辛迪普·梅农，Auxia 首席执行官兼联合创始人 – 采访系列

辛迪普·梅农，Auxia 首席执行官兼联合创始人，在全球技术和营销领域拥有二十多年的领导经验。在 2022 年创立 Auxia 之前，他曾在谷歌工作了九年，担任过支付营销副总裁，并领导了下一个十亿用户计划，专注于新兴市场的数字包容。 他还曾在安卓、Chrome、ChromeOS 和谷歌应用商店等部门担任过高级营销领导职务。

Auxia 是一个由 AI 驱动的营销平台，能够让企业团队以 1:1 的方式编排个性化的客户旅程。 与依赖于僵化的规则和静态分段的传统营销平台不同，Auxia 使用 AI 代理实时测试假设并适应客户的偏好和行为。 它与第一方数据源无缝集成，自动化机器学习管道，并不断优化消息、时机和顺序，以最大化客户参与度和生命周期价值。

您在谷歌拥有成功的职业生涯后创立了 Auxia，您和您的联合创始人在市场中看到了哪些具体的差距或痛点，导致了 Auxia 的诞生？ (GOOGL )

在谷歌，我亲眼见证了真正的个性化的力量，当你拥有合适的基础设施和 AI 能力时。 但是，当我看到了更广泛的市场时，我看到公司正在与分散的营销技术栈作斗争，通常需要管理 12 到 14 个不同的点解决方案，这些解决方案之间不能相互通信。 他们收集了大量的客户数据，但无法将其转化为有意义的实时个性化体验。

基本的差距在于现有的平台是为 AI 之前的时代构建的。 他们依赖于静态规则和基本分段，而企业真正需要的是能够实时做出每个客户互动决策的智能、适应性系统。 我们看到了一个机会，将谷歌和 Meta 等公司使用的 AI 驱动的个性化能力带给所有规模的企业，而无需他们建立庞大的内部数据科学团队。

Auxia 的创始团队包括谷歌、Meta 和 Lyft 的前领导者。你们在这些科技巨头的经历如何塑造了 Auxia 的架构和理念？

我们都亲身经历过在规模上实现个性化的挑战。 在谷歌支付团队中，我们处于一个特权地位，因为我们早期接触到了变革性的技术，如变压器模型。 我的联合创始人来自 Meta 和 Lyft，他们构建了系统，开创了利用大量客户数据的方式，使其变得更加有用，例如为数百万用户每秒提供实时推荐和决策。

我们都亲眼见证了 AI 如何深刻地改善客户体验，同时解决我们营销团队面临的最艰巨的挑战。 与此同时，市场正在发生变化，使这种工作在谷歌以外成为可能。 随着现代数据栈和 Snowflake、BigQuery 和 Databricks 等平台的崛起，企业已经花了过去 5-10 年的时间将数据集中到一个准备就绪的位置，随时可以激活。

我们认识到一个独特的机会，将我们在谷歌内部开发的经验教训民主化，使其惠及所有企业。 这些公司刚刚意识到他们拥有大量有价值的数据，并且有了合适的技术，就可以解锁这些数据来驱动增长和更好的客户参与度。

大多数个性化工具依赖于规则和静态分段，而 Auxia 使用同步的 AI 代理。您能否详细说明这些代理如何协同工作和随时间演化，以个性化每个客户的旅程？

市场上的大多数工具仍然依赖于僵化的规则和静态分段，它们是反应性的，而不是智能的。 在 Auxia，我们构建了一个同步的 AI 代理系统，能够实时个性化每个客户旅程中的每个接触点。

每个代理都扮演着专门的角色。 决策代理根据用户的所有先前数据和偏好确定采取的最佳行动； 例如，是否向客户升级到新信用卡或促使他们开设新储蓄账户。 分析代理的功能类似于内置的数据科学团队，分析当前活动的效果，并在聊天界面中突出显示影响和改进的机会。 最后，Auxia 的内容代理利用所有数据和见解来主动提出新的消息或创意变体供营销团队批准。

这些代理的强大之处在于它们不在孤立中运行。 它们持续协作，学习每次互动，并根据正在发生的事情进行适应。 营销人员设定高层次的目标，而代理处理复杂性。 它们是自优化系统，每天都在演化，以在规模上推动更好的结果。

