Kanti Prabha, medgrundare och president för Sirion – intervjuserie

Kanti Prabha, medgrundare och president för Sirion, är en ledare inom företagsteknik med mer än två decenniers erfarenhet av produktutveckling, juridisk teknik, immaterialrätt, verksamhetsdrift och SaaS. Som medlem av Sirions grundarteam har hon haft en central roll i att forma företagets produktvision, design och utveckling. Hon har haft flera ledande befattningar, bland annat som vice vd för produktledning och operativ chef, innan hon blev president. Hennes expertis omfattar utveckling av B2B SaaS-produkter för stora företag, produktstrategi och produktledning, kundframgång, företagsförsäljning samt uppskalning av team och organisationskultur. Tidigare i karriären var Prabha den första anställda och medlem av grundarteamet på UnitedLex, där hon utvecklade teknikdrivna lösningar för företags juridiska avdelningar och ledde immaterialrättsliga initiativ. Dessförinnan hade hon arbetat med patenttjänster på Evalueserve. Hon är också rådgivare åt akirolabs och har tidigare varit rådgivare åt Clarisights.

Sirion är ett AI-drivet företag inom avtalshantering genom hela avtalens livscykel (CLM), som hjälper företag att hantera avtal från upprättande och förhandling till löpande uppföljning, fullgörande av skyldigheter och värderealisering. Plattformen kombinerar konversationsbaserad AI med specialutvecklade AI-agenter som kan samla och strukturera avtalsarkiv, besvara frågor om avtalsvillkor, skapa och granska avtal, identifiera risker, föreslå ändringar samt bevaka skyldigheter och servicenivåavtal. Sirion positionerar i allt högre grad sin teknik inom agentbaserad avtalshantering genom plattformen agentOS, som gör det möjligt för organisationer att använda färdigbyggda avtalsagenter och skapa anpassade agenter som kopplas till företagets data och arbetsflöden. Plattformen är utformad för stora organisationer som vill omvandla avtal från statiska dokument till strukturerade, sökbara källor till verksamhetsinsikter, samtidigt som styrning och mänsklig översyn upprätthålls.

Din väg till att grunda Sirion var ovanlig: du studerade kemi, gick vidare till immaterialrätt, arbetade med patent och började sedan se avtal på ett annat sätt när du arbetade med Hewlett-Packard. Vad insåg du under de här tidiga erfarenheterna som till slut övertygade dig om att det fanns en möjlighet att bygga Sirion? 

Jag växte inte upp med tanken att jag skulle starta ett företag kring avtal. Jag studerade kemi, men insåg ganska snabbt att jag var mer intresserad av att lösa affärsproblem än av att tillbringa karriären i ett laboratorium. Det ledde mig så småningom till immaterialrätt, där jag arbetade med patent och senare ledde team som utvecklade tekniska och juridiska lösningar för stora företag.

Den verkliga vändpunkten kom när jag och min medgrundare på Sirion, Ajay, började arbeta med HP. Företaget hade tusentals avtal som behövde organiseras och hanteras efter ett stort företagsförvärv. Först såg vi det som ett arkivproblem, men när vi började granska avtalen närmare blev det uppenbart att lagring bara utgjorde en liten del av möjligheten. Avtalen visade vad ett företag hade köpt, vad det hade sålt, vad det hade lovat, vad dess leverantörer hade lovat, vad det betalade, var det fanns risker och var värden potentiellt gick förlorade. Ändå var nästan ingen av den informationen lätt för verksamheten att använda. Det var insikten som låg bakom Sirion. Avtal var en i stort sett outnyttjad källa till affärsinformation.

Du har beskrivit avtal som en form av ”flytande intelligens” inom en organisation. Vilken värdefull information brukar finnas dold i avtal, och hur kan AI göra den informationen användbar för andra team än juristavdelningen, däribland ekonomi, inköp, försäljning och verksamhetsdrift? 

