Jason Wojahn, generální ředitel KMS Technology – rozhovor

Jason Wojahn je generálním ředitelem společnosti KMS Technology a má zhruba tři desetiletí zkušeností s budováním a rozvojem firem poskytujících technologické služby podnikovým zákazníkům. Spoluzaložil a vedl společnost Thirdera až do jejího převzetí společností Cognizant. Předtím vedl globální divizi ServiceNow společnosti Accenture a zastával vedoucí pozice ve společnostech Cloud Sherpas a IBM Global Services. Zaměřuje se na transformaci podniků, provozní modely a proměnu pokroku v oblasti AI v měřitelné obchodní výsledky.

KMS Technology je společnost zaměřená na digitální inženýrství, data a AI, která organizacím pomáhá vyvíjet software, modernizovat aplikace, posilovat datové základy a nasazovat AI do produkčního provozu. Její služby zahrnují technické poradenství, vývoj produktů, datové inženýrství a inteligentní automatizaci pracovních postupů. V tomto rozhovoru Wojahn hovoří o „ekonomice realizace“, propasti mezi pilotními projekty AI a jejím nasazením do produkčního provozu, pravomocích agentů rozhodovat a o tom, jak mohou firmy měřit pokrok podle výsledků dosažených od začátku až do konce.

Věnoval jste tři desetiletí budování a rozvoji technologických organizací pro podnikové zákazníky – od rozvoje společnosti Navigis a vedení globální divize ServiceNow společnosti Accenture přes budování společnosti Thirdera až po současné působení ve funkci generálního ředitele KMS Technology. Jak tyto zkušenosti formovaly váš pohled na transformaci podniků a co vás přivedlo k výzvě pomáhat organizacím stát se nativními pro AI?

Začínal jsem v IBM Global Services, kde jsem řídil poskytování služeb pro velké podnikové klienty. Poté následovaly společnosti Navigis, Cloud Sherpas, Accenture, Thirdera a Cognizant – téměř celou dobu jsem působil v ekosystému ServiceNow.

Opakovaně jsem pozoroval tento vzorec: každá nová vlna platforem slibovala transformaci, ale o vítězích jen zřídkakdy rozhodovala samotná technologie. Vítězily společnosti, které změnily způsob, jakým práce skutečně proudila organizací.

Léta strávená u ServiceNow mě naučila, že skutečná hodnota spočívá v pracovních postupech, nikoli v řídicích panelech. Podnikový software se po tři desetiletí velmi dobře zdokonaloval v tom, aby nám ukazoval, co se děje. Mnohem méně si však věděl rady s tím, jak s tím něco udělat. Tuto mezeru vyplňovali lidé. Stali se neplaceným integračním týmem a přenášeli práci z jednoho systému do druhého.

AI to mění. Inteligence začíná být všudypřítomná. Nedostatková je nyní schopnost proměnit ji v koordinované jednání. Právě proto jsem přišel do KMS: kvůli hlubokým inženýrským znalostem, které umožňují vytvářet systémy, jež práci skutečně vykonávají, místo aby ji jen sledovaly, a také kvůli příležitosti stát se nativními pro AI, nikoli pouze AI podporovanými.

Mnoho podniků v pilotních projektech úspěšně prokázalo potenciál AI, přesto se jim nedaří proměnit tyto první úspěchy v hodnotu dosažitelnou v produkčním měřítku. Na jaké nejčastější překážky organizace narážejí při přechodu od experimentování k širšímu nasazení a proč se tyto problémy často projeví až poté, co se technologie osvědčí?

Pilotní projekt prokáže, že model funguje. Produkční provoz ukáže, zda funguje organizace.

Jde o dva velmi odlišné testy. Pilotní projekt pracuje s čistými, pečlivě vybranými daty, má motivovaného sponzora a malý tým, který si poradí s každou mezerou. Je navržen tak, aby se vyhnul obtížným aspektům.

