Intervjuer
Kanti Prabha, president och produkt- och teknikchef på Sirion – intervjuserie

Viktiga punkterAvtal innehåller outnyttjad affärsintelligens eftersom de dokumenterar åtaganden som de…
Visa mer
- Avtal innehåller outnyttjad affärsintelligens eftersom de dokumenterar åtaganden som de flesta team aldrig konsulterar.
- Företags-AI behöver företagsspecifik kontext eftersom basmodeller inte kan känna till interna riktlinjer eller prejudikat.
- AI-autonomi bör upphöra där risken kräver mänskligt omdöme om nya eller strategiska avtalsvillkor.
Kanti Prabha, president och produkt- och teknikchef på 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 VP of Product Management och Chief Operating Officer, innan hon blev president. Hennes expertområden omfattar utveckling av B2B-SaaS-produkter i företagsklass, 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 juridikavdelningar och ansvarade för initiativ inom immaterialrätt. Dessförinnan arbetade hon med patentrådgivning på Evalueserve. Hon är även rådgivare åt akirolabs och har tidigare varit rådgivare åt Clarisights.
Sirion är ett AI-drivet företag inom hantering av avtalens livscykel (CLM) som hjälper företag att hantera avtal från upprättande och förhandling till löpande uppföljning av prestationer, skyldigheter och värdeskapande. Plattformen kombinerar konversationsbaserad AI med specialutvecklade AI-agenter som kan samla och strukturera avtalsarkiv, svara på frågor om avtalsvillkor, skapa och granska avtal, identifiera risker, föreslå ändringar och övervaka skyldigheter och servicenivåavtal. Sirion inriktar i allt högre grad sin teknik på agentbaserad avtalshantering genom plattformen agentOS, som gör det möjligt för organisationer att använda färdigutvecklade avtalsagenter och skapa anpassade agenter som kopplas till företagsdata och arbetsflöden. Plattformen är utformad för stora organisationer som vill omvandla avtal från statiska dokument till strukturerade och sökbara källor till verksamhetsinformation, samtidigt som styrning och mänsklig tillsyn säkerställs.
Din väg till att grunda Sirion var ovanlig: du studerade kemi, började arbeta med 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. Så småningom ledde det mig till immaterialrätt, där jag arbetade med patent och senare ledde team som utvecklade teknik- och juridiklösningar för stora företag.
Den verkliga vändpunkten kom när min medgrundare på Sirion, Ajay, och jag började arbeta med HP. De hade tusentals avtal som behövde organiseras och hanteras efter ett stort företagsförvärv. Till en början såg vi det som ett problem med att lagra dokument, men när vi började granska avtalen närmare blev det uppenbart att lagringen bara utgjorde en liten del av möjligheten. Avtalen visade vad företaget 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 riskerade att gå förlorade. Ändå var nästan ingen av den informationen lätt för verksamheten att använda. Det var den 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 finns vanligtvis dold i avtal, och hur kan AI göra den användbar för andra team än juridikavdelningen, däribland ekonomi, inköp, försäljning och drift?
Avtal är en av de få platser där ett företags avsikter faktiskt blir 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 olika skyldigheter. Det är oerhört värdefull information, men historiskt sett 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 genom att göra det möjligt för oss att omvandla ostrukturerat avtalsspråk till information som resten av verksamheten faktiskt kan använda. Inköpsavdelningen kan få insyn i leverantörernas skyldigheter och prissättning. Ekonomifunktionen kan se kommersiella åtaganden och potentiella intäktsbortfall. Försäljningsavdelningen kan få insyn i förnyelsevillkor och kundåtaganden. Verksamheten kan följa upp om det som utlovats faktiskt levereras.
Det är detta jag menar med att göra avtalsinformation flytande. I stället för att ligga i en PDF kan informationen föras vidare till de beslut och system där den behövs som mest. I stället för att vara slutpunkten för en transaktion kan avtalet, genom sin flytande information, bli en aktiv källa till sammanhang för hur ett företag bedriver sin verksamhet.
Sirion har utvecklats från programvara för hantering av avtalens livscykel till en alltmer AI-driven plattform. Hur har framväxten av stora språkmodeller förändrat vad som är tekniskt möjligt när det gäller avtalsdata, jämfört med de maskininlärningsmetoder som fanns tillgängliga när ni startade företaget?
När vi startade Sirion handlade AI inom avtalshantering främst om extraktion och klassificering. Maskininlärning kunde bli mycket bra på att identifiera en klausul, ett datum, ett partsnamn eller en skyldighet, men modellerna behövde tränas för relativt avgränsade uppgifter.
Stora språkmodeller har utökat resonemangsförmågan dramatiskt. 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 stora språkmodeller ersätter allt som kom före dem. Avtal är för komplexa för det. På Sirion använder vi en metod med flera modeller, där stora språkmodeller kombineras 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 generera övertygande språk. De behöver precision. Den mest spännande förändringen är att vi kan gå från att extrahera information ur avtal till att resonera kring den informationen och i allt högre grad agera utifrån den.
Sirion introducerar nu specialiserade AI-agenter för uppgifter som avtalsextraktion, identifiering av problem, ändringsförslag och sökning i stora avtalsarkiv. Hur ser du framför dig att dessa agenter samarbetar, och hur långt bör företag i slutändan låta AI agera självständigt under avtalsprocessen?
