Sandeep Menon, CEO og medgrunnlegger i Auxia – Intervju-serie

Sandeep Menon, CEO og medgrunnlegger i Auxia, bringer over to tiårs erfaring med global teknologi og markedsføring til rollen. Før han lanserte Auxia i 2022, tilbrakte han mer enn ni år i Google (GOOGL ), hvor han var visepresident for markedsføring av betalingsløsninger og ledet initiativer som Next Billion Users-programmet, som fokuserte på digital inklusjon i nye markeder. Han hadde også senior markedsføringslederroller i Android, Chrome, ChromeOS og Google Play.

Auxia er en AI-drevet markedsføringsplattform som muliggjør at bedrifter kan iscenesette personlige, 1-til-1 kundereiser i stor skala. I stedet for å stole på stive, regelbaserte kampanjer, lar Auxia AI-agenter teste hypoteser over alle berøringspunkter – e-post, nett, app, tilbud – og tilpasse seg dynamisk til sanntidspreferanser og atferd. Den integrerer sømløst med første-part-datakilder, automatiserer ML-pipelines og optimaliserer kontinuerlig meldinger, tid og sekvens for å maksimere engasjement og livstidsverdi.

Du grunnla Auxia etter en suksessfull karriere i Google, der du ledet global markedsføring for produkter som ble brukt av milliarder. Hva var den spesifikke lukken eller smertepunktet du og dine medgrunnleggere så i markedet som ledet til opprettelsen av Auxia?

I Google så jeg hvordan ekte personliggjøring kunne være når man hadde riktig infrastruktur og AI-kapasiteter. Men når jeg så på det bredere markedet, så jeg hvordan bedrifter kjempet med fragmenterte markedsføringsstaker, ofte med 12 til 14 forskjellige punktløsninger som ikke kommuniserte med hverandre. De samlet inn massive mengder kundedata, men kunne ikke oversette det til meningsfull, sanntids-personliggjøring.

Det grunnleggende gapet var at eksisterende plattformer var bygget for den før-AI-æraen. De baserte seg på statiske regler og grunnleggende segmentering, når hva bedriftene virkelig trengte var intelligente, adaptive systemer i stand til å ta sanntidsbeslutninger om hver kundeinteraksjon. Vi så en mulighet til å bringe det samme nivået av AI-drevet personliggjøring som driver selskaper som Google og Meta til bedrifter av alle størrelser, uten å kreve at de bygger store interne data-vitenskapelige team.

Auxias grunnleggende team inkluderer tidligere ledere fra Google, Meta og Lyft. Hvordan har dine kollektive erfaringer i disse teknologigigantene formet arkitekturen og etosen til Auxia?

Vi har alle erfart utfordringene med personliggjøring i stor skala. På Google Pay-teamet spesifikt, var vi i en privilegert posisjon fordi vi hadde tidlig eksponering for transformative teknologier i deres barndom, med transformer-modeller som et primært eksempel. Mine medgrunnleggere, som kom fra Meta og Lyft, bygget systemer som banebrytende måter å ta den enorme mengden kundedata tilgjengelig og gjøre det dramatisk mer nyttig, som å drive sanntids-anbefalinger og beslutninger for millioner av brukere hver sekund.

Vi så alle hvordan AI kunne dypt forbedre kundeopplevelsene, samtidig som de håndterte noen av de tøffeste utfordringene våre markedsførings-team møtte. Samtidig skiftet markedet på en måte som gjorde dette arbeidet mulig utenfor Google. Med oppkomsten av den moderne data-staken og plattformer som Snowflake, BigQuery og Databricks, hadde bedrifter brukt de siste 5-10 årene på å konsolidere dataene sine til ett sentralisert sted klart for aktivering.

Vi erkjente en unik mulighet til å ta lærdommene vi hadde utviklet inne i Google og demokratisere dem for bedrifter overalt. Disse selskapene var bare våkne til å innse at de satt på en fjell av verdifull data, og med riktig teknologi, kunne det låses opp for å drive vekst og bedre kundeengasjement.

De fleste personliggjøringsverktøyene baserer seg på regelbaserte systemer og enkle segmenter. Auxia bruker i stedet synkroniserte AI-agenter. Kan du gå gjennom hvordan disse agentene samarbeider og utvikler seg over tid for å personliggjøre hver kunde-reise?

