Adam Field, Chief AI Officer ve společnosti Tungsten Automation – Interview Series

Adam Field, Chief AI Officer ve společnosti Tungsten Automation, je dlouholetým lídrem podnikového technologického sektoru s hlubokými znalostmi v oblasti umělé inteligence, inteligentní automatizace a produktové strategie. V současné roli řídí globální úsilí společnosti o transformaci umělé inteligence, dohlíží na integraci umělé inteligence do produktového portfolia Tungstenu, řídí laboratoř Tungsten AI a zajišťuje rámce pro odpovědnou adopci umělé inteligence. Předtím, než se stal Chief AI Officer, působil jako Chief Product Officer, který spravoval portfolio generující více než 550 milionů dolarů ročně. Předtím, než vstoupil do Tungstenu, strávil Field téměř 17 let v Pegasystems, kde vedl inovační a zákaznické iniciativy, pomáhal tvarovat strategii pro vznikající technologie a stal se známým díky předvedení velkých produktových ukázek a programů podnikové inovace. Na počátku své kariéry zastával technologické a poradenské role ve společnostech Staples, Publicis Sapient a Fidelity Investments.

Tungsten Automation, dříve známá jako Kofax, je softwarová společnost zaměřená na automatizaci pracovních postupů s využitím umělé inteligence, inteligentní zpracování dokumentů, robotickou automatizaci procesů (RPA) a orchestraci obchodních procesů. Společnost poskytuje automatizační nástroje, které využívají organizace napříč odvětvími, jako je finance, zdravotnictví, pojištění a vláda, aby streaminovaly dokumentem náročné operace a zlepšily efektivitu. Její platforma kombinuje technologie umělé inteligence, nízkonákladové automatizace a inteligence dokumentů, aby pomohla podnikům automatizovat opakující se úkoly, extrahovat poznatky z nestrukturovaných dat a modernizovat obchodní postupy v měřítku.

Strávil jste roky vedoucí produktovou strategii a inovace, včetně budování inovačních laboratoří a rozšiřování produktového portfolia přes 500 milionů dolarů, než jste přešel do role Chief AI Officer ve společnosti Tungsten Automation. Co vás přesvědčilo, že je teď správný čas plně se věnovat vedení umělé inteligence, a jak vaše předchozí zkušenosti ovlivnily toto rozhodnutí?

Většinu své kariéry jsem se soustředil na přeměnu nových technologií na něco, co skutečně funguje v podnikovém prostředí. V posledních letech se stalo zřejmým, že umělé inteligence není jen další funkcí, kterou lze integrovat do produktů. Jejím prostřednictvím se mění, jak se software buduje a jak se dělají rozhodnutí napříč podnikem, a to tak, že zastínily a narušily vše, co přišlo předtím. Tento posun od experimentování k skutečným očekáváním výsledků, spojený s stále více nezpochybnitelným faktem, že umělé inteligence je zde, aby zůstala, učinil z tohoto správného času pro plné zapojení do role vedení umělé inteligence.

Také se stalo zřejmým, že úspěch umělé inteligence vyžaduje lidi, kteří kombinují technické znalosti a odborné znalosti z oboru. Tungsten chce pomoci společnostem dělat umělé inteligence správným způsobem a dosahovat skutečných výsledků, a proto Tungsten vytvořil úřad umělé inteligence a mou roli v něm.

Tungsten se vyvinul z počáteční dokumentové akvizice a OCR do plné inteligentní automatizační platformy, která pohání kriticky důležité pracovní postupy pro tisíce organizací. Jak vidíte, že tato historie ovlivňuje váš přístup k agentic umělé inteligenci dnes?

Historie Tungstenu je hluboce spojena s tím, jak podniky skutečně fungují. Prostřednictvím desetiletí jsme pracovali s dokumenty a pracovními postupy, které jsou umístěny v centru kritických obchodních procesů. To znamená, že rozumíme, jak komplexní a často nestrukturovaná může být tato informace.

Tato základna je velmi relevantní pro agentic umělou inteligenci. Tyto systémy potřebují fungovat v reálném prostředí, ne pouze interpretovat informace v izolaci. Naše zkušenosti s inteligencí dokumentů nám umožňují soustředit se na kontext a zajistit, aby umělá inteligence fungovala způsobem, který je konzistentní s tím, jak podnik funguje. Je to o budování systémů, které lze důvěřovat v produkci, ne pouze prozkoumat v teorii.

To je důvod, proč je tato nejnovější evoluce umělé inteligence tak vzrušující. Zavedla inteligentní zpracování dokumentů do míst, kam jsme je dříve nemohli dostat — řeší problémy, které byly dříve příliš nákladné nebo nemožné řešit.

Vy jste zdůraznil začlenění umělé inteligence do celého produktového portfolia, místo aby se na ni pohlíželo jako na samostatnou funkci. Co vlastně znamená „AI-nativní“ transformace v rámci velkého, zavedeného softwarového produktu?

