Joel Hellermarkin kiinnostus ohjelmointiin alkoi paljon ennen Sanaa. Scandinavian MINDin haastattelussa hän kertoo opetelleensa koodaamaan 13-vuotiaana Stanfordin verkkokurssien avulla. 14-vuotiaana hän oli harjoittelussa digimainostoimistossa ja 16-vuotiaana perusti ensimmäisen yhtiönsä, videota suositelleen Sample-palvelun.
Sana syntyi vuonna 2016, kun Hellermark oli 19-vuotias ja lukion viimeisellä vuodella. Hän ei kuvaa yrityksen lähteneen yhdestä valmiista tuoteideasta. Tavoitteena oli rakentaa tutkimus- ja tuotekehitysympäristö, jossa erittäin hyvät tutkijat, suunnittelijat ja insinöörit voisivat käyttää koneoppimista ihmisten oppimisen parantamiseen.
Ensimmäiset vuodet olivat siksi paljon tutkimuspainotteisempia kuin tavallisessa SaaS-yhtiössä. Hellermark on kertonut, että kielimallien laatu ei vielä 2010-luvun puolivälissä riittänyt siihen, mitä hän halusi tehdä. Sana käytti ensimmäisiä vuosia koneoppimistutkimukseen ja julkaisi varsinaisen tuotteen vasta vuonna 2020.
Varhaisen rahoituksen kannalta tärkeä henkilö oli Sophia Bendz. Hellermark on kutsunut sijoitusta rohkeaksi vedoksi, koska sekä perustaja, teknologia että markkina olivat vielä näyttämättömiä. Seed-rahoituksen saaminen vaikutti myös hänen henkilökohtaiseen päätökseensä: alkuperäinen suunnitelma oli mennä lukion jälkeen yliopistoon, mutta rahoitus mahdollisti keskittymisen Sanaan täysipäiväisesti.
Sana kehittyi yritysten oppimis- ja tietotyöalustaksi. Myöhemmin yhtiö rakensi Sana Learn- ja Sana Agents -tuotteet, jotka yhdistivät yritysten sisäisen tiedon, haun ja tekoälyagentit. Workdayn mukaan tuotteita oli ennen yrityskauppaa käyttänyt yli miljoona ihmistä sadoissa yrityksissä.
Workday ilmoitti syyskuussa 2025 ostavansa Sanan noin 1,1 miljardilla dollarilla käteisellä. Kauppa valmistui marraskuussa 2025. Hellermark jatkoi Sanan johdossa osana Workdayta. Julkistettu 1,1 miljardin dollarin summa on koko yhtiön kauppahinta, ei Hellermarkin henkilökohtainen tulo.
Sanan tarinan kiinnostavin piirre on pitkä aikajänne. Hellermark aloitti koneoppimisen parissa aikana, jolloin nykyisiä generatiivisen AI:n tuotteita ei vielä ollut. Hän käytti vuosia teknologian kypsymisen odottamiseen ja tutkimiseen. Tämä on erilainen reitti kuin nopea appi-MVP, mutta siinä on sama perusajatus: aloita ongelmasta, jonka uskot muuttuvan tärkeäksi, ja opi siitä syvemmin kuin useimmat muut.
Sanan alkuvaiheessa ei ollut selvää, mikä yksittäinen tuote lopulta voittaisi. Hellermark on kertonut halunneensa rakentaa eräänlaisen modernin Bell Labsin: paikan, jossa eri alojen ihmiset voisivat tutkia koneoppimisen ja oppimisen leikkauspistettä. Tämä tarkoitti, että yhtiö käytti paljon aikaa tutkimukseen ennen kaupallisen tuotteen vakiintumista.
Nuorelle perustajalle tällainen strategia oli riskialtis. Tulot eivät synny nopeasti, jos ensimmäiset vuodet menevät teknologian kypsymisen odottamiseen. Seed-rahoitus antoi Sanalle aikaa tehdä tätä työtä. Samalla perustajan täytyi rakentaa uskottavuutta kokeneempien tutkijoiden, asiakkaiden ja sijoittajien silmissä.