De fleste verktøyene på markedet i dag baserer seg fortsatt på stive regler og statiske segmenter, de er reaktive, ikke intelligente. I Auxia har vi bygget et system av synkroniserte AI-agenter som arbeider sammen for å personliggjøre hver berøringspunkt i kunde-reisen i sanntid.

Hver agent spiller en spesialisert rolle. Beslutningsagenter bestemmer den beste handlingen for en bruker basert på all deres tidligere data og preferanser; for eksempel, om å oppgradere en kunde til en ny kredittkort eller drive dem til å åpne en ny sparekonto. Analyseagenter fungerer som en innebygd data-vitenskapelig team, som analyserer hva som har fungert godt i nåværende kampanjer for å høyde impact, men også muligheter for forbedring i en chat-basert grensesnitt. Til slutt lar Auxias Innhold-agenter alle data og innsikt rundt hva som har fungert best for å proaktivt overflate nye meldinger eller kreative variasjoner for markedsførings-team å godkjenne.

Hva gjør disse agentene kraftfulle er at de ikke opererer i siloer. De samarbeider kontinuerlig, lærer fra hver interaksjon og tilpasser seg basert på hva som fungerer. Markedsførere setter høynivå-mål, og agentene håndterer kompleksiteten. De er selv-optimerende systemer som utvikler seg daglig for å drive bedre resultater i stor skala.

Auxia prosesserer 2,6 milliarder hendelser daglig og håndterer 6 500 forespørsler per sekund. Hva var infrastruktur-innovasjonene som muliggjorde denne type sanntids-skalerbarhet så tidlig i selskapets livssyklus?

Fra dag én visste vi at skala måtte være uforhandelbar. Hyper-personliggjøring fungerer bare hvis du kan ta beslutninger på millisekunder, ved å bruke ferske, kontekstuelle signaler. Vi lærte mye av disse leksjonene fra vår tid i Google, og det tok over ett år å bygge infrastrukturen for å støtte dette nivået av sanntids-orkesering.

Vår arkitektur er sky-basert, hendelses-drevet og optimalisert for høy gjennomstrømming, så vi står på skuldrene av teknologibølger før oss, som skiftet mot den moderne data-staken. Markedsførings-teknologilandskapet har utviklet seg mot åpne økosystemer, og det har tillatt oss å flytte mye raskere, og integrere direkte med moderne sky-data-lagre, CRM-er og andre markedsføringsplattformer. Dette har tillatt oss å bygge for skala fra dag én, og også har hjulpet oss å stole på infrastruktur som kan prosessere massive mengder første-parts kundesignaler uten å introdusere latency.

Hva også skiller oss ut er at vi er AI-nativ fra begynnelsen av. Vi Auxia designet det for å støtte stor-skala-eksperimentering, kjøring av tusenvis av samtidige hypoteser og kontinuerlig optimalisering av resultater uten menneskelig inngripen, men vi benytter også den siste teknologien i bransjen for funksjonsopprettelse, modell-utplassering og LLM-inferens.

Hvordan skiller Auxias modell-eksperimenteringsramme seg fra tradisjonell A/B-testing, og hva har vært de mest overraskende innsiktene som er avdekket ved hjelp av din ML-drevne tilnærming?

Tradisjonell A/B-testing er ekstremt begrenset, du kan bare teste noen få varianter på en gang, og det tar ofte uker eller måneder å nå statistisk signifikante resultater. I Auxia har vi omdefinert eksperimentering som en kontinuerlig, intelligent prosess. Vår modell-drevne ramme muliggjør at markedsførere kan kjøre mange forskjellige selv-optimerende modeller og teste hundrevis av variasjoner samtidig. Ved å bruke teknikker som forsterkingslæring, tar Auxias beslutnings-system sanntidsbeslutninger basert på live-data.

La oss ta eksemplet på et tilbud og belønning-kampanje over e-post. Tidligere kunne markedsførere teste 2-3 forskjellige tilbudsvarianter, som 5% av, 10% av og 20% av, dele opp publikum i gjensidig eksklusive grupper, lansere og sammenligne resultater over en rekke mål for å se hvilken variant fungerte best, i gjennomsnitt, for hele gruppen. Den vinnende varianten ville deretter bli deployert til alle etter eksperiment-perioden er avsluttet. Det er noen utfordringer med denne tilnærmingen. Først og fremst feiler de fleste eksperimenter, så det tar ofte teamer uker eller måneder å identifisere hva som fungerer godt. I tillegg er de super manuelle og tidskrevende å sette opp, noe som begrenser teamets hastighet og hvor raskt de kan levere impact.

