yieldify og ditt arbeid i Area 120 påvirket din tilnærming til StackOne sin produktstrategi?

Romain: “Ved Yieldify ledet jeg både produkt- og tjenestesiden av bedriften, som lærte meg viktigheten av å knytte veikartet til faktiske inntektsresultater; ting som raskere partner-oppstart, høyere gjennomsnittlig ordreverdi eller lavere avhopp. Ved Google skalerte jeg et data-insiktsprodukt som leverte 1 milliard dollar i ekstra inntekt, og den erfaringen forsterket hvor kritisk brukeropplevelse og adopsjonsmål er for suksess. Area 120 var en helt annen skapning – det handlet om 10x-idéer og hastighet. Det lærte meg å flytte raskt, eksperimentere konstant og ikke være redd for å satse stort. Alt dette har dypt påvirket hvordan vi bygger i StackOne: to-ukers sprint, store produkt-bud og en laser-fokusert på å gjøre integrasjoner ikke bare enklere å skalerer, men også å gjøre dem behagelige å bruke.”

StackOne bygger ikke en ny modell – du bygger bindevev mellom modeller og SaaS-systemer. Hvorfor er dette infrastruktur-laget så kritisk for suksessen til AI-agenter?

Guillaume: “Realiteten er at AI-agenter ikke bare trenger hjerner, de trenger også hender. En modell kan være i stand til å resonnere briljant, men hvis den ikke kan ta presise, sikre og raske handlinger i den virkelige verden, er den svært begrenset. Uten en strukturert infrastruktur-lag for å styre autentisering, ratelimit og tilgangs-tilganger, vil de enten hallucinere og ta feil handlinger eller ødelegge ting. De fleste selskaper bruker over 100 SaaS-verktøy, så uten en plattform som StackOne som abstraherer rørledningen, er du fanget i å wire opp hver enkelt enkeltvis. Vårt jobb er å gi agentene trygg, skalerbar tilgang til verktøyene de trenger, så lag kan fokusere på logikk, ikke logistikk.”

Kan du gå gjennom hvordan StackOne sin samlede API og AI-agent-handlingsplattform fungerer under panseret? Hva er teknisk utfordrende med det?

Guillaume: “Vi definerer en enkelt, uttømmende beskrevet OpenAPI-spec per domene, som kartlegger til hundrevis av underliggende endepunkter. Den specifikasjonen holder seg oppdatert sentralt, så kundene ikke trenger å håndtere versjonsendringer. Våre verktøy-schemas kommer forhåndsdefinert med riktige autentiseringsområder, noe som betyr at agenten ikke gjetter eller overgår. Det hardeste er å normalisere SaaS-data-modeller – verktøy som Workday lar kundene definere egendefinerte objekter og relasjoner, noe som introduserer massiv kompleksitet. Vårt motor håndterer all dette i sanntid, og gir utviklere en pålitelig, deterministisk eksekveringslag drevet av LLM-assistert kartlegging.”

Hva gjør StackOne sin verktøy-kalle-motor raskere og mer nøyaktig enn kapasitetene til selv ledende LLM-er?

Guillaume: “Nøkkelen er struktur. Vår motor gir typede og uttømmende beskrevne funksjonssignaturer, så modellene vet nøyaktig hvilke argumenter å bruke. Under panseret er StackOne i stand til å batche og parallellisere verktøy-kallene samtidig som de respekterer ratelimit og å utføre forespørslene så raskt som mulig med automatiske gjenprøv. Og siden vi håndterer legitimasjon sentralt, er det ingen behov for gjen-autentisering inne i løkken. Disse optimeringene gjør en enorm forskjell når du prøver å kjøre agenter i sanntid.”

Hvordan er StackOne optimalisert spesielt for AI-bruksområder, som for eksempel Retrieval-Augmented Generation (RAG), verktøy-bruk eller sanntids-agent-eksekvering?

Guillaume: “Vi tilbyr delta-kun endepunkter for RAG-pipelines, som holder kontekst-vinduer korte og effektive. For sanntids-agenter støtter vi strømmende samlede webhooks som utnytter native hendelser eller oppretter syntetiske hendelser når underliggende verktøy ikke tilbyr hendelsene du trenger. Og vår plattform påtvinger finmasket tilgangskontroll på tenant- og prosjektnivå, noe som er essensielt for å orkestrere flere agenter over forskjellige brukere på en sikker måte.”

Hva er de vanligste misforståelsene lag har om å bygge integrasjoner internt versus å bruke en plattform som StackOne?

Romain: “En stor myte er at integrasjoner bare handler om å gjøre et API-kall. Den innledende byggingen kan se enkel ut, men vedlikehold pågår ofte 20% av ingeniør-tiden. Lag underestimerer ofte verdien av nisje-tilkoblinger: de ene du prioriterer lavt kan være der avhopp-risikoen faktisk bor. Og sikkerhet er ofte en ettertanke. DIY-lag dekker sjelden ting som SOC-2-samsvar eller tenant-isolasjon, som er uhåndgripelige for bedriftskunder. Og så er det tenant-tilpasning. Hver ny kunde bringer sin egen sett av spesialtilfeller, konfigurasjons-nyanser og kartleggingslogikk, noe som legger til pågående kompleksitet som er lett å overse i forkant.”

Alle snakker om AI-agenter, men virkelige deployeringer er fortsatt tidlige. Hva tror du holder tilbake masse-foretaks-adopterende — og hvordan addreserer StackOne det?

Romain: “Sikkerhet og samsvar er fortsatt de største hindringene. CIO-er bekymrer seg for at agenter handler utenfor området eller skaper revisjons-gapper. StackOne løser dette ved å påtvinge minst-privilegering OAuth-områder, aktivere tenant-nivå avbryt-knapper og tilby en fullstendig revisjons-spor. Når risiko-team ser dette nivået av kontroll, flytter de fra å være porter-voktere til å være aktive støttespillere.”

Hva er de største tekniske eller sikkerhets-utfordringene i å la AI-agenter handle på vegne av brukere over SaaS-plattformer — og hvordan mitigere dem?

Guillaume: “Du må håndtere ting som token-sprell og oppfrisknings-sykluser, som vi løser med en sentral kryptert hvelv. Å forhindre data-lekkasje på rad-nivå er en annen utfordring, så vi påtvinger deterministiske konto-identifikatorer i verktøy-kallet for å sikre at agenter bare aksesserer riktig data og det ikke er opp til LLM-en. Og for å unngå agent-drift eller misbruk, kjører vi kontinuerlig policy-sjekker og rød-lag-testing. Vår plattform tillater også å parameterisere hvilken handling som skal være tilgjengelig for hvilket koblet system. Sikkerhet må være innbygget fra grunnen av.”

Hvordan ser du fremtiden for åpne kilde-verktøy som LangChain og CrewAI blander med proprietære plattformer som StackOne?

Guillaume: “Vi ser åpne kilde-verktøy som orkestreringslaget og StackOne som underliggende infrastruktur. Derfor har vi bygget SDK-er for Python og Typescript som plugger direkte inn i LangChain- og CrewAI-arbeidsflyter. Du vil se en hybrid-modell dukke opp, med åpne kilde-verktøy for prototyper og managede plattformer for produksjons-grad-reliabilitet, likt hvordan lag bruker Terraform med AWS. Det er ikke enten-eller, det er begge.”

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