Sean Whiteley, grundare och VD för Qualified – Intervjuserie

Du har grundat tre företag, inklusive ett som förvärvats av Salesforce och ett annat av SurveyMonkey. Vad inspirerade dig att starta Qualified, och hur passar det in i den bredare utvecklingen av AI i företagsprogramvara?

Kraig och jag grundade ett sökmarknadsföretag som förvärvades av Salesforce. Detta var tidigt i molnrevolutionen, och nästan alla marknadsföringsprogram förändrades snabbt till digitala. Det blev omedelbart uppenbart att det fanns en enorm diskrepans i hur säljare anslöt sig till köpare i denna nya värld. Företag spenderade miljoner på att driva trafik till sina webbplatser, men när dessa högintentionerade köpare anlände, hade engagemangsupplevelsen inte utvecklats. Det var som att organisera och betala för en speciell fest för dina prospekt, men glömma att öppna dörren när de anlände.

Där kom idén till Qualified ifrån. Vi ville skapa ett sätt för säljteam att möta kvalificerade köpare i samma ögonblick de träffade webbplatsen – med relevans, sammanhang och realtids-, hyperpersonliga upplevelser som är representativa för vad köpare vill ha. Framåt i tiden har vi utvecklat denna vision till något mycket större: en agentic marknadsföringslager som utför varje arbetsflöde i en inkommande marknadsföringsprocess, som omfattar realtidsinteraktioner på webbplatsen och asynkrona interaktioner via e-post. Qualified är byggt för denna nästa våg av företagsprogramvara, där AI-arbetare inte bara utför uppgifter och arbetsflöden, utan också fattar kontextdrivna beslut på uppdrag av ditt företag.

Hur har din vision för AI förändrats från dina tidiga dagar i sökmarknadsföring till nu, med Piper som automatiserar inkommande försäljning i stor skala?

Det är uppenbart att uppkomsten av stora språkmodeller (LLM) har förändrat spelet i sin helhet. När vi startade vårt första företag var det de tidiga molndagarna, som representerade en fundamental förändring i programvarudistributionsmodellen. Saker som delad infrastruktur, multi-tenancy och betala-per-användning-prissättning banade väg för företag att flytta företagskritiska appar och processer till molnet. Strax efter blev plattform och infra tillgängliga som en samling tjänster, vilket var ännu en massiv möjliggörare för företag att lägga ut betydande arbetsbelastningar på molntjänsteleverantörer. Allt förändrades.

Framåt i tiden har AI-revolutionen exploderat. Bara för några år sedan, när vi först startade Qualified, representerade maskinlärande (ML) ett nytt sätt att utnyttja intelligens från stora datamängder. Nu, förstås, har LLM förändrat allt i termer av vår förmåga att flytta betydande arbetsbelastningar till AI. Men viktigare, LLM gör AI tillgänglig för alla, och människor har möjlighet att interagera med datorer, appar eller data med hjälp av sitt naturliga språk. Och även om vi bara är i början, är det mycket tydligt att många saker vi har gjort historiskt kommer att skrivas om och göras på nya sätt. Detta gäller inte bara hur vi lever, utan också hur vi arbetar.

En av våra mantra på Qualified är att utmana allt vi har gjort historiskt och bedöma hur det kommer att förändras med AI. AI kommer inte bara att förändra naturen på hur vi bygger system, utan det kommer också att låsa upp nya processer, operationer och organisationsstrukturer.

Den första vågen av denna AI-transformation har manifesterat sig i agenter. Varje företag för in agentic lager i olika funktioner över hela företaget. Vår AI SDR-agent har varit en mycket populär plats att börja när det gäller att föra in ett agentic lager i en marknadsföringsrörelse. Och det blir allt tydligare att inte bara kan Piper automatisera praktiskt taget alla inkommande pipeline-genereringsuppgifter och arbetsflöden som historiskt utfördes av mänskliga SDR, utan hon kan också börja hantera många av arbetsflödena som traditionellt gjordes med marknadsföringsautomatiseringsplattformar.

Piper är ett kraftfullt exempel på en autonom AI-agent i aktion. Var drar du personligen gränsen mellan hjälpsam automation och riskabel autonomi?