Med Auxia setter markedsførere først et høynivå-mål, som å drive kjøp. Deretter setter teamet opp hundrevis av forskjellige varianter i systemet, som et team kan dynamisk generere med vår Innhold-Agent, inngå fra deres CMS eller manuelt definere. Hver av disse variasjonene ville variere i forhold til tilbudskonstruksjonen (f.eks. 5% av mot BOGO), beløp, innhold og potensielt også kanal (f.eks. e-post mot SMS). For hver enkelt bruker vil Auxias Beslutnings-Agent rangere, score og forutsi, ut av alle hundrevis av varianter som er tilgjengelige, hva er den optimale varianten for hver person å drive vårt kjernemål.

Auxias plattform er designet for å fjerne avhengigheten av store interne data-vitenskapelige team. Har du sett tradisjonelle markedsførings-team lykkes med å ta på seg mer tekniske roller med dine verktøy?

En av de viktigste grunnene vi startet Auxia var å muliggjøre at markedsførings-team kunne personliggjøre både markedsførings- og produkt-opplevelser uten å stole på ingeniører eller data-vitenskapsmenn. Innen bare noen uker etter onboarding, er markedsførere som bruker Auxia i stand til å lansere nye kampanjer, trekke data og tolke resultater fullstendig på egen hånd. Ettersom verden beveger seg mot en mer agentisk fremtid, tror vi at markedsførere ikke trenger å bli mer tekniske eller bygge nye tekniske ferdigheter. I stedet vil ansvar tradisjonelt håndtert av ingeniører eller analytikere bli demokratisert gjennom intelligente agenter som forbedrer markedsførerens arbeidsflyt og totale opplevelse. Med vår Analyse-Agent har vi allerede suksessfullt abstrahert bort mye av denne kompleksiteten av tradisjonell data-vitenskapelig/analytisk arbeid, og vi er spente på å fortsette å drive disse kapasitetene fremover.

Som den som ledet markedsføring for Next Billion Users-initiativet i Google, hva likheter ser du mellom inklusiv teknologi-adoptsjon og agentisk AI i markedsføring i dag?

Når jeg ledet markedsføring for Next Billion Users-initiativet i Google, erkjente vi at mennesker i nye markeder interagerte med produkter på grunnleggende forskjellige måter enn brukere i utviklede markeder. Fordi det representerte en så massiv vekst-mulighet, ble det essensielt å bygge spesifikt for disse brukerne — å forenkle grensesnitt, abstrahere bort kompleksitet og sikre at opplevelsen var tilgjengelig og empowerment.

Jeg ser en svært lignende trend utvikle seg med agentisk AI i markedsføring. Likeledes som mange av disse nye internett-brukerne hoppet rett inn i mobile-første opplevelser uten å trenge tidligere digital litteratur, trenger markedsførere i dag ikke å gå tilbake og lære SQL eller data-vitenskap for å låse opp personliggjøring. Agenter broer disse ferdighetsgapene og gjør sofistikerte kapasiteter umiddelbart brukbare. Samtidig som måten mennesker interagerer med AI — beveger seg bort fra chat-baserte grensesnitt til mer intuitive, kontekst-bevisste agenter — tvinger utviklere til å tenke om UI-en til fremtiden. Fokuset, som med NBUs, ligger på tilgjengelighet, enkelhet og empowerment: å abstrahere bort den tekniske kompleksiteten så sluttopplevelsen føles naturlig og effektiv.

Hva er den største misforståelsen bedrifter har om AI-personliggjøring i dag, og hvordan hjelper du dem med å overvinne den?

Den største misforståelsen bedrifter har om AI-personliggjøring i dag er at å adoptere det betyr å gi opp total kontroll eller minske den strategiske innvirkningen av markedsførings-team. AI utmerker seg i å håndtere kompleksitet, som å analysere massive datamengder, å spore mønster som mennesker ikke kan se, og å overflate signaler som betyr noe i sanntid. Hva det ikke kan gjøre er å gi kontekst, empati og strategisk dømmekraft nødvendig for å designe meningsfulle kundeopplevelser. Det er der mennesker skinner: å sette visjonen, definere varemerke-vaktlere og forstå når en personliggjøringsvalg kunne føles intrusivt eller utenfor varemerket.

