Michael Delgado, medgrundare och VD på Canals – Intervjuserie

Michael Delgado, medgrundare och VD på Canals, är en före detta corporate lawyer som blev entreprenör och har byggt en karriär som kombinerar juridisk expertis, produktutveckling och operativ teknik. Efter att ha börjat på topprankade advokatbyråer, inklusive Cravath, Swaine & Moore LLP, gick han över till startups och tog på sig ledande roller på Willing innan han co-founding Vested, som senare förvärvades av MetLife. Han gick vidare och grundade Canals 2022, och applicerade sin erfarenhet över lag, operationer och produkter för att tackla ineffektiviteter i traditionella branscher, särskilt genom att använda AI för att modernisera komplexa affärsflöden.

Canals är en AI-driven plattform som är utformad för att automatisera kritiska back-office-operationer för grossister, inklusive orderbehandling, fakturering och inköp. Företaget fokuserar på att omvandla ostrukturerade indata som e-post, PDF:er och handskrivna dokument till strukturerad, användbar data som integreras direkt i befintliga ERP-system. Genom att kontinuerligt lära av användarinteraktioner minskar Canals manuell datainmatning, minimerar fel och accelererar operativa flöden, och positionerar sig som ett praktiskt verkställande lager för företag snarare än en renodlad analytisk AI-lösning.

Du gick från en juridisk bakgrund på advokatbyråer som Cravath, Swaine & Moore LLP till startups, och slutligen grundade Canals efter att ha byggt Vested. Vilka specifika brister i distributionsflödena fick dig att starta företaget, och hur påverkade dina tidigare roller det beslutet?

Min fru driver ett distributionsföretag, så det var genom henne som jag först började besöka lager, prata med distributörer och lära mig om branschen.

Så mycket jag tillbringade tid i distributionen, desto mer stod det klart att det var en process som kallades “orderbehandling”. Ordrar kommer till en distributör genom en mängd olika kanaler i en mängd olika format, och var och en måste granskas och manuellt mata in i ett ERP. Det är tidskrävande arbete som faller på team av säljare – människor som jobbet är att driva in intäkter och bygga relationer.

Ju fler samtal jag hade med distributörer, desto tydligare blev det att detta inte var en liten ineffektivitet. Orderbehandling är en kärnprocess i en enorm bransch som tekniken historiskt sett har misslyckats med att betjäna, delvis för att traditionell programvara inte kunde hantera variabiliteten. Jag hade tillbringat år med att bygga programvara och följa utvecklingen av AI, så jag var väl rustad för att se en stor marknad, ett riktigt problem och en ny lösning. Canals växte fram därifrån.

För läsare som är nya i det här området, vad gör Canals egentligen i en organisation på daglig basis, och hur interagerar det med befintliga system som Enterprise Resource Planning (ERP)?

På en hög nivå tar Canals indata som distributörer, entreprenörer och tillverkare hanterar varje dag – e-post, PDF:er, kalkylblad, till och med handskrivna anteckningar – och omvandlar dem till strukturerad data som kan flöda mellan system och driva slut-till-slut-flöden. Det använder sedan den datan för att automatisera nedströmsåtgärder, antingen det är att generera en order eller skicka en faktura, innan det skickar ren, validerad data direkt in i ett ERP.

ERP förblir systemet för registrering, medan Canals fungerar som det operativa AI som håller det korrekt och uppdaterat.

Industriell distribution är fortfarande beroende av e-post, PDF:er och telefonsamtal för att hantera ordrar och fakturor. Varför har den här nivån av manuellt arbete bestått så länge, och vad har förhindrat meningsfull automatisering tills nu?

Problemet är att traditionell programvara är beroende av rigida regler och standardmallar. Det fungerar i miljöer där indata är konsekventa, men konstruktion och distribution är inte sådana. Dokument kommer i en mängd olika format, och det finns dussintals olika namn, förkortningar och fältjargong som alla beskriver samma produkt. Vid en viss punkt blir antalet undantagsfall omöjligt att hantera. Du kan inte realistiskt definiera regler för varje variation, så processen faller tillbaka till manuell tolkning.

Wiljan att införa mer effektivitet har alltid funnits, men tills nyligen kunde tekniken inte hålla jämna steg, vilket gjorde tidigare tillvägagångssätt svåra att implementera och omöjliga att skala.

En kärnutmaning här är att omvandla ostrukturerade indata till strukturerade åtgärder. Hur tolkar din plattform e-post, bilagor och dokument, och omvandlar dem till användbar data och flöden?

Det är en utmaning som kräver två steg för att lösas.

Det första är parsing. Canals identifierar de relevanta dokumenten i en användares inkorg, drar ut de viktigaste posterna och fälten och extraherar datan.

Det andra är matchning. Det är där den extraherade datan matchas inom systemet. I vissa fall innebär det att mappa posterna till rätt artiklar, hantera variationer i hur produkter beskrivs och normalisera enheter. I andra fall innebär det att sammanföra dokument, som att matcha en faktura till en beställning och kvitto, justera posterna och identifiera skillnader.

Resultatet är strukturerad, kontextualiserad data som kan driva ett slut-till-slut-flöde.

Du har stöttat flöden som är kopplade till över 2,1 miljarder dollar i betalningar. På den skalan, vilka mönster uppstår kring ineffektiviteter, förseningar eller fel som de flesta företag inte ens är medvetna om?

Det finns några uppenbara effektivitetsvinster. På sidan av fakturering, till exempel, automatiserar våra kunder i genomsnitt 96% av sin fakturering, vilket tar bort en betydande mängd manuellt arbete.