Avtal är en av få platser där ett företags avsikter faktiskt blir bindande åtaganden. De visar vad företaget har gått med på att betala, vad en kund har gått med på att köpa, när priser kan ändras, vilka servicenivåer som måste uppnås, när ett avtal förnyas, vad som händer om någon inte presterar som förväntat och vem som ansvarar för vilka skyldigheter. Det är oerhört värdefull information, men historiskt har den varit instängd i dokument som de flesta bara öppnar när de behöver förhandla om något eller när något har gått fel.

AI förändrar detta eftersom tekniken gör det möjligt att omvandla ostrukturerat avtalsspråk till information som resten av verksamheten faktiskt kan använda. Inköpsavdelningen kan få överblick över leverantörers skyldigheter och prissättning. Ekonomiavdelningen kan se kommersiella åtaganden och potentiella intäktsförluster. Försäljningsteamet kan förstå förnyelsevillkor och kundåtaganden. Verksamhetsavdelningen kan följa upp om det som utlovats faktiskt levereras.

Det är detta jag menar med att göra avtalsinformation flytande. I stället för att informationen ligger i en PDF kan den föras vidare till de beslut och system där den behövs som mest. I stället för att avtalet utgör slutpunkten för en transaktion gör den flytande informationen det till en aktiv källa till sammanhang för hur verksamheten bedrivs.

Sirion har utvecklats från programvara för avtalshantering genom hela avtalens livscykel till en plattform som i allt högre grad drivs av AI. Hur har framväxten av stora språkmodeller förändrat vad som är tekniskt möjligt med avtalsdata jämfört med de maskininlärningsmetoder som fanns tillgängliga när ni startade företaget?

När vi startade Sirion handlade AI inom avtalsområdet främst om extrahering och klassificering. Maskininlärning kunde bli mycket bra på att identifiera en klausul, ett datum, ett partsnamn eller en skyldighet, men man var tvungen att träna modeller för relativt specifika uppgifter.

Stora språkmodeller har avsevärt utökat förmågan till resonemang. Nu kan ett system förstå en fråga formulerad på naturligt språk, tolka sammanhanget kring en klausul, jämföra formuleringar med företagets föredragna ståndpunkt, förklara varför något utgör en risk och föreslå vad någon bör göra härnäst.

Men jag ser inte detta som att LLM:er ersätter allt som kom före dem. Avtal är alltför komplexa för det. På Sirion använder vi en flermodellsstrategi som kombinerar stora språkmodeller med specialiserade modeller och djupgående avtalsintelligens. Olika modeller är bra på olika saker. Den kombinationen är viktig eftersom företag inte bara behöver AI som kan skapa övertygande formuleringar. De behöver precision. Den mest spännande förändringen är att vi kan gå från att extrahera information ur avtal till att resonera kring informationen och i allt högre grad agera utifrån den.

Sirion introducerar nu specialiserade AI-agenter för uppgifter som avtalsextrahering, identifiering av problem, ändringsförslag och sökning i stora avtalsarkiv. Hur ser du framför dig att dessa agenter ska samarbeta, och hur långt bör företag i slutändan låta AI agera självständigt under avtalsprocessen?           

Jag tror inte att framtiden består av en enda jättelik AI-agent som gör allt. Avtalsarbetet omfattar många specialiserade uppgifter, och var och en kräver olika sammanhang och olika grader av bedömning. En agent kan till exempel extrahera villkor ur tusentals avtal. En annan identifierar formuleringar som avviker från företagets riktlinjer. Därefter kan en agent föreslå en exakt ändring utifrån företagets avtalsriktlinjer. Den verkliga styrkan ligger i att agenterna kan samarbeta för att nå ett resultat, i stället för att tvinga användaren att hantera varje enskilt steg.

Någon kan till exempel fråga: ”Kan vi godta det här leverantörsavtalet?” Systemet bör kunna identifiera de mest relevanta villkoren, jämföra dem med riktlinjerna, lyfta fram problemen, hitta tidigare exempel och rekommendera ändringar – samtidigt som det förklarar vad det gjorde och varför.

Var gränsen för självständigt agerande ska gå bör bero på risken. Jag är bekväm med att AI självständigt hanterar många repetitiva, regelbaserade åtgärder. Men en ny typ av ansvarsbestämmelse eller en förhandlingsfråga av strategisk betydelse kan kräva mänskligt omdöme. Målet med självständighet bör vara att ta bort onödigt arbete och samtidigt behålla mänsklig kontroll där ansvar och relationer spelar roll.