Jag tror inte att framtiden tillhör en enda jättelik AI-agent som gör allt. Avtalsarbetet omfattar många specialiserade uppgifter, och var och en kräver olika sammanhang och olika grad av bedömning. En agent kan till exempel extrahera villkor ur tusentals avtal. En annan identifierar formuleringar som avviker från företagets policy. Sedan kan en agent som föreslår ändringar rekommendera en exakt ändring utifrån företagets riktlinjer. Den verkliga styrkan kommer när agenterna kan samarbeta kring 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 företagets policy, lyfta fram problemen, hitta tidigare exempel och rekommendera ändringar, samtidigt som det förklarar vad det gjorde och varför.
Var gränsen för självständigt agerande går bör bero på risken. Jag är bekväm med att AI självständigt hanterar många repetitiva, regelstyrda åtgärder. Men en ny typ av ansvarsbestämmelse eller en strategiskt viktig förhandling kan kräva mänskligt omdöme. Målet med självständigt agerande bör vara att ta bort onödigt arbete och samtidigt behålla människans 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 blir allt mer integrerad i företagens arbetsflöden, vilka genvägar när det gäller säkerhet eller integritet oroar dig mest?
Avtal kan innehålla prisuppgifter, immateriella rättigheter, information om anställda, uppgifter om företagsförvärv, strategiska åtaganden och mycket 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 få åtkomst till den och om den används för att träna en annan modell.
Just nu finns det 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 AI för företag kan inte byggas på principen ”vi löser styrningen senare”. Säkerhet måste vara en del av arkitekturen från början.
Det innebär starka åtkomstkontroller, kryptering, spårbarhet, tydliga datagränser och mycket genomtänkta beslut om hur tredjepartsmodeller används. På Sirion har vi definitivt fattat beslut där säkerheten har gjort att vi gått långsammare fram, 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 vårdslöst beslut att skada det.
En återkommande utmaning med generativ AI är att ett svar kan låta övertygande 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 en juridisk avdelning 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 går att kontrollera. Om AI:n berättar något om ett avtal ska du kunna spåra svaret tillbaka till den underliggande avtalstexten. Om den rekommenderar en ändring ska du förstå vilken policy eller riktlinje som ligger till grund för rekommendationen. Förklarbarhet är grundläggande för att tekniken ska tas i bruk, eftersom förtroende bygger på att AI går att granska.
Sirion betonar att AI-svar ska grundas på organisationens egna avtal och prejudikat, 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 specialiserade, proprietära företagsdata?
Absolut. Grundmodeller är oerhört kapabla, men de vet inte 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 gång på gång inte uppfyller servicenivåerna eller när organisationen kräver att en fråga eskaleras. Det är med den kontexten som företags-AI blir verkligt användbar.
Kombinerar man avtalens värdefulla dokumentation av beslut och åtaganden mellan organisationer med företagets unika riktlinjer, förhandlingsmanualer, historiska avtal och operativa data kan ett AI-system gå från att ge generiska svar till att ge svar som speglar hur verksamheten fungerar. Jag tror att konkurrensfördelen inom företags-AI i allt högre grad kommer att komma från den här kontexten, 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, proprietär 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 företagsprogramvara med AI 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 inom ett 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 kan hantera den enorma komplexiteten i en global organisation.
AI gör den lärdomen ännu viktigare. I dag kan man mycket snabbt bygga en imponerande demo. Men det är något helt annat att bygga något som ett företag är berett att anförtro miljontals datapunkter och arbetsflöden åt.
När AI gör det möjligt att kontinuerligt analysera åtaganden, 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 på grund av en tvist, en förnyelse eller en fråga om vad som utlovades. Den modellen är inte rimlig när AI kontinuerligt kan förstå vad som händer i hela avtalsportföljen.
I en ideal värld kan man föreställa sig att få veta att en leverantör inte har uppfyllt ett SLA innan nästa faktura godkänns, eller att se att en prisjustering borde ha gjorts för tre månader sedan. Föreställ dig att ett säljteam får en avisering om en kommande förnyelse tillsammans med kundens framförhandlade åtaganden, eller att ekonomiavdelningen ser de kommersiella åtagandena 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 kommit överens om, utan också om avtalen levererar det värde som alla förväntade sig.
Hur tror du att avtalshantering kommer att se ut när AI-agenter blir betydligt mer kapabla? Kommer den traditionella kategorin för avtalshanteringens livscykel (CLM) så småningom att uppgå i ett bredare lager av företagsintelligens, och vilken roll ser du att Sirion får i den omställningen?
Jag hoppas att gränserna för CLM blir mycket mindre tydliga med tiden. I dag tänker användarna fortfarande i 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 en avsikt och låta specialiserade agenter sköta mycket av arbetet bakom den.
Men den större förändringen sker efter underskriften. Om AI kan förstå alla åtaganden, kommersiella villkor, risker och relationer i miljontals avtal blir avtalsintelligens användbar långt utanför juridikfunktionen. För mig är det den spännande delen: att avtal äntligen blir allas angelägenhet.
Så jag tror inte att avtal försvinner. Tvärtom. De blir viktigare eftersom de ger företags-AI en tillförlitlig kontext. Vårt mål på Sirion är att göra den intelligensen 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 mycket givande intervju. Läsare som vill veta mer kan besöka Sirion.