V produkčním provozu se jim vyhnout nelze. Agent nyní musí pracovat s pěti systémy místo jednoho. Někdo musí nést odpovědnost za výsledek, když agent udělá chybu, rozhodnout, co smí schvalovat, a hradit jeho každodenní provoz.

Proto se tyto problémy objevují až poté, co se technologie osvědčí. Nikdy nešlo o problémy s technologií. Jde o problémy s daty, integrací, odpovědností a pravomocemi – a pilotní projekt byl vytvořen tak, aby obešel každý z nich.

Řešením je přestat považovat pilotní projekty za ukázky. Berte pilot jako první fázi produkčního nasazení. Vyberte důležitý pracovní postup, propojte ho se skutečnými systémy, určete odpovědnou osobu a hned od prvního dne stanovte, o čem může agent rozhodovat. Začátek bude pomalejší, ale škálování mnohem rychlejší.

Popisujete posun k „ekonomice realizace“, v níž konkurenční výhoda stále více závisí na schopnosti organizace proměňovat inteligenci v koordinované jednání. Co tento pojem znamená v praxi a jak mění přístup, který by podniky měly zaujmout k investicím do AI?

Každá práce prochází stejným řetězcem: informace, poznatek, rozhodnutí a realizace.

Podnikový software se po desetiletí zaměřoval na první dva kroky a AI rychle zlepšuje první tři. Většina organizací stále naráží u realizace – a právě tam se přesouvá konkurenční výhoda.

V praxi ekonomika realizace znamená, že inteligence už není nedostatkovým zdrojem. Tím je schopnost věci skutečně dotahovat. Dvě společnosti mohou mít stejné modely, stejná data i stejné poznatky. Vítězí ta, která tyto poznatky dokáže proměnit v koordinované jednání s jasně stanovenými pravomocemi a auditní stopou.

To mění způsob investování. Většina dnešních rozpočtů na AI směřuje do nástrojů: kopilotů, asistentů a lepšího vyhledávání. Ty zvyšují rychlost práce jednotlivců. Návrh, který AI připraví za deset minut, však může i nadále tři dny čekat na schválení. Rychlejší jednotlivé úkoly neznamenají rychlejší výsledky.

Investujte proto do pracovních postupů, ne do nástrojů, a začněte jinou otázkou. Ne „Jak zvýšíme produktivitu tohoto zaměstnance o 20 %?“, ale „Která práce už by neměla vyžadovat koordinaci ze strany lidí?“

Jak musí organizace přehodnotit své stávající procesy, struktury rozhodování a modely odpovědnosti, když se AI posouvá od pomoci zaměstnancům s jednotlivými úkoly k autonomnímu provádění celých pracovních postupů?

Většina procesů ve firmách vznikla s ohledem na lidské limity. Informace se šířily pomalu, a tak jsme zavedli porady. Rozhodnutí vyžadovala dohled, a tak vznikly schvalovací řetězce. Mnohé z toho, čemu říkáme proces, jsou ve skutečnosti předávky mezi lidmi.

Automatizujete-li stávající podobu, zautomatizujete organizační strukturu. Předávky budou rychlejší, ale neubude jich.

Přehodnocení začíná u rozhodnutí, nikoli u úkolů. U každého pracovního postupu zmapujte rozhodnutí, která zahrnuje. Co může agent doporučit? O čem může rozhodnout? Co může provést samostatně? Kdy musí zasáhnout člověk?

Pravomoci se vztahují k jednotlivým rozhodnutím, nikoli k celým pracovním postupům. Agentovi můžete plně důvěřovat, že zkontroluje a sesouhlasí fakturu, a přesto požadovat, aby každou platbu nad stanovený limit schválil člověk.

Odpovědnost nezmizí. Bude jasněji vymezená. Za provedení společně odpovídají lidé i agenti: agenti vykonávají práci, zatímco lidé vymezují pravomoci, řeší výjimky a nesou odpovědnost za výsledek. Každý agent musí mít určeného vlastníka a každý úkon by měl být dohledatelný a tam, kde je to možné, vratný.