Avtal kan innehålla en del av ett företags mest kommersiellt och juridiskt känsliga information. Du har sagt att Sirion hellre skjuter upp en produktlansering än kompromissar med säkerheten. När generativ AI integreras allt djupare i företagens arbetsflöden, vilka genvägar inom säkerhet eller integritet oroar dig mest?

Avtal kan innehålla prisuppgifter, immateriella rättigheter, personalinformation, uppgifter om företagsförvärv, strategiska åtaganden och ytterst känslig information om kunder och leverantörer. Företag behöver veta exakt vart informationen tar vägen när ett AI-system hanterar den, hur den behandlas, vem som kan komma åt den och om den används för att träna en annan modell.

Det finns just nu ett enormt tryck på att snabbt lansera AI-funktioner, men den genväg som oroar mig mest är att behandla företagsdata som om den vore vanligt träningsmaterial. Jag förstår det trycket, men företags-AI kan inte byggas utifrån tanken att ”vi löser styrningen senare”. Säkerhet måste vara en del av arkitekturen från början.

Det innebär strikt åtkomstkontroll, kryptering, spårbarhet, tydliga gränser för data och mycket genomtänkta beslut om hur tredjepartsmodeller används. På Sirion har vi definitivt fattat beslut där säkerhetsarbetet har bromsat oss, och jag är bekväm med den avvägningen. Inom företagsprogramvara, särskilt när man hanterar avtal, tar det år att bygga upp förtroende och bara ett enda obetänksamt beslut att skada det.

En återkommande utmaning med generativ AI är att ett svar kan låta auktoritativt även när det är fel. Inom avtalsintelligens, där ett subtilt misstag kan få ekonomiska eller juridiska konsekvenser, hur utformar ni AI-system så att användarna kan kontrollera svaren och känna förtroende för dem? 

Det här är en av de viktigaste skillnaderna mellan AI för konsumenter och AI för företag. Om jag ber en AI-assistent om en restaurangrekommendation och den har fel blir konsekvenserna begränsade. Om ett juridiskt team frågar om 5 000 leverantörsavtal innehåller en viss uppsägningsrätt och systemet självsäkert missar 200 av dem, är det ett helt annat problem.

Vi utformar systemen så att svaren kan verifieras. Om AI:n berättar något om ett avtal ska du kunna spåra svaret tillbaka till den underliggande avtalstexten. Om den föreslår en ändring ska du förstå vilken riktlinje eller ståndpunkt i företagets avtalsriktlinjer som låg till grund för rekommendationen. Förklarbarhet är avgörande för att tekniken ska tas i bruk, eftersom förtroende bygger på att AI går att granska.

Sirion betonar AI-svar som grundar sig på organisationens egna avtal och tidigare praxis, i stället för att enbart förlita sig på generella modeller. Tror du att nästa stora fas inom företags-AI i allt högre grad kommer att drivas av system som kombinerar grundmodeller med mycket specialiserad, egenutvecklad företagsdata?

Absolut. Grundmodeller har enastående kapacitet, men de känner inte till hur just ditt företag fungerar. De vet inte automatiskt vilka eftergifter företagets jurister godkände förra året, hur ni utformar prissättningen för en strategisk kund, vilka leverantörer som återkommande inte når upp till servicenivåerna eller när organisationen kräver att en fråga eskaleras. Det är med den kontexten som företags-AI blir verkligt användbar.

Kombinera avtalens värdefulla dokumentation av beslut och åtaganden mellan organisationer med företagsspecifika policyer, förhandlingshandböcker, historiska avtal och operativa data, så kan ett AI-system gå från att ge generella svar till att ge svar som speglar hur verksamheten fungerar. Jag tror att konkurrensfördelen inom företags-AI i allt högre grad kommer att bygga på denna kontext, eftersom de flesta företag redan har tillgång till liknande grundmodeller. Det som kommer att skilja dem åt är hur effektivt de kan koppla modellerna till tillförlitlig, egenutvecklad information och ge dem tillräcklig kontext för att dra korrekta slutsatser utan att äventyra säkerheten.