Auxia 每天处理 26 亿个事件，每秒处理 6,500 个查询。哪些基础设施创新使得公司在生命周期早期就实现了这种实时可扩展性？

从第一天开始，我们就知道规模是不可妥协的。 超个性化只有在您可以在毫秒内做出决定时才有效，使用新鲜的、上下文相关的信号。 我们从在谷歌的时间中学到了很多，并花了超过一年时间来构建支持这种实时编排的基础设施。

我们的架构是云原生的、事件驱动的，并针对高吞吐量流媒体进行了优化，因此我们站在了之前的技术浪潮的基础上，如现代数据栈的崛起。 营销技术格局的演变为开放的生态系统使我们能够更快地移动，并使我们能够直接与现代云数据仓库、CRM 和其他营销平台集成。 这使我们能够从第一天开始构建以规模为导向的产品，并且还帮助我们依赖于能够处理大量第一方客户信号而不引入延迟的基础设施。

我们与众不同之处在于，我们从一开始就是 AI 原生的。 我们设计了 Auxia 以支持大规模的实验，运行数千个同时的假设，并在没有人工干预的情况下持续优化结果，但我们也在利用行业中最新的技术进行特征创建、模型部署和 LLM 推理。

Auxia 的模型实验框架与传统的 A/B 测试有何不同？使用您的 ML 驱动方法，您发现了哪些最令人惊讶的见解？

传统的 A/B 测试非常有限，您一次只能测试几个变体，而且通常需要几周或几个月才能达到统计学意义的结果。 在 Auxia，我们重新想象了实验作为一个连续的、智能的过程。 我们的模型驱动框架使营销人员能够运行许多不同的自优化模型，并同时测试数百个变体。 使用强化学习等技术，Auxia 的决策系统根据实时数据做出实时决策。

让我们以一个促销活动为例，通过电子邮件发送优惠和奖励。 以前，营销人员可能会测试 2-3 个不同的优惠变体，例如 5% 折扣、10% 折扣和 20% 折扣，将受众分成互斥的组，启动，并比较结果以确定哪个变体对整个组来说最有效。 然后，获胜的变体将在实验期结束后部署到所有人身上。 这种方法有几个挑战。 首先，大多数实验都失败了，所以团队通常需要几周或几个月才能确定什么有效。 此外，这些实验设置非常耗时且耗费人力，这限制了团队的速度和影响力。

使用 Auxia，营销人员首先设定一个高层次的目标，例如驱动购买。 然后，团队将在系统中设置数百个不同的变体，这些变体可以使用我们的内容代理动态生成、从内容管理系统中获取或手动定义。 每个变体都将在构造（例如 5% 折扣与买一送一）、金额、内容，甚至可能是渠道（例如电子邮件与短信）方面有所不同。 对于每个个别用户，Auxia 的决策代理将根据所有可用的变体对每个人的最佳变体进行排名、评分和预测，以实现核心目标。

Auxia 的平台旨在消除对大型内部数据科学团队的依赖。您是否看到传统营销团队成功地承担了更多技术角色，使用您的工具？

我们创立 Auxia 的主要原因之一是为了让营销团队能够在不依赖工程师或数据科学家的情况下个性化他们的营销和产品体验。 只需几周的入职培训，使用 Auxia 的营销人员就能够自行启动新活动、提取数据并解读结果。 当世界向更具代理性的未来发展时，我们相信营销人员不会需要变得更加技术化或建立新的技术技能。 相反，传统上由工程师或分析师处理的责任将通过增强营销人员工作流程和整体体验的智能代理来民主化。 通过我们的分析代理，我们已经成功地抽象掉了传统数据科学家/分析师工作的很多复杂性，我们很高兴继续推进这些功能。

作为谷歌“下一个十亿用户”计划的前营销负责人，您如何看待包容性技术采用和营销中的代理 AI 之间的相似之处？

当我领导谷歌“下一个十亿用户”计划的营销工作时，我们认识到新兴市场的用户以与发达市场的用户根本不同的方式与产品进行交互。 由于这代表着巨大的增长机会，因此为这些用户构建产品变得至关重要——简化界面，抽象掉复杂性，并确保体验是可访问的和赋予力量的。