Hellermarkin aiemmat projektit auttoivat tässä. Hän ei ollut täysin tuntematon 19-vuotias, vaan oli jo tehnyt ohjelmointia vuosia, ollut harjoittelussa ja perustanut aiemman yhtiön. Tämä teki riskistä hieman ymmärrettävämmän sijoittajille: nuori ikä oli poikkeuksellinen, mutta osaaminen ei alkanut nollasta.
Kun Sana julkaisi varsinaisen tuotteen vuonna 2020, maailma oli valmiimpi AI-pohjaiselle oppimiselle. Yritykset olivat siirtämässä koulutusta verkkoon, ja tietoa syntyi valtavasti useisiin sisäisiin järjestelmiin. Sana pystyi yhdistämään oppimisen, haun ja myöhemmin generatiivisen AI:n samaan kokonaisuuteen.
Sana Learn keskittyi oppimiseen ja koulutukseen, kun taas Sana Agents laajensi yhtiön roolia tiedon hakemiseen ja tehtävien automatisointiin. Tämä muutos osoittaa, miten alkuperäinen missio voi säilyä vaikka tuotteen muoto muuttuu. Tavoite oli edelleen auttaa ihmisiä käyttämään tietoa paremmin.
Workdayn kiinnostus liittyi juuri tähän laajentumiseen. Workdaylla oli valtava määrä yritysdataa ja kymmeniä miljoonia käyttäjiä, mutta Sana toi mukaan AI-käyttöliittymän, haun ja oppimisen. Kauppa antoi Sanalle jakelukanavan, jota itsenäisenä yhtiönä olisi ollut vaikea rakentaa yhtä nopeasti.
Sanan tarina sopii erityisen hyvin nuorelle, joka ajattelee liian suurta ongelmaa. Kaikkea ei tarvitse ratkaista ensimmäisessä versiossa. Hellermark aloitti tutkimuskysymyksestä, rakensi osaamista pitkään ja antoi tuotteen muodon muuttua teknologian mukana. Vahva suunta voi olla tärkeämpi kuin tarkka alkuperäinen feature-lista.
Sanan kasvussa yritysasiakkaiden luottamus oli tärkeä este. Oppimiseen ja sisäiseen tietoon liittyvä AI käsittelee usein yrityksen arkaluontoista dataa. Tuotteen piti siksi näyttää yhtä aikaa modernilta ja turvalliselta. Tämä on erilainen ongelma kuin kuluttaja-apissa, jossa käyttöönotto voi tapahtua sekunneissa ilman organisaation hyväksyntää.
Hellermarkin tausta auttoi myös rekrytoinnissa. Hän oli nuori, mutta pystyi artikuloimaan kunnianhimoisen tutkimusvision, joka houkutteli ihmisiä rakentamaan jotain pidempiaikaista kuin yhden ominaisuuden startupia. Sanan identiteetti muodostui alusta asti vahvasti tuotteen laadun, designin ja tutkimuksen ympärille.
Workday-kauppa näyttää, miten yritysohjelmistossa jakelu voi olla yhtä arvokasta kuin teknologia. Sanalla oli teknologia ja tuotteet, Workdaylla valtava asiakaskunta ja yritysdata. Yhdessä niiden arvo voi olla suurempi kuin kahden erillisen yhtiön, mikä selittää strategisen yrityskaupan logiikkaa.
Sanan kehitys osoittaa, että tutkimuspainotteinen startup tarvitsee kärsivällisen rahoitusympäristön. Jos sijoittajat olisivat vaatineet heti valmista massatuotetta ja nopeaa liikevaihtoa, yhtiön alkuperäinen strategia olisi ollut vaikea toteuttaa. Rahoitus osti ennen kaikkea aikaa oppia teknologian mukana.