Romain Sestier (VD) & Guillaume Lebedel (CTO), Medgrundare av StackOne – Intervjuserie

Romain Sestier, medgrundare och VD för StackOne, har byggt ett produkt från scratch till en värdering på 1 miljard dollar på Google (GOOGL ) och har också varit VP för Produkt och CS på Yieldify, där han ledde 70 personer globalt och ansvarade för SaaS-integrationsstrategin. Romain öppnade också det brittiska kontoret som chef för UK Services på ContentSquare och ledde integrationen med A/B-testverktyg. Han har också medgrundat ett tidigare startup, Upper.ai, tillsammans med Guillaume.

Guillaume Lebedel, medgrundare och CTO för StackOne, var VP för Engineering på Yieldify, ett företag som förvärvades av Publicis. Guillaume har lett integrationsgrupper och byggt hundratals integrationer med SaaS-verktyg som används av mer än 1000 SaaS-produkter. Han har också byggt och underhållit API:er med över 2 miljarder träffar per månad.

StackOne är en integritetsförst, AI-driven integrationsplattform som hjälper B2B SaaS-företag och AI-agenter att bygga realtids-, dubbelriktade integrationer över hundratals företagssystem via en enda enhetlig API. Utformad för hastighet och säkerhet, möjliggör den för utvecklare att leverera integrationer på dagar istället för veckor utan att lagra kunddata.

Vad inspirerade dig att lämna Google och medgrundade StackOne, och vilket gap i AI- eller SaaS-integrationsutrymmet såg du som gjorde möjligheten känns brådskande?

Romain: “Smärtan av integration är något jag har känt i varje skede av min karriär, antingen jag var på ett tidigt startup eller arbetade med storskaliga system inom Google. Medan jag ledde Produkt på Google byggde jag ett AI-insiktsverktyg för detaljhandel, och även där — i ett av världens mest tekniskt avancerade företag — stötte vi på enorma hinder bara för att få ren integration mellan system. Det var då det verkligen slog mig: det här är ett utbrett, systemiskt problem. Och med uppkomsten av LLM:er såg vi ett nytt fönster öppna. Plötsligt fanns det en möjlighet att helt omdefiniera integrationslagret: ett som inte bara var fastsatt, utan byggt från grunden för AI. Guillaume och jag såg det tydligt: timingen var rätt, och marknaden var hungrig efter en lösning.”

Hur påverkade din erfarenhet av att leda produkt och tjänster på Yieldify och ditt arbete på Area 120 din strategi för StackOne:s produkt?

Romain: “På Yieldify ledde jag både Produkt- och Tjänstesidan av verksamheten, vilket lärde mig vikten av att knyta vägkarten till faktiska intäktsresultat; saker som snabbare partneronboarding, högre genomsnittlig ordervärde eller lägre churn. På Google skalförstärkte jag ett datainsiktsprodukt som levererade 1 miljard dollar i ytterligare intäkter, och den erfarenheten förstärkte hur kritisk användarupplevelse och antagandemått är för framgång. Area 120 var ett helt annat djur — det handlade allt om 10x-idéer och hastighet. Det lärde mig att flytta snabbt, experimentera konstant och inte vara rädd för att satsa stort. Allt detta har djupt påverkat hur vi bygger på StackOne: bi-veckovisa sprintar, djärva produktinsatser och ett laserfokus på att göra integrationer inte bara lättare att skala, utan också underbara att använda.”

StackOne bygger inte en ny modell — ni bygger det sammanbindande vävnaden mellan modeller och SaaS-system. Varför är detta infrastrukturlager så kritiskt för AI-agenter?

Guillaume: “Verkligheten är att AI-agenter inte bara behöver hjärnor, de behöver också händer. En modell kan resonera briljant, men om den inte kan ta precisa, säkra och snabba åtgärder i den verkliga världen, är den starkt begränsad. Utan en strukturerad infrastrukturlager för att styra autentisering, hastighetsbegränsningar och åtkomsttillstånd kommer de antingen att hallucinera och vidta fel åtgärder eller bryta saker. De flesta företag använder över 100 SaaS-verktyg, så utan en plattform som StackOne som abstraherar rörsystemet, är du fast i att koppla upp var och en individuellt. Vårt jobb är att ge agenterna säker, skalbar åtkomst till de verktyg de behöver, så att team kan fokusera på logik, inte logistik.”

Kan du gå igenom hur StackOne:s enhetliga API och AI Agent Actions-plattform fungerar under huven? Vad är tekniskt utmanande med det?