Úkolem vedení už není koordinovat práci, ale navrhovat systémy, které ji vykonávají.

Ve společnosti KMS Technology se zaměřujete na proměnu tradičního digitálního inženýrství v podnikovou realizaci nativně založenou na AI. Jak tato proměna vypadá uvnitř firmy a jak KMS přistupuje k propojování AI, datových platforem a inteligentní orchestraci pracovních postupů, aby dosahovala měřitelných obchodních výsledků?

Nejprve uplatňujeme stejné myšlenky sami na sobě. KMS vyrostla jako společnost zaměřená na digitální inženýrství. Naší další etapou je podniková realizace nativně založená na AI: vývoj, modernizace a provoz, za které společně odpovídají lidé i agenti. Výsledky se projevují v čase a úsilí:

Vývoj. Společnost Evergreen Telehealth chtěla platformu pro telemedicínu postavenou na agentní AI a standardu FHIR pro zdravotnická data. Na trhu nic podobného nebylo. Náš tým a inženýři společnosti Evergreen pracovali od základu s AI a s Claude zapojeným do specifikace požadavků, návrhu, vývoje i testování a za 75 pracovních dnů převedli základní platformu od konceptu do produkčního provozu. Výsledkem byly tři aplikace (webová, pro iOS a Android), čtyři funkční integrace (EHR, ověřování totožnosti, platby a lékárna) a dva agenti v produkčním provozu. Vedení projektu zajišťovali lidé a AI práci urychlovala. Agenti připravovali uživatelské příběhy, generovali kód a spouštěli testy. Inženýři odpovídali za architekturu, mapování klinických dat a každé důležité rozhodnutí.

Modernizace. V jiném případě potřebovala společnost vyvíjející námořní software nahradit platformu, kterou provozovala ve vlastním prostředí více než 20 let. Nemohla si dovolit dlouhou tradiční přestavbu, než investoři uvidí pokrok, proto jsme realizovali šestitýdenní, časově ohraničený projekt vývoje s využitím agentů. Požadavky klienta byly načteny jako kontext, takže agenti vytvářeli řešení podle specifikace, místo aby pouze generovali kód. Tým dodal 35 až 45 procent rozsahu minimálního životaschopného produktu (MVP) za přibližně 800 týmových hodin oproti původnímu odhadu 6 000 až 8 000. Agenti napsali kód a více než 5 000 jednotkových testů. Inženýři nastavili ochranné mantinely a posuzovali kvalitu.

Provoz. Společnost Evergreen od té doby rozšířila architekturu agentů napříč celou firmou; systém monitorují nadřazení agenti a lidé se zapojují do jeho vyhodnocování a oprav.

Nejde jen o to, že píšeme kód rychleji. Měníme rozsah práce, kterou tým dokáže vykonat.

Ve všech třech případech nesou odpovědnost za provedení společně lidé i agenti. Agenti zvládají opakující se práci. Naše inženýrské týmy i týmy klientů odpovídají za rozhodnutí, výjimky a výsledky.

Stejný posun nám umožňuje dosáhnout většího násobného efektu při realizaci. V tom se liší realizace nativně založená na AI od realizace s podporou AI.

Podnikové systémy AI jsou stále více závislé na přístupu k informacím napříč roztříštěnými staršími aplikacemi, cloudovými platformami a datovými prostředími. Jak velkou výzvu představuje propojení těchto systémů a jaké architektonické základy by měly organizace vytvořit, než se pokusí ve velkém nasadit pracovní postupy řízené AI?

To je zásadní výzva. Většina podniků nemá problém s AI. Má problém s roztříštěností, který AI znemožnila přehlížet.

Podívejte se, jak dnes probíhá práce. Někdo najde informace v jedné aplikaci, v jiné urgenci schválení a výsledek zkopíruje do třetí. Integrační vrstvu tvoří lidé. Agent tuto práci nezvládne, pokud se nedostane do daných systémů, neporozumí kontextu a nemá příslušná oprávnění k provedení úkonu.