Autonomi kan inte existera säkert utan ansvar. Förtroende kan vinnas eller förloras exponentiellt i ett agentic system. Vi bygger inte längre molnverktyg. Vi distribuerar nu autonoma arbetare som fattar beslut på uppdrag av kunder. Det finns högre insatser för tillförlitlighet och förtroende än någonsin tidigare. Felaktigt eller oanvändbart agentbeteende bör vara den viktigaste prioriteringen för alla som utvecklar agenter. Lika viktigt som att investera i förmågor runt utbildning, finjustering, transparens, citeringar och kontroll, är att möjliggöra kunden att bygga en styrningsgrund för en agent.

Med Piper har vi varit medvetna om att bygga användbar autonomi – AI som fungerar inom tydligt definierade räcken, driven av vår rika historia av partnerskap med våra kunder som använder våra produkter idag. Gränsen för mig är ganska tydlig: automation bör aldrig ersätta omdöme i ögonblick som kräver sammanhang, empati eller nyans.

Piper försöker inte äga hela köparresan från början. Det finns en viktig inkörningsprocess för att säkerställa att agenten fungerar inte bara effektivt, utan också korrekt och inom de definierade gränser som fastställts av en kund. Du kan inte bara släppa en agent i produktion som interagerar med dina prospekt och kunder utan att förstå hur det kommer att påverka hela köpcykeln.

Så för mig är gränsen ritad vid förtroende, observabilitet och kontroll. Om vi inte kan tillhandahålla förklarbarhet eller mäta dess prestanda, då är det inte redo. De flesta företag jag pratar med blir mycket mer utbildade och tänker på dessa saker på rätt sätt, men det är vårt jobb att hjälpa våra kunder att sätta rätt räcken, moderering och bästa praxis runt styrning på plats.

Med tanke på de ökande förmågorna hos AI-agenter, hur ser du till att Piper stannar inom etiska och kontextuella gränser – särskilt när de engagerar riktiga mänskliga leads i högriskscenarier?

Inom Qualified-applikationen kan du programmera Piper att stanna inom vissa gränser, kontrollera hennes ton och säkerställa att hon följer företagets policys. Dessa är absoluta sanningar och regler för engagemang som inte kan brytas när man engagerar besökare. Vi tillhandahåller betydande moderering och räcken i kärnan av vår AI, vilket innebär att ta bort risker runt data (PII) och känslig information helt ur ekvationen. Dessutom tillåter vi företag att lägga till ytterligare räcken, instruktioner och regler för engagemang.

Vi ger också Piper möjlighet att försiktigt styra tillbaka en konversation som avviker från ämnet. Dessutom, om vi får en känsla av att det finns en dålig aktör i ena änden av ett engagemang, kan Piper enkelt avsluta en konversation om den utvecklas till ett område som är:

• Orelaterat till företaget, produkterna, tjänsterna eller branschen
• Slumpmässigt eller meningslöst
• Explicit, olämpligt eller stötande
• Helt utanför ramen för vad en AI SDR bör hantera

Dessa strikta räcken säkerställer att Piper stannar inom sina tilldelade gränser och ger våra kunder totalt förtroende och kontroll över hennes beteende.

Du har talat om behovet av återställningssystem och åsidosättningsförmåga. Kan du gå igenom de säkerhets- och kontrollåtgärder du har byggt in i Qualifieds plattform för att förhindra eller mildra AI-fel?

Förtroende och transparens/förklarbarhet går hand i hand. Förtroende börjar med att ge insikt i vad som händer, varför det händer och hur man kan påverka hur det fungerar i framtiden. Det finns grundläggande hyresgäster, såsom citeringar, feedback-loopar och finjustering. Men vi har också tagit extra steg för att våra användare ska kunna tillhandahålla ett observabilitetsskikt för AI som är lättillgängligt och kan ge mänsklig-i-loopen-feedback.

Som exempel tillhandahåller vi möjligheten att simulera olika omständigheter och enkelt se vad AI kommer att göra och ge feedback eller kurskorrektion på varje hypotetisk situation. Liksom du inkör en anställd innan de ges autonomi, måste du göra samma sak med AI.

I ljuset av AI-regleringstrender och nyliga rubriker om AI-misslyckanden, hur ser du på rollen för regelefterlevnad och policy för att forma framtiden för AI-agenter i försäljning och marknadsföring?

