Sean Whiteley, grundare och VD för Qualified – Intervjuserie

Du har framgångsrikt grundat tre företag, inklusive ett som förvärvades 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 marknadsprogram förändrades snabbt till digitala. Det blev omedelbart uppenbart att det fanns en stor 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 högintentionella 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.

Det är där idén till Qualified kom 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. Framtiden idag, och vi har utvecklat den visionen 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 av programvarudistributionsmodellen. Saker som delad infrastruktur, multi-inhyrning och betala-per-användning-prissättning banade väg för företag att flytta viktiga applikationer och processer till molnet. Strax efter blev plattform och infrastruktur tillgängliga som en samling tjänster, vilket var en massiv möjliggörare för företag att avlasta betydande arbetsbelastningar till molntjänsteleverantörer. Allt förändrades.

Framtiden i decade, och AI-revolutionen har exploderat. Bara för några år sedan, när vi först startade Qualified, representerade maskinlärning (ML) ett nytt sätt att utnyttja intelligens från stora datamängder. Nu, naturligtvis, 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 mantran på Qualified är att utmana allt vi har gjort historiskt och bedöma hur det kommer att förvandlas med AI. AI kommer inte bara att förändra naturen av hur vi bygger system, utan det kommer också att låsa upp nya processer, operationer och organisationsstrukturer.

Den första vågen av denna AI-omvandling 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 med när det gäller att för in ett agentic lager i en marknadsrörelse. Och det blir allt tydligare att inte bara kan Piper automatisera nästan alla inkommande pipeline-genereringsuppgifter och arbetsflöden som traditionellt utförs av mänskliga SDR, utan hon kan också börja hantera en hel del av arbetsflödena som traditionellt görs med marknadsautomatiseringsplattformar.

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 beteende hos agenter bör vara den viktigaste prioriteringen för alla som utvecklar agenter. Lika viktigt som att investera i funktioner runt utbildning, finjustering, transparens, citat 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 ramar, 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 rampprocess för att säkerställa att agenten fungerar inte bara effektivt, utan också korrekt och inom de definierade gränser som fastställs 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 dragen vid förtroende, observerbarhet och kontroll. Om vi inte kan tillhandahålla förklarbarhet eller mäta dess prestanda, då är det inte redo. De flesta företag jag pratar med blir allt mer utbildade och tänker på dessa saker på rätt sätt, men det är vårt jobb att hjälpa våra kunder att sätta rätt ramar, 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 ramar i kärnan av vår AI, vilket innebär att ta bort risker runt data (PII) och känslig information helt. Dessutom tillåter vi företag att lägga till ytterligare ramar, 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 på ena sidan av ett engagemang, kan Piper enkelt avsluta en konversation om den är på väg att gå in i 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 ramar säkerställer att Piper stannar inom sina tilldelade gränser och ger våra kunder totalt förtroende och kontroll över hennes beteende.

Du har pratat om behovet av återställningssystem och åsidosättningsfunktioner. 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 citat, återkopplingsloopar och finjustering. Men vi har också tagit extra steg för våra användare att tillhandahålla ett observerbarhetslager för AI som är lättillgängligt och kan ge mänsklig-återkopplingsfeedback.

Till exempel ger vi möjlighet att simulera olika omständigheter och enkelt se vad AI kommer att göra och ge feedback eller kurskorrektion för varje hypotetisk situation. Precis som du ramper 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?

Reglering och styrning är viktigare än någonsin. Det är inte svårt att tänka på den höjda risken som 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 form av personligt identifierbar information (PII). Vi måste hålla oss själva och våra kunder till höga standarder för att skydda köparnas upplevelser.

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

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

Tror du att företag flyttar för fort och ger AI-agenter för mycket autonomi utan att bygga adekvata mänskliga tillsynsstrukturer?

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

Automation 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 automation – det är en möjliggörare. AI kommer att utföra det tunga arbetet, 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 återkallning, 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 automation 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.

Vad är det som exciterar dig mest om de kommande 2-3 åren i detta område?

Jag känner att AI-eran har gett många av oss en andra chans efter ett tufft par år i tech-rymden. Agentic marknadsföring är en kraftfull innovation som öppnar dörrar för alla sorters ny teknik, och det har nästan jämnat ut spelplanen för företag i branschen.

Vi är alla på den här berg- och dalbanan tillsammans, och vi är äntligen förbi den initiala gimmikfasen och ser vad som är användbart.

De kommande två till tre åren kommer att handla om orkestrering – allt eftersom fler och fler AI-agenter kommer online, kommer jobbet att handla om att bygga de mest kraftfulla tekniska staplarna som fungerar tillsammans som ett team för att utföra komplexa arbetsflöden.

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

Branscher som har rigida hierarkier och legacy-teknikstackar är i riskzonen för att bli lämnade efter. För att agentic marknadsföring ska vara framgångsrik måste du ha en modern attityd till datahygien och programvara, och vissa av dessa större verksamheter flyttar långsamt och har en hel del teknisk skuld att navigera. Ironiskt nog är det dessa organisationer som har mest att vinna på AI-agenter – deras arbetsflöden är redo för automation.

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 ramar runt regelefterlevnad och säkerhet. Sedan kan de börja prova på några av dessa program.

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

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