Adam Field, Chief AI Officer hos Tungsten Automation – Interview Serie

Adam Field, Chief AI Officer hos Tungsten Automation, er en erfaren leder inden for virksomhedssoftware med dyb ekspertise i kunstig intelligens, intelligent automatisering og produktstrategi. I sin nuværende rol leder han virksomhedens globale AI-transformation, overvåger integrationen af AI på tværs af Tungstens produktportefølje, vejleder Tungsten AI Lab og etablerer styrestrukturer for ansvarlig AI-adopteringspraksis. Før han blev Chief AI Officer, fungerede han som Chief Product Officer, hvor han stod i spidsen for en portefølje, der genererede over 550 millioner dollars i årlig omsætning. Før han kom til Tungsten, tilbragte Field næsten 17 år hos Pegasystems, hvor han ledte innovations- og kundeoplevelsesinitiativer, hjalp med at forme fremvoksende teknologistrategi og blev kendt for at levere store skala-produktpræsentationer og virksomhedsinnovationsprogrammer. Tidligere i sin karriere havde han tekniske og rådgivende roller hos Staples, Publicis Sapient og Fidelity Investments.

Tungsten Automation, tidligere kendt som Kofax, er en virksomhedssoftwarevirksomhed, der fokuserer på AI-drevet workflow-automatisering, intelligent dokumentbehandling, robotisk procesautomatisering (RPA) og forretningsproceskoordinering. Virksomheden leverer automatiseringsværktøjer, der bruges af organisationer på tværs af brancher som finans, sundhedsvesen, forsikring og offentlig forvaltning til at strømline dokumenttunge operationer og forbedre effektiviteten. Deres platform kombinerer AI, lavkode-automatisering og dokumentintelligens-teknologier for at hjælpe virksomheder med at automatisere repetitive opgaver, udtrække indsigt fra ustruktureret data og modernisere forretningsworkflows i stor skala.

De har brugt år på at lede produktstrategi og innovation, herunder opbygning af innovationslab og udvikling af en produktportefølje på over 500 millioner dollars, før de gik ind i rollen som Chief AI Officer hos Tungsten Automation. Hvad overbeviste dem om, at nu var øjeblikket at skifte fuldt ind i AI-ledelse, og hvordan har deres tidligere erfaring formet denne beslutning?

Jeg har brugt en stor del af min karriere på at omdanne nye teknologier til noget, der faktisk virker i stor skala inden for virksomhedsomgivelser. Over de seneste par år er det blevet klart, at AI ikke bare er en ny funktion, der skal integreres i produkter. Det ændrer, hvordan software udvikles, og hvordan beslutninger træffes på tværs af forretningen, og det synes at overskygge og afbryde alt, hvad der kom før. Denne skift fra eksperimenter til reelle forventninger til resultater, kombineret med den stadig mere uafviselige kendsgerning, at AI er her for at blive, gjorde det til det rette øjeblik at gå fuldt ind i en AI-ledelsesrolle.

Det blev også klart, at AI ikke var den mirakelkur, som mange havde markedsført det som. AI-succes kræver mennesker, der kombinerer teknisk ekspertise og branchekendskab. Tungsten vil hjælpe virksomheder med at gøre AI på den rigtige måde og opleve reelle afkast, og det er derfor, Tungsten oprettede AI-kontoret og min rolle inden for det.

Tungsten er udviklet fra tidlig dokumentfangst og OCR til en fuld intelligent automatiseringsplatform, der driver mission-kritiske workflows for tusindvis af organisationer. Hvordan ser de på, at denne arv påvirker deres tilgang til agentic AI i dag?

Tungstens historie er dybt forbundet med, hvordan virksomheder faktisk opererer. Vi har brugt årtier på at arbejde med dokumenter og workflows, der sidder i centrum af kritiske forretningsprocesser. Det betyder, at vi forstår, hvor komplekse og ofte ustrukturerede disse oplysninger kan være.

Denne baggrund er meget relevant for agentic AI. Disse systemer skal operere inden for virkelige omgivelser, ikke kun fortolke oplysninger i isolation. Vores baggrund i dokumentintelligens giver os mulighed for at fokusere på kontekst og sikre, at AI handler på en måde, der er konsistent med, hvordan forretningen kører. Det handler om at bygge systemer, der kan tillides i produktion, ikke kun udforskes i teori.

Det er derfor, denne seneste AI-udvikling er så spændende. Den tager Intelligent Document Processing til steder, vi aldrig kunne tage det før — løsning af problemer, der var for dyre eller umulige at tackle i fortiden.

De har understreget, at AI skal integreres på tværs af hele produktporteføljen og ikke behandles som en selvstændig funktion. Hvad ser “AI-nativ” transformation ud som i en stor, etableret softwareplatform?