Brzy se stalo zřejmým, že generativní a agentic umělá inteligence se staly samozřejmostí, což znamená, že zákazníci již nejsou vždy ochotni platit extra za ně. Také jsme si uvědomili, že tyto technologie nám umožňují modernizovat to, co Tungsten dělal po mnoho let: pomáhat společnostem porozumět jejich dokumentům.

Neměnili jsme náš slib značek. Nevytvořili jsme samostatné produkty nebo funkční prvky. Přestavěli jsme, jak se produkt používá, a když je tato základna na místě, umělá inteligence může fungovat způsobem, který feels přirozeně v rámci produktu, spíše než odděleně od něj. A použití, které naši zákazníci začali řešit, se přesunulo od strukturovaných dokumentů k nestrukturovaným zdrojům informací. A my jsme předefinovali „dokument“ na cestě. Není to již pouze obraz papíru nebo digitální soubor. Nestrukturovaná data žijí ve věcech, jako jsou poznámky pojistných adjusterů, přepisy hovorů z kontaktního centra, příspěvky na sociálních médiích, články na webu a mnoho dalších.

Přijetí tohoto přístupu umožňuje našim zákazníkům rozšířit základ a otevřít modely se svými vlastními daty, což je skutečný diferenciátor.

Jako první Chief AI Officer, jak vyvažujete rychlost inovací s potřebou řízení, zabezpečení a odpovědného nasazení umělé inteligence v měřítku?

Vždy existuje tlak na rychlé pohyby s umělou inteligencí, ale v podnikovém prostředí důvěra záleží stejně jako rychlost. Řízení a zabezpečení nemohou být považovány za něco, co se řeší až dodatečně. Musí být zabudovány do systému od začátku.

Způsob, jakým to děláme, spočívá v nastavení očekávání od začátku a vzděláním našich koncových uživatelů. Například polovina mé role se soustředí na interní strategii umělé inteligence, evangelizaci a řízení. Sestavili jsme mezioborový poradenský sbor velmi brzy. Povzbuzujeme sdílení, experimentování a komunikaci. Byly chvíle, kdy byla technologie připravena k nasazení pro všechny zaměstnance spojené s několika interními systémy. Prototypy byly silné a všichni byli nadšeni, ale jsme našemu poradenskému týmu oznámili, kdykoli jsme narazili na potenciální bezpečnostní nebo regulační překážky. Oni oceňují přehled a často se účastní řešení.

Důležité je také neumožnit, aby se perfekcionismus bránil pokroku. Nastavujeme očekávání u našeho personálu, že by se měli očekávat změny, a hodně z nich. Měli by očekávat, že budeme nasazovat nástroje a funkce, jakmile budou připraveny, získat zpětnou vazbu, změnit směr, pokud je to nutné, a poté nasadit další.

Agentic umělá inteligence se rychle stává hlavním zaměřením napříč odvětvím. Jak podle vás odděluje skutečné podnikové agentic systémy od experimentálních nebo přehnaných implementací?

Klíčový rozdíl spočívá v tom, jak systémy fungují v reálných podmínkách. Mnohé experimentální přístupy fungují dobře v kontrolovaných prostředích, ale bojují, když narazí na špinavá data nebo složité pracovní postupy. Podnikové systémy potřebují zvládnout tuto variabilitu a stále poskytovat konzistentní výsledky.

Většina systémů z posledních 30 let byla postavena pro interakci s lidmi nebo prostřednictvím velmi kontrolovaného přístupu API. Systémová integrace musí být přehodnocena v éře agentic. Vše, od toho, jak zpracovat výjimky, chyby a audit, je jiné, když agenti interagují, spíše než lidé prostřednictvím tradičního uživatelského rozhraní.

Dalším důležitým faktorem je odpovědnost. Organizace potřebují pochopit, jak jsou učiněna rozhodnutí, a musí být schopny důvěřovat výsledkům. Tato úroveň transparentnosti je to, co umožňuje agentic systémům přesunout se z zajímavých demonstrací do skutečného provozního použití.

Vedete laboratoř Tungsten AI jako centrum pro výzkum a aplikovanou inovaci. Jak zajišťujete, aby experimentální práce s umělou inteligencí překládala do měřitelných obchodních výsledků pro zákazníky?

Ve skutečnosti jsem přijal trochu opačný přístup s laboratoří Tungsten AI. Řekl jsem týmu, že je v pořádku experimentovat, učit se a zkoušet nové přístupy, i když výsledky nemusí být nikdy součástí našich produktů. Často je lepší se naučit, co nedělat. Věřím, že to dalo týmu svobodu myslet volně a experimentovat s novými způsoby dělání věcí.

Jako příklad, zatímco nemohu prozradit přesnou funkci, jeden z našich současných výzkumných sprintů zahrnuje zcela novou metodu pro stávající komponentu produktu. Výzkumníci objevili nové metody pro řešení problému, což vedlo k „osvětlujícímu“ okamžiku, kdy jsme možná mohli nabídnout kompletní novou doplňkovou řešení našim zákazníkům. Kdybychom se pouze soustředili na implementaci toho, co již bylo v roadmapu, nikdy bychom se k tomu nedostali.