Základy jsou proto důležitější než model. Na prvním místě jsou čtyři:

• moderní datová architektura, která agentům poskytuje důvěryhodný kontext
• integrační vrstva, díky níž mohou agenti v systémech nejen číst, ale také provádět úkony
• identita a oprávnění navržené pro agenty, nejen pro lidi
• monitorování, díky němuž lze zjistit, co který agent udělal a proč

Technologický stack se také zjednodušuje. Datové platformy přebírají provozní úkoly, platformy pro řízení pracovních postupů získávají inteligentní funkce a aplikace přecházejí na architekturu bez uživatelského rozhraní. Pokud může pracovní postup procházet celým stackem, proč by to měl dělat uživatel?

Nečekejte na dokonalou architekturu. Vyberte jeden důležitý pracovní postup a modernizujte vše, čeho se dotýká. Pak se pusťte do dalšího.

Když agenti umělé inteligence začnou přijímat rozhodnutí a provádět úkony napříč podnikovými operacemi, nabývají na důležitosti otázky správy, odpovědnosti a lidského dohledu. Jak by měly podniky určit, která rozhodnutí lze svěřit umělé inteligenci a která musí zůstat pod lidskou kontrolou?

Začal bych tím, že otázku přeformuluji. Ne „Dokáže to umělá inteligence?“ Odpověď je stále častěji ano. Lepší otázka zní: „Kdo jí dal oprávnění jednat?“

Schopnost a přístup neznamenají oprávnění. Když agent může schválit vrácení peněz, změnit výrobní plán nebo zavázat firmu k výdajům, musí někdo stanovit hranice.

Praktickým vodítkem jsou náklady a možnost vrátit rozhodnutí zpět. Rozhodnutí, která se přijímají ve velkém objemu, řídí se pravidly a lze je snadno zvrátit, jsou vhodnými kandidáty pro delegování. Rozhodnutí s velkým dopadem, nevratná rozhodnutí nebo rozhodnutí, která určují vztah se zákazníkem, by měla zůstat na člověku.

Delegování si také musí být zasloužené. Začněte tím, že agenti budou předkládat doporučení a člověk je bude schvalovat. Jakmile přibude dostatek důkazů, přejděte od schvalování každého jednotlivého úkonu k dohledu nad systémem a řešení výjimek.

Cílem není mít člověka v každém kroku. Jde o to, aby byl člověk zapojen tam, kde je to potřeba. Data poskytují kontext. Modely uvažují. Agenti provádějí úkony. Lidé stanovují pravomoci a nesou odpovědnost za důsledky.

Vedl jste významné podnikové platformové firmy ve společnostech Accenture a Cognizant, kde rozšiřování provozu vyžadovalo sladění technologií, lidí a procesů napříč globálními organizacemi. Které poznatky z těchto zkušeností lze uplatnit při dnešní transformaci pomocí umělé inteligence, zejména když se větší překážkou než samotná technologie stává odpor v organizaci nebo zastaralý provozní model?

Nejvíc mě naučila integrace. V Cloud Sherpas, později v Accenture a následně v Cognizant jsem strávil roky spojováním organizací. Různé kultury, modely poskytování služeb, pobídky i regiony musely fungovat jako jedna platformová firma.

Technologie byla jen zřídka tím, co změnu brzdilo. Překážkou byl provozní model.

Do transformace pomocí umělé inteligence se přímo promítají tři poznatky.

Zaprvé, odpor bývá obvykle racionální. Lidé si chrání to, podle čeho jsou hodnoceni. Pokud zavedete agenty, ale týmy budete dál hodnotit podle odpracovaných hodin, počtu zaměstnanců a objemu činnosti, dosáhnete poslušného plnění pokynů, nikoli změny. Změňte metriky a změní se i chování.

Zadruhé, rozhodovací pravomoci musí být jasně vymezené. Při každé integraci byly nejtěžší rozhovory o tom, kdo o čem rozhoduje. Umělá inteligence tuto otázku činí nevyhnutelnou, protože některými z těch, kdo rozhodují, už nejsou lidé.