Guillaume: “Vi definierar en enda uttömmande beskriven OpenAPI-spec per domän, som kartlägger till hundratals underliggande slutpunkter. Den specifikationen hålls uppdaterad centralt, så att kunderna inte behöver hantera versionsändringar. Våra verktygsscheman kommer fördefinierade med rätt autentiseringsomfång, vilket innebär att agenten inte gissar eller överträder. Den svåraste delen är att normalisera SaaS-datamodeller — verktyg som Workday låter kunder definiera anpassade objekt och relationer, vilket introducerar massiv komplexitet. Vår motor hanterar allt detta i realtid, vilket ger utvecklare ett pålitligt, deterministiskt exekveringslager som drivs av LLM-assisterad kartläggning.”

Vad gör StackOne:s verktygsanropsmotor snabbare och mer exakt än ledande LLM:ers förmågor?

Guillaume: “Nyckeln är struktur. Vår motor tillhandahåller typerade och uttömmande beskrivna funktionsignaturer, så att modellerna vet exakt vilka argument de ska använda. Under huven kan StackOne batcha och parallellisera verktygsanrop medan de respekterar hastighetsbegränsningar för att verkställa förfrågningarna så snabbt som möjligt med automatiserade återförsök. Och eftersom vi hanterar autentiseringsuppgifter centralt, behövs det ingen återautentisering inom loopen. Dessa optimeringar gör en enorm skillnad när du försöker köra agenter i realtid.”

Hur är StackOne optimerad specifikt för AI-användningsfall, som Retrieval-Augmented Generation (RAG), verktygsanvändning eller realtidsagentexekvering?

Guillaume: “Vi erbjuder delta-endpoints för RAG-pipelines, vilket håller sammanhangsfönstret kort och effektivt. För realtidsagenter stöder vi strömmande enhetliga webhooks som utnyttjar naturliga händelser eller skapar syntetiska händelser när underliggande verktyg inte tillhandahåller de händelser du behöver. Och vår plattform tillämpar finmaskig åtkomstkontroll på klient- och projektnivå, vilket är avgörande för att orkestrera flera agenter över olika användare på ett säkert sätt.”

Vilka är de vanligaste missuppfattningarna som team har om att bygga integrationer internt jämfört med att använda en plattform som StackOne?

Romain: “En stor myt är att integrationer bara handlar om att göra ett API-anrop. Den initiala byggnaden kan se enkel ut, men den pågående underhållet förbrukar ofta 20 % av utvecklingstiden. Team underskattar också värdet av nisch-kopplingar: de som de prioriterar ned kan vara där churnrisken faktiskt bor. Och säkerhet är ofta en eftertanke. DIY-team täcker sällan saker som SOC-2-kompatibilitet eller klientisolering, som är oeftergivliga för företagskunder. Och sedan finns det klientanpassning. Varje ny kund bringar sin egen uppsättning kanter, konfigurationsknep och kartlogik, vilket lägger till pågående komplexitet som är lätt att förbise i förväg.”

Alla pratar om AI-agenter, men den verkliga distributionen är fortfarande tidig. Vad tror du hindrar massadoption av företag — och hur adresserar StackOne det?

Romain: “Säkerhet och efterlevnad är fortfarande de största hindren. CIO:er oroar sig för agenter som agerar utanför ramen eller skapar revisionsgap. StackOne löser detta genom att tillämpa minst-privilegierade OAuth-omfång, aktivera klientbrytare och tillhandahålla en fullständig revisionslogg. När riskteam ser den nivån av kontroll, flyttar de från att vara grindvaktare till aktiva stöd.”

Vilka är de största tekniska eller säkerhetsutmaningarna i att låta AI-agenter agera på uppdrag av användare över SaaS-plattformar — och hur mitigera dem?

Guillaume: “Du måste hantera saker som token-spridning och uppdateringscykler, vilket vi löser med ett centralt krypterat valv. Att förhindra dataläckage på radnivå är en annan utmaning, så vi tillämpar deterministiska kontoidentifikatorer i verktygsanropet för att säkerställa att agenter endast kommer åt rätt data och det inte är upp till LLM. Och för att undvika agentdrift eller missbruk, kör vi kontinuerligt policykontroller och röd-lag-testning. Vår plattform tillåter också parameterisering av vilken åtgärd som ska vara tillgänglig för vilken länkad system. Säkerhet måste vara inbyggd från grunden.”

Hur ser du på framtiden för öppen källkodsverktyg som LangChain och CrewAI i kombination med proprietära plattformar som StackOne?

Guillaume: “Vi ser öppen källkod som orkestreringsskiktet och StackOne som den underliggande infrastrukturen. Därför har vi byggt SDK:er för Python och Typescript som ansluter direkt till LangChain- och CrewAI-arbetsflöden. Du kommer att se en hybridmodell framträda, med öppen källkod för prototypering och hanterade plattformar för produktionsgrads tillförlitlighet, liknande hur team använder Terraform med AWS. Det är inte antingen-eller, det är båda.”

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