Det blev klart tidligt, at generative- og agentic AI-drevne funktioner hurtigt blev en selvfølge, hvilket betyder, at kunderne ikke altid var villige til at betale ekstra for dem. Vi indså også, at disse teknologier giver os mulighed for at modernisere, hvad Tungsten har gjort i årevis: hjælpe virksomheder med at give mening til deres dokumentdata.

Vi ændrede ikke vores brandløfte. Vi skabte ikke enkelte produkter eller tilføjede funktioner. Vi omstrukturerede, hvordan produktet bruges, og når denne grundlæggelse er på plads, kan AI operere på en måde, der føles naturlig inden for produktet, snarere end adskilt fra det. Og brugstilfældene, vores kunder begyndte at adresse, skiftede fra strukturerede dokumenter til ustrukturerede kilder af information. Og vi gendefinerede “dokument” undervejs. Det er ikke længere et billede af papir eller en digital fil. Ustruktureret data findes i ting som skadeforsikringsnoter, kontakcenter-transkriptioner, sociale medie-indlæg, webartikler og meget mere.

At tage denne tilgang giver vores kunder mulighed for at supplere grundlaget og åbne modeller med deres egne proprietære data, som er den sande differentiator.

Som virksomhedens første Chief AI Officer, hvordan balancerer de innovationshastighed med behovet for styre, sikkerhed og ansvarlig AI-udvikling i stor skala?

Der er altid et pres for at flytte hurtigt med AI, men i virksomhedsomgivelser er tillid lige så vigtig som hastighed. Styre og sikkerhed kan ikke behandles som en eftertanke. De skal bygges ind i systemet fra starten.

Vi gør dette ved at sætte forventninger op forud ved at uddanne vores slutbrugere. For eksempel er halvdelen af min rol fokuseret på intern AI-strategi, evangelisering og styre. Vi samlede en tværfaglig rådgivende komité sammen meget tidligt. Vi opmuntre til deling, eksperimenter og kommunikation. Der var tidspunkter, hvor teknologien var klar til at rulle ud til alle ansatte, der var forbundet med flere interne systemer. Prototyperne var kraftfulde og fik alle til at blive begejstrede, men vi lod vores rådgivende team vide, når vi stødte på potentielle sikkerheds- eller regulatoriske hindringer. De værdsætter indsigt og deltog ofte i løsningen.

Jeg tror også, det er vigtigt ikke at lade perfektion komme i vejen for fremskridt. Vi satte forventninger op for vores personale om, at de skulle forvente forandring, og meget af det. De skulle forvente, at vi ville rulle værktøjer og funktioner ud, som de var klar, få feedback, ændre kurs hvis nødvendigt, og derefter rulle mere ud.

Agentic AI er hurtigt på vej til at blive en stor fokus på tværs af branchen. Hvad adskiller rigtige virksomhedsgrads agentic-systemer fra eksperimentelle eller overhypede implementeringer?

Nøglen er, hvordan systemerne opfører sig i virkelige forhold. Mange eksperimentelle tilgange fungerer godt i kontrollerede omgivelser, men kæmper, når de støder på beskidt data eller komplekse workflows. Virksomhedsgrads-systemer skal kunne håndtere denne variabilitet og stadig levere konsistente resultater.

De fleste systemer over de sidste 30 år er bygget til menneskelig interaktion eller via meget kontrolleret API-adgang. Systemintegration skal genovervejes i den agentic æra. Alt fra, hvordan man håndterer undtagelser, fejl og revision, er anderledes, når agenter interagerer, snarere end et menneske gennem en traditionel brugerflade.

En anden vigtig faktor er ansvarlighed. Organisationer skal forstå, hvordan beslutninger træffes, og være i stand til at stole på resultaterne. Den niveau af gennemsigtighed er, hvad der giver agentic-systemer mulighed for at flytte fra interessante demonstrationer til rigtig operationel brug.

De leder Tungsten AI Lab som et center for forskning og anvendt innovation. Hvordan sikrer de, at eksperimentel AI-arbejde oversætter til målbare forretningsresultater for kunder?

Jeg tog faktisk en lidt modsat tilgang med Tungsten AI Lab. Jeg lod teamet vide tidligt, at det var okay at eksperimentere, at lære og at prøve nye tilgange, selv hvis resultaterne aldrig kom ind i vores produkter. Ofte er det bedre at lære, hvad man ikke skal gøre. Jeg tror, det har givet dem friheden til at tænke frit og eksperimentere med nye måder at gøre tingene på.

Som eksempel kan jeg ikke afsløre den præcise funktion, men en af vores nuværende forskningssprint omhandler en helt ny tilgang til en eksisterende produktkomponent. Forskerne fandt nye metoder til at løse et problem, som førte til et “lysglimt”-øjeblik, hvor vi måske kan tilbyde en komplet ny tilføjelsesløsning til vores kunder. Hvis vi kun havde forsket i, hvordan vi kunne implementere, hvad der allerede var i vejledningen, ville vi aldrig være nået hertil.