Zatřetí, jasně určete, co zůstane stejné. Lidé změnu snáze přijímají, když chápou, proč k ní dochází, a vědí, co se měnit nebude.

Transformace pomocí umělé inteligence je změnou provozního modelu, která s sebou náhodou zahrnuje i technologie. Vedoucí pracovníci, kteří ji považují za pouhé zavedení softwaru, budou zklamaní.

Tradiční metriky úspěchu umělé inteligence často zdůrazňují míru jejího využívání, zvýšení produktivity a ušetřený čas. Kterým metrikám by vedoucí pracovníci měli přikládat největší váhu, aby zjistili, zda umělá inteligence skutečně zlepšuje fungování podniku, a jak mohou organizace rozlišit dílčí zvýšení efektivity od významné provozní transformace?

Míra využívání a ušetřený čas jsou vstupní metriky. Ukazují, že lidé nástroj používají, nikoli to, zda podnik funguje rychleji.

Jestliže inženýr ušetří dvě hodiny, ale vydání produktu stále čeká týden na kontrolu, zákazník žádnou změnu nepocítí. Rychleji provedené úkoly neznamenají rychlejší výsledky.

Zaměřil bych se na tři druhy metrik:

• Doba od potřeby k výsledku: jak dlouho trvá, než se požadavek od začátku do konce promění ve výsledek.
• Kde práce čeká: jak dlouho trvá rozhodování, předávání práce a čekání ve frontách mezi týmy.
• Práce bez koordinace: jaká část pracovního postupu probíhá bez koordinace ze strany lidí, zatímco se lidé soustředí na úsudek a řešení výjimek.

Pak tyto metriky propojte s výsledky podniku: náklady na obsluhu, kvalitou a tržbami.

Ověřit transformaci lze jednoduše: Zrychlil se úkol, nebo se změnila podoba pracovního postupu? Dílčí zlepšení zrychlují stejný proces. Transformace odstraňuje kroky, předávání práce a schvalování, které už nejsou potřeba.

Měřte dobu od potřeby k výsledku. Zjistěte, kde práce čeká. Změňte to, co ji tam zdržuje.

Jak podle vás bude v příštích třech až pěti letech vypadat vývoj vztahu mezi umělou inteligencí, podnikovým softwarem a lidmi v pracovním procesu? Předpokládáte, že systémy navržené od základu pro umělou inteligenci zásadně nahradí tradiční podnikové pracovní postupy, a co by dnes měli vedoucí pracovníci dělat, aby se na tuto změnu připravili?

Podnikový software nám třicet let říkal, co se děje. Během příštích tří až pěti let bude stále častěji práci vykonávat sám.

AI nahradí koordinaci: nahánění lidí, kopírování, předávání a následné urgování, které většině lidí vyplňuje den. Lidé se budou více věnovat úsudku, výjimečným situacím, vztahům a odpovědnosti za výsledky. To je lepší využití lidských odborných znalostí, vyžaduje to však nové schopnosti, které musí vedoucí pracovníci cíleně rozvíjet.

Co by měli vedoucí pracovníci udělat už dnes? Vybrat jeden zásadní pracovní postup a zmapovat rozhodnutí, která v něm probíhají. Dát do pořádku podkladová data. Určit, o čem smí agent rozhodovat, a jmenovat člověka odpovědného za výsledek. Pak přejít k dalšímu pracovnímu postupu.

Firmy, které budou AI vnímat jako nástroj, dosáhnou vyšší efektivity. Firmy, které kolem ní reorganizují své fungování, dosáhnou výrazně většího účinku. Strategie není AI. Rozhoduje její realizace.

Děkujeme za skvělý rozhovor. Čtenáři, kteří chtějí prozkoumat podnikové fungování založené od základu na AI, inteligentní pracovní postupy a přechod od pilotních projektů s AI do produkčního provozu, by měli navštívit KMS Technology.