Vad som är mer intressant är hur det manifesterar sig bortom kostnadsbesparingar. I orderbehandling direkt påverkar hastigheten intäkterna.

I konstruktion är tidpunkten kritisk och att hålla tidtabellen är prioritet. Om en entreprenör begär offerter från flera distributörer och en svarar inom tio minuter medan de andra tar timmar, så är jobbet vanligtvis åt den som svarade först, även om det inte är det lägsta priset. Att få materialet i tid är viktigare än att spara några dollar.

Den dynamiken har en direkt inverkan på intäkterna. Att automatisera orderbehandling ökar hur ofta en distributör är den första som svarar, vilket ökar hur ofta de vinner affärer. För en av våra kunder översattes det till 57% av deras transaktioner som blev till ordrar, jämfört med en tidigare genomsnitt som låg närmare 20%.

Äldre system som ERP-plattformar är ofta rigida och svåra att modernisera. Hur närmar du dig integration utan att tvinga företag att riva ut sin befintliga infrastruktur?

ERP är djupt inbäddade i hur ett företag fungerar, så den verkliga begränsningen är inte bara integration, utan hur snabbt och hur smidigt man kan integrera utan att lägga till overhead. Om implementeringen är långsam eller kräver tung inblandning från intern IT, blir det en störande blockerare.

Vår tillvägagångssätt har alltid varit att investera i att göra vår implementering snabb och friktionsfri. Vi har dussintals färdiga integrationer med ett stort team av ingenjörer för att stödja anpassade distributioner, och vi prioriterar att få kunder i gång snabbt utan att skapa en pågående underhållsbörda.

Vi ser en förändring mot mer autonoma system över branscher. Hur långt kan automatisering realistiskt gå i distributionsflöden innan mänsklig övervakning blir kritisk igen?

Det finns många saker som AI inte kan göra. Det kommer inte att fatta komplexa affärsbeslut, hantera kundrelationer eller fungera i fältet. Vad det kan göra är att ta bort mycket av det repetitiva administrativa arbetet som ligger under dessa processer.

I de flesta industriella flöden är den rätta modellen mänsklig-i-loopen där AI hanterar den stora delen av arbetet medan människor förblir i kontrollen av undantagen. När något är enkelt kan det automatiseras. När något är tvetydigt, högt värderat eller bär på verklig risk, är det där mänsklig bedömning är kritisk.

Målet är inte 100% autonomi. Det är att automatisera de tråkiga, manuella och rutinmässiga delarna av flödet så att människor kan fokusera på högt värderade beslut och undantag.

En av riskerna med automatisering är att förlora institutionell kunskap från erfarna operatörer. Hur säkerställer Canals att den expertisen fångas och återspeglas i systemet snarare än att ersättas?

En av de viktigaste fördelarna med AI jämfört med traditionell programvara är att den kan lära sig över tid.

När en erfaren operatör granskar något, gör en korrektion eller hanterar ett undantag, kan systemet fånga upp dessa beslut och tillämpa dem intelligent i framtiden. Ju mer användning som ökar, desto mer börjar det att tillförlitligt återspegla dessa mönster istället för att förlita sig på en fast uppsättning regler.

Det betyder att institutionell kunskap inte längre är bunden till en enskild person. Istället för att leva med individer, bakas den in i systemen som används för att driva företaget, så den tillämpas mer konsekvent över hela organisationen. När erfarna anställda lämnar, stannar deras expertis kvar inom Canals. När nya anställda börjar arbetar de inom ett system som redan återspeglar hur företaget fungerar, vilket hjälper dem att komma igång snabbare och utföra mer konsekvent.

Den snabba tillväxten av datacenterkonstruktion sätter verklig press på leverantörskedjor. Hur förändrar den efterfrågan förväntningarna kring hastighet, noggrannhet och samordning för distributörer?

Kapplöpningen för att bygga datacenter accelererar med $700 miljarder som investeras i konstruktion, vilket sätter enorm press på entreprenörer och distributörer att hålla jämna steg.

Vad den efterfrågan förändrar är toleransen för fördröjning. Flöden som var hanterbara vid lägre volymer – som manuell orderbehandling och dokumentrekonciliation – börjar bryta samman i skala. Ju större och snabbare projekt blir, desto mer synliga och dyra blir gapen mellan offerter, inköp och leverans på båda sidor av transaktionen. Bristen på exakt, uppdaterad information undergräver samordning och kan resultera i oväntade förseningar och plötsliga arbetsstopp.

Lag som kan operera med hastighet och realtidsöversikt har en tydlig fördel. Vid den punkten är automatisering inte bara om effektivitet, utan blir ett krav för att hålla jämna steg med takten och komplexiteten i efterfrågan.

Om vi ser framåt, hur ser du att AI omformar inköp och leverantörskedje-flöden under de kommande fem åren, särskilt när system flyttar från att vara hjälpmedel till att bli mer beslutsfattande agenter?

Det är svårt att säga med någon grad av säkerhet, men vad som blir alltmer uppenbart är hur AI tillämpas – smalt, i specifika flöden där det finns mycket repetition och en tydlig väg till tillförlitlighet. I inköp och leverantörskedja visar det sig i executions-tunga processer. Dessa flöden är kopplade till verkliga pengar och verkliga relationer, så ribban för autonomi är hög. Den närmaste förändringen kommer att vara mindre om agent-styrd beslutsfattning och mer om att expandera vad som kan hanteras tillförlitligt, med människor som förblir involverade där det är viktigt.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Canals.