Det sagde, er det ikke en frihedsbrev. Vi er omhyggelige med, hvor vi bruger tid, og hvor meget af det, vi bruger på hvert forskningsprojekt.

Mange organisationer kæmper stadig med at flytte fra AI-piloter til produktion. Hvad er de største barrierer, de ser, og hvordan kan virksomheder overvinde dem?

En af de største barrierer er mørk data. De fleste organisationer har adgang til enorme mængder af information, men en stor del af det lever i dokumenter, e-mails, PDF’er og andre ustrukturerede formater, som er svære for AI-systemer at fortolke. Det betyder, at selv veludformede modeller ofte arbejder med en ufuldstændig og inkonsistent visning af forretningen, hvilket fører til upålidelige udgangsresultater og stagnation af initiativer.

For at flytte ud over det skal virksomheder fokusere på at omdanne mørk data til noget, der kan bruges. Det indebærer ikke kun at trække information ud, men også at skabe struktur, kontekst og styre omkring det, så AI-systemer kan handle på det med tillid. Når denne grundlæggelse er på plads, bliver AI langt mere pålidelig og lettere at skala fra isolerede piloter til rigtige produktionsmiljøer.

Tungsten arbejder på tværs af dokumenttunge og workflow-intensiverede brancher. Hvordan ændrer AI, hvordan virksomheder tænker om ustruktureret data og beslutningstagning?

AI ændrer, hvordan organisationer tænker om værdien af den information, de allerede har. I årevis har store mængder af virksomhedsviden siddet inde i dokumenter, e-mails, PDF’er og andre ustrukturerede indhold, som var svært at få adgang til eller operationalisere. Nu indser organisationer, at denne data indeholder konteksten og forretningslogikken, som AI-systemer behøver for at producere pålidelige resultater. Modellerne selv er en vare, organisationernes eget proprietære information kombineret med disse modeller er differentiator.

Samtidig er der en voksende bevidsthed om datasuverænitet, styre og hvor virksomhedsinformation flyder. Mange virksomheder kapløber for at trække mere ekstern data ind eller eksperimentere med bred modeladgang, når virksomheder i virkeligheden allerede sidder på massive mængder af ubeudt intelligens inden for deres egen organisation. Fokus er begyndt at skifte mod at aktivere denne interne ustrukturerede data på en sikker og styret måde, så AI kan støtte bedre beslutninger uden at skabe unødvendig risiko.

De har bygget kunde-rådgivende bestyrelser og arbejdet tæt med virksomheds-kunder på tværs af deres karriere. Hvordan vigtig er kunde-tilbagemelding i formning af AI-strategi, især når teknologien udvikler sig så hurtigt?

Kunde-tilbagemelding er en gave, især i et område, der bevæger sig så hurtigt som AI. Det hjælper med at sikre, at strategien forbliver grundet i virkelige forretningsbehov snarere end teoretiske muligheder.

Det hjælper også med prioritering. Der er mange retninger, AI kan tage, men kunde-input giver klarhed på, hvor den største værdi kan skabes. Det holder fokus på resultater, der betyder noget, og sikrer, at innovation forbliver i linje med, hvordan virksomheder faktisk opererer.

Jeg husker i de tidlige dage af generativ AI, en kunde på vores rådgivende bestyrelse fortalte mig, at selv om hun elskede produktretningen, ville hun aldrig betale ekstra for en ny LLM-drevet funktion i vores vejledning. Det var åbningssigt, fordi hun var i linje med resten af branchen.

At se fremad, hvor ser de den største mulighed for AI-drevet automatisering over de næste 3 til 5 år, og hvad skal virksomheder forberede sig på nu?

Den største mulighed ligger i at forbinde AI dybere med slut-bruger-workflows. Snarere end at fokusere på isolerede opgaver, vil organisationer se på, hvordan AI kan støtte hele processer og forbedre, hvordan arbejdet flytter sig på tværs af forretningen. Lige nu er mange agentic-systemer rettet mod diskrete opgaver, men virksomheder opererer på overensstemmende slut-bruger-processer.

For at forberede sig på denne skift skal virksomheder investere i deres datagrundlag og i systemer, der støtter gennemsigtighed og kontrol. Og de skal tænke på “byg vs. samarbejde” snarere end “byg vs. køb”. Vi har set, at AI-DIY fra scratch ofte mislykkes. De organisationer, der får mest ud af det, vil være dem, der finder de rigtige AI-drevne samarbejdspartnere til at accelerere deres løsninger snarere end at genopbygge alt fra scratch.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Tungsten Automation.