Du har ägnat mer än ett decennium åt att bygga upp Sirion och har haft roller inom produktutveckling, drift och företagsledning. Vad har du lärt dig om att skala upp AI-programvara för företag som du inte hade förstått under företagets första år?

En sak jag har lärt mig är att det ibland är den enkla delen att bygga tekniken. Friktionen uppstår när man börjar förändra hur en stor organisation arbetar. Under de första åren fokuserar man naturligtvis på om produkten kan lösa problemet. När man arbetar i stor skala med företag inser man att ett tekniskt utmärkt svar bara är användbart om människor litar på det, om det passar in i deras befintliga arbetsflöden och om det klarar den enorma komplexiteten i en global organisation.

AI gör den lärdomen ännu viktigare. I dag kan man mycket snabbt ta fram en imponerande demonstration. Det är något helt annat att bygga något som ett företag är villigt att anförtro miljontals datapunkter och arbetsflöden åt.

När AI gör det möjligt att kontinuerligt analysera skyldigheter, risker, prissättningsvillkor, förnyelser och resultat i tusentals avtal, skulle avtal då så småningom kunna bli ett operativt datalager i realtid för företaget, i stället för dokument som man främst tar fram när något går fel?

Jag tror att det är precis dit vi är på väg. Länge har avtalet betraktats som mållinjen. Alla förhandlar, skriver under, firar och lägger sedan dokumentet i ett arkiv. Sex månader senare öppnar någon det eftersom det har uppstått en tvist, det är dags att förnya avtalet eller någon undrar vad som utlovades. Den modellen är inte rimlig när AI kontinuerligt kan förstå vad som händer i hela avtalsportföljen.

I en idealisk värld kan man tänka sig att få veta att en leverantör inte har uppfyllt en SLA innan nästa faktura godkänns, eller att upptäcka att en prisjustering borde ha gjorts för tre månader sedan. Tänk dig att ett säljteam får en avisering om en kommande avtalsförnyelse tillsammans med kundens framförhandlade åtaganden, eller att ekonomiavdelningen ser de kommersiella skyldigheterna direkt i sina system.

Avtal definierar relationer mellan företag, så avtalsdata bör kopplas till de system där relationerna faktiskt hanteras. Jag tror att avtalet i allt högre grad kommer att bli ett operativt datalager som hjälper företaget att förstå inte bara vad det har gått med på, utan också om avtalen ger det värde som alla förväntade sig.

Hur tror du att avtalshanteringen kommer att se ut när AI-agenter blir betydligt mer kapabla? Kommer den traditionella kategorin för avtalshantering genom hela livscykeln (CLM) så småningom att uppgå i ett bredare lager för företagsintelligens, och vilken roll ser du att Sirion kommer att spela i den omställningen? 

Jag hoppas att gränserna för CLM blir mycket mindre märkbara med tiden. I dag tänker användarna fortfarande i termer av olika steg: Jag behöver skapa ett avtal, granska det, få det godkänt, skriva under det, lagra det och sedan hantera det. När agenterna blir mer kapabla ska människor inte behöva samordna alla dessa system och arbetsflöden själva. De ska kunna uttrycka vad de vill uppnå och låta specialiserade agenter sköta en stor del av arbetet bakom det.

Men den större förändringen sker efter underskriften. Om AI kan förstå varje skyldighet, kommersiellt villkor, risk och relation i miljontals avtal blir avtalsintelligens användbar långt utanför juridikens område. För mig är det den spännande delen: att avtal äntligen blir allas angelägenhet.

Jag tror alltså inte att avtal försvinner. Tvärtom. De blir viktigare eftersom de ger företags-AI en tillförlitlig kontext. Vårt mål på Sirion är att göra denna intelligens användbar där arbetet utförs. CLM kan så småningom upplevas mindre som en fristående destination och mer som ett lager för intelligens och genomförande, som kopplar samman företagets åtaganden med de åtgärder det vidtar varje dag.

Tack för en givande intervju. Läsare som vill veta mer kan besöka Sirion.