To řečeno, nejde o volnou ruku. Jsme uvážliví, kde trávíme čas a jak много času trávíme na každém výzkumném projektu.

Mnohé organizace stále bojují s přechodem z pilotních projektů umělé inteligence do produkční fáze. Jaké jsou největší bariéry, které vidíte, a jak mohou společnosti překonat tyto překážky?

Jedna z největších překážek je tmavá data. Většina organizací má přístup k enormnímu množství informací, ale velká část z nich žije v dokumentech, e-mailech, PDF a dalších nestrukturovaných formátech, které jsou obtížně interpretovatelné pro systémy umělé inteligence. To znamená, že i dobře navržené modely často pracují s neúplným a nekonzistentním pohledem na podnik, což vede k nespolehlivým výstupům a zastavuje iniciativy.

Abychom překonali tuto překážku, společnosti potřebují soustředit se na přeměnu tmavých dat na něco užitečného. To zahrnuje nejen extrakci informací, ale také vytvoření struktury, kontextu a řízení kolem nich, aby systémy umělé inteligence mohly skutečně jednat s důvěrou. Jakmile je tato základna na místě, umělá inteligence se stává mnohem spolehlivější a snáze škálovatelnou z izolovaných pilotních projektů do skutečného produkčního prostředí.

Tungsten působí napříč dokumentem náročnými a workflow intenzivními odvětvími. Jak se podle vás umělá inteligence mění v tom, jak podniky přemýšlejí o nestrukturovaných datech a rozhodování?

Umělá inteligence mění, jak organizace přemýšlejí o hodnotě informací, které již mají. Po mnoho let velké množství podnikových znalostí sedělo v dokumentech, e-mailech, PDF a dalších nestrukturovaných obsahu, který byl obtížný přístupný nebo operační. Nyní si organizace uvědomují, že tato data obsahují kontext a obchodní logiku, kterou systémy umělé inteligence potřebují, aby produkovaly spolehlivé výsledky. Modely samy o sobě jsou komoditou; organizace’vlastní informace v kombinaci s těmito modely jsou diferencátorem.

Ve stejnou dobu roste povědomí o suverenitě dat, řízení a toku podnikových informací. Mnohé společnosti se snaží získat více externích dat nebo experimentovat se širokým přístupem k modelům, když ve skutečnosti již sedí na enormním množství nevyužité inteligence uvnitř své vlastní organizace. Zaměření se začíná přesouvat směrem k aktivaci této interní nestrukturované datové základny bezpečným a řízeným způsobem, aby umělá inteligence mohla podporovat lepší rozhodnutí bez vytváření zbytečných rizik.

Vy jste vybudoval zákaznické poradenské rady a úzce spolupracoval s podnikovými klienty po celou svou kariéru. Jak důležité je pro vás zpětná vazba zákazníků při formování strategie umělé inteligence, zejména když se technologie vyvíjí tak rychle?

Zpětná vazba zákazníků je dar, zejména v oblasti, která se vyvíjí tak rychle jako umělá inteligence. Pomáhá zajistit, aby strategie zůstala ukotvena v reálných obchodních potřebách, spíše než teoretických možnostech.

Také pomáhá s prioritizací. Existuje mnoho směrů, kam může umělá inteligence jít, ale zpětná vazba zákazníků poskytuje jasnost o tom, kde lze vytvořit největší hodnotu. To udržuje zaměření na výsledky, které záleží, a zajišťuje, aby inovace zůstala v souladu s tím, jak organizace skutečně fungují.

Přípomínám si, že v raných dnech generativní umělé inteligence mi zákazník na naší poradenské radě řekl, že ačkoli mu se líbila směr produktu, nikdy by nezaplatil extra za novou funkci LLM v našem roadmapu. To bylo osvětlující, protože on byl v souladu se zbytkem odvětví.

Pohledem do budoucnosti, kde vidíte největší příležitost pro automatizaci poháněnou umělou inteligencí v příštích 3 až 5 letech, a na co by se měly podniky připravovat nyní?

Největší příležitost je ve spojení umělé inteligence hlouběji do koncových pracovních postupů. Místo toho, aby se soustředily na izolované úkoly, organizace se budou dívat na to, jak může umělá inteligence podporovat celý proces a zlepšovat, jak práce prochází napříč podnikem. V současné době mnoho agentic systémů je zaměřeno na diskrétní úkoly, ale podniky fungují na základě kompatibilních koncových pracovních postupů.

Aby se na tuto změnu připravily, podniky potřebují investovat do svých datových základů a do systémů, které podporují transparentnost a kontrolu. A měly by uvažovat o „build vs. partner“ místo „build vs. buy“. Viděli jsme, že umělá inteligence DIY od začátku často selhává. Podniky, které nejvíce prosperují, budou ty, které najdou správné partnery poháněné umělou inteligencí, aby urychlily svá řešení, místo aby se snažily přestavět vše od začátku.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Tungsten Automation.