我看到一种非常类似的趋势正在营销中的代理 AI 中展开。 就像许多新的互联网用户直接跳入移动优先的体验中，而不需要先前的数字素养一样，营销人员今天不需要回去学习 SQL 或数据科学才能解锁个性化。 代理人弥合了这些技能差距，使复杂的能力立即可用。 与此同时，人们与 AI 交互的方式——超越基于聊天的界面，转向更直观、上下文感知的代理——正在迫使开发人员重新思考未来的 UI。 重点是可访问性、简单性和赋予力量——抽象掉技术复杂性，使最终体验感觉自然且有影响力。

公司对 AI 个性化的最大误解是什么，您如何帮助他们克服它？

公司对 AI 个性化的最大误解是，采用它意味着放弃对控制的完全控制或降低营销团队的战略影响。 AI 在处理复杂性方面表现出色，例如分析大量数据集、发现人类无法看到的模式，并实时提取重要信号。 但是，AI 无法提供设计有意义的客户体验所需的背景、同理心和战略判断。 这是人类的优势所在——设定愿景、定义品牌护栏，并理解个性化选择何时可能感觉入侵或不符合品牌。

如果我们坦率地说，使用今天的技术，人类可以在没有 AI 的情况下有效地工作，但 AI 无法在没有人类的情况下有效地工作。真正的突破出现在当您使用 AI 来处理数据驱动决策的规模和复杂性，同时赋予团队专注于战略、创造力和同理心的能力时。 这就是个性化从流行词转变为真正为客户和业务创造价值的东西时发生的情况。

拥有超过 50 位行业领袖的支持和 2350 万美元的融资，您将在接下来的 12-18 个月中优先考虑哪些产品和团队增长的关键领域？

我们将在接下来的 12-18 个月中优先考虑三个增长领域。 首先，我们致力于为客户提供卓越的价值，通过继续提升他们的体验。 这一直是我们团队的首要任务，我们希望确保我们为所有信任我们和我们的团队的公司提供卓越的投资回报率。 其次，我们正在扩展我们的 AI 代理功能，以支持增强整个营销人员的工作流程，帮助团队创建内容、编排个性化体验并提取有关是什么驱动影响的可行见解。 最后，我们正在扩大我们的市场推广引擎。 在企业中拥有强大的产品市场适应性后，下一步是通过扩大我们的销售和客户成功团队来扩大我们的影响力。 这使我们能够将 AI 驱动的个性化带给更多的企业，同时确保新客户能够从与我们早期成功所驱动的相同的高触感支持和差异化体验中受益。

您最看好代理 AI 的下一个前沿领域是什么，不仅是在营销领域，还包括其他企业应用？

真正让我兴奋的是看到采用速度、看到采用对现实世界的影响，以及看到市场认识到代理 AI 的真正价值在于增强，而不是替代。 太多的对话今天都集中在 AI 取代人类角色上，例如我在 101 号公路上看到的关于公司取代 SDR（甚至整个职能）的广告。 这个叙事会吸引头条新闻，但它忽略了更大的机会：赋予人们做最好工作的能力。

人类带来了背景、同理心、创造力和判断力，这些都是 AI 无法复制的。 代理 AI 的优势在于处理使团队不堪重负的复杂性和规模。 当这些能力与人类的优势结合时，组织可以取得的成果会发生翻天覆地的变化。

在营销中，这意味着让团队摆脱无休止的执行工作，使他们能够专注于战略、讲故事和客户同理心。 但这种模式也适用于企业的所有其他职能：在销售中，代理人可以让机会做好准备，使人类能够建立关系；在客户成功中，代理人可以标记风险和机会信号，使人类能够加深合作伙伴关系；在工程中，代理人可以通过自动化测试、调试和代码生成来加速开发，使团队能够专注于解决复杂的架构问题并推动创新。

所有这些机会都将创造出数万亿美元的价值，我喜欢看到那些正在推动工作未来发展的公司。

想象一下，财务团队拥有可以实时优化预算的 AI 代理，人力资源团队使用代理来个性化员工参与度，或者客户支持代理从被动转变为主动。

我们才刚刚开始。 未来不是关于 AI 取代人类，而是关于人类和 AI 代理共同合作，做出更快、更聪明、更富有同理心的决策。 这就是我们在 Auxia 建造的未来。

感谢这次精彩的采访，希望了解更多的读者可以访问 Auxia。