Hvis vi snakker ærlig, kan mennesker være effektive uten AI, men AI kan ikke være effektiv uten mennesker. Den virkelige gjennombruddet kommer når du supplere dine team med AI for å håndtere skalaen og kompleksiteten av data-drevne beslutninger, samtidig som du muliggjør at teamene fokuserer på strategi, kreativitet og empati. Da blir personliggjøring ikke lenger et buzzord, men noe som skaper virkelig verdi for både kunder og bedrifter.

Med støtte fra over 50 bransjeledere og en 23,5 millioner dollar-opphøring, hva er de viktigste områdene du prioriterer for de neste 12-18 måneders produkt- og team-vekst?

Vi prioriterer tre områder for vekst over de neste 12-18 månedene. Først og fremst er vi dedikert til å levere eksepsjonell verdi til våre kunder ved å fortsette å heve deres opplevelse. Dette har alltid vært en topprioritet for vårt team, og vi ønsker å sikre at vi leverer eksepsjonell ROI for alle selskapene som har satt sin tillit til oss og vårt team. For det andre, utvider vi våre AI-agent-kapasiteter for å støtte hele markedsførerens arbeidsflyt, hjelpe team med å lage innhold, orkestrere personlige opplevelser og overflate handlebare innsikt i hva som driver impact. Til slutt, skalerer vi vår go-to-market-motor. Med sterk produkt-markeds-plassering i bedriftssegmentet, er neste skritt å utvide vår rekkevidde ved å vokse vår salgs- og kundesuksess-team. Dette lar oss bringe AI-drevet personliggjøring til flere bedrifter, samtidig som vi sikrer at nye kunder nyter den samme høye servicenivå og differensierte opplevelse som har drevet vår tidlige suksess.

Hva er det som spenner deg mest om den neste fronten av agentisk AI, ikke bare i markedsføring, men også i andre bedrifts-applikasjoner?

Hva som virkelig spenner meg er å se tempoet av adopsjon, se at adopsjonen har virkelig impact, og også se at markedet erkjenner at agentisk AIs virkelige verdi ligger i supplering, ikke nødvendigvis erstattelse. For mange samtaler i dag fokuserer på AI som en erstatning for menneskelige roller, som alle reklame-skiltene du kan se på 101 på vei inn i San Francisco om selskaper som erstatter SDR-er (eller hele funksjoner). Denne narrativen kommer til å gripe overskrifter, men for meg mangler den den større muligheten: å muliggjøre mennesker å gjøre sitt beste arbeid.

Mennesker bringer kontekst, empati, kreativitet og dømmekraft som AI bare ikke kan replikere. Der hvor agentisk AI skinner er i å håndtere kompleksiteten og skalaen som bøyer team ned. Vi har snakket mye om anvendeligheten til markedsførings-arbeidsflyt, som å overflate innsikt fra massive datamengder, automatisere repetitive oppgaver og orkestrere prosesser over systemer i sanntid. Når disse kapasitetene kombineres med menneskelige styrker, er resultatet en skifte-forandring i hva organisasjoner kan oppnå.

I markedsføring betyr det å frigjøre team fra endeløs eksekvering, så de kan fokusere på strategi, fortelling og kunde-empati. Men denne samme mønsteren gjelder også over alle funksjoner i bedriften: i salg, kan agenter kvalifisere og forberede muligheter så mennesker kan bruke mer tid på å bygge relasjoner; i kundesuksess, kan agenter flagge risiko- og mulighets-signal så mennesker kan dykke dyptere i partnerskap; i ingeniør-arbeid, kan agenter akselerere utvikling ved å automatisere testing, feilsøking og kode-generering, så team kan fokusere på å løse komplekse arkitektoniske problemer og drive innovasjon.

Alle disse mulighetene vil skape trillioner av dollar i verdi, og jeg elsker å se selskapene som presser grensene for å forme hvordan arbeidet mennesker gjør vil utvikle seg over tid.

Tenke deg finans-team med AI-agenter som optimaliserer budsjetter i sanntid, HR-team som bruker agenter til å personliggjøre ansatte-engasjement, eller kunde-støtte-agenter som beveger seg fra reaktiv til proaktiv.

Vi er bare begynt. Fremtiden handler ikke om AI som erstatter mennesker, men om mennesker og AI-agenter som arbeider sammen for å ta beslutninger som er raskere, smartere og mer empatiske. Det er fremtiden vi bygger i Auxia.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Auxia.