Regelefterlevnad och styrning är viktigare än någonsin. Det är inte svårt att tänka på den höjda risken agenter kan representera om de inte distribueras på ett ansvarsfullt sätt. Vi har alla sett resultaten av att släppa AI utan sammanhang eller ansvar. I B2B, särskilt i försäljning och marknadsföring där vi spelar, hanterar vi en hel del företagsdata och någon grad av personligt identifierbar information (PII). Vi måste hålla oss själva och våra kunder till höga standarder för att skydda våra köpares upplevelser.

Vi bygger Piper med företagsklassad regelefterlevnad från PRD-nivån. Detta innebär att vi tänker på sekretess, säkerhet och styrning från den allra första konceptionen av allt nytt vi bygger och levererar. När AI utvecklas kommer standarderna kring de vanliga misstänkta i vår bransch, såsom SOC 2, GDPR, CCPA, samtyckeshantering etc., att förändras – dessa är alla saker vi håller i åtanke när vi levererar funktioner. Men att checka av rutor är inte tillräckligt. Vi skapar en kultur av transparens och bygger vår egen etiska ram innan mer formella regler.

Dessa bitar av AI-pusslet kan inte vänta på formell policy – om du inte redan sätter upp dessa standarder inom dina team, är du efter.

Tror du att företag flyttar för fort i att ge AI-agenter för stor autonomi utan att bygga tillräckliga mänskliga tillsynsstrukturer?

Vi har alla sett rubrikerna när dessa saker går snett – det finns utan tvekan företag som flyttar för fort och ser på AI som verktyg att implementera istället för som en total affärsomvandling.

Automatisering är inte en strategi. Det är en del av den större bilden, men det kräver infrastruktur och långsiktig planering för att undvika att göra massiva misstag som till slut urholkar förtroendet hos dina kunder. Du kan inte få tillbaka det.

Mänsklig tillsyn är inte en hämmare för framgång med automatisering, det är en möjliggörare. AI kommer att göra det tunga lyftet, men mänskliga insatser krävs för att skala ansvarsfullt.

Hur balanserar du AI:s hastighet och effektivitet med unikt mänskliga färdigheter som omdöme, etik och nyans i kundinteraktioner?

Vi ser på Piper som en medarbetare. Hennes styrkor – alltid på, hastighet, omedelbar återkallande, oändlig skala – gör henne till en kraftfull SDR-agent, men vi vet att hon inte kan äga varje enskild interaktion från början till slut.

Människor kommer alltid att behövas i högriskkonversationer där nyanserad emotionell intelligens bättre tjänar köparen. Att utnyttja AI i rätt användningsfall är nyckeln till att balansera automatisering och mänskliga färdigheter. Piper är blixtsnabb, men hon vet när hon ska sluta och involvera människor.

Vi låter AI göra vad AI gör bäst så att människor kan göra vad människor gör bäst.

Du är i framkanten av agentic marknadsföring. Vad exciterar dig mest om de nästa 2-3 åren i detta område?

Jag känner att AI-eran har gett många av oss en andra vind efter ett tufft par år i tech-utrymmet. Agentic marknadsföring är en kraftfull innovation som slår upp dörrarna för all sorts ny teknik, och det har nästan jämnat ut spelplanen för företag i branschen.

Vi är alla på denna berg- och dalbana tillsammans, och vi är äntligen förbi den initiala gimmick-fasen och ser vad som är användbart.

De nästa två till tre åren kommer att handla om orkestrering – när allt fler AI-agenter kommer online, kommer jobbet att handla om att bygga de mest kraftfulla tech-stackarna som fungerar tillsammans som ett team för att uppnå komplexa arbetsflöden.

Vilka branscher tror du är minst förberedda på implikationerna av autonoma AI-agenter – och vad bör de göra nu för att komma före?

Branscher som har rigida hierarkier och äldre tekniska stackar är i riskzonen för att bli lämnade efter. För agentic marknadsföring att vara framgångsrik, måste du ha en modern attityd kring datahygien och programvara, och vissa av dessa större operationer flyttar långsamt och har en hel del teknisk skuld att navigera. Ironiskt nog är dessa de organisationer som har mest att vinna på AI-agenter – deras arbetsflöden är mogna för automatisering.

Nyckeln nu är att börja med infrastruktur och inte teknik. De kommer att behöva få sina hus i ordning först med strategisk planering runt arbetsflöden där agenter lägger till värde. De kommer att behöva ramverk runt regelefterlevnad och säkerhet. Sedan kan de börja testa några av dessa program.

Detta är inte bara ett IT-projekt – det är en total organisationsförändring, från topp till botten.

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