Andrej Jonovic, administrerende direktør for XBP Global – interviewserie

Andrej Jonovic er administrerende direktør for XBP Global, en multinational teknologi- og servicevirksomhed med fokus på forretningskritiske arbejdsgange i store virksomheder. XBP Global anvender agentisk AI på tværs af regulerede områder, herunder sundhedsvæsenet, den offentlige sektor og finansielle tjenesteydelser, hvor præcision, sikkerhed, datasuverænitet og mulighed for revision er afgørende. I dette interview fortæller Jonovic om adaptiv procesorkestrering, modeller med åbne vægte, intelligent dokumentbehandling, menneskelig vurdering og om, hvad der skal til for at omsætte AI fra en teknisk kapacitet til målbare driftsresultater.

Du begyndte din karriere som transaktionsadvokat, før du gik videre til fusioner og opkøb, virksomhedstransformation og til sidst ledelsen af XBP Global. Hvordan har den baggrund præget din måde at vurdere styring, kommerciel risiko og de organisatoriske konsekvenser af at indføre kunstig intelligens i forretningskritiske arbejdsgange?

Jeg ser som regel først på driftsmodellen, når jeg vurderer AI. Når man kommer fra transaktioner og transformation, vænner man sig til at spørge, om strukturen rent faktisk holder, når man går videre fra præsentationen og begynder at føre tingene ud i livet.

Det bliver meget vigtigt med AI, fordi en model kan præstere særdeles godt isoleret set og stadig føre til et dårligt driftsresultat. I sundhedsvæsenet, den offentlige sektor og banksektoren er præcision i sagsbehandlingen, overholdelse af regler og mulighed for revision ufravigelige krav. Man skal forstå, hvor dataene befinder sig, hvad systemet må gøre, hvordan beslutningerne kontrolleres, og hvordan omkostningsgrundlaget ser ud, når arbejdsgangen afvikles i stor skala.

Styring skal indarbejdes i arkitekturen fra begyndelsen. Jeg vil vide, hvor modellen kører, hvilke oplysninger der krydser virksomhedens grænse, hvad der registreres i revisionssporet, og hvad der sker, når arbejdsgangen når frem til en beslutning, som kræver et andet niveau af kontrol.

Det er nok her, min baggrund har størst betydning. Jeg er generelt mindre interesseret i, hvad teknologien kan præstere i en kontrolleret demonstration. Jeg vil vide, om man kan indarbejde den i en forretningskritisk proces og stole på den.

XBP Global beskriver agentisk AI som et skridt videre end traditionel regelbaseret automatisering og robotbaseret procesautomatisering. Hvad ændrer sig teknisk, når en arbejdsgang går fra at følge foruddefinerede instruktioner til at bruge AI-agenter, der kan drage slutninger, træffe beslutninger og koordinere flere opgaver?

Arkitekturen bliver langt mere adaptiv.

Traditionel automatisering af arbejdsgange er deterministisk. Man har regler, ved, hvad der sker i næste trin, og tilføjer mere fastkodet logik, efterhånden som processen bliver mere kompleks. Det fungerer rigtig godt til forudsigelige opgaver. Vanskelighederne opstår, når antallet af regler bliver enormt, eller processen ændrer sig hurtigere, end systemet kan bygges om.

Det, vi arbejder med nu, er adaptiv procesorkestrering. Man kan bevare deterministiske regelmotorer dér, hvor præcision og overholdelse af regler kræver det, og derefter indføre intelligente modeller i de dele af arbejdsgangen, hvor slutninger skaber værdi. Agenter kan koordinere opgaver, få adgang til oplysninger og vælge den næste handling, uden at nogen behøver at fastkode alle tænkelige forløb gennem processen.

En anden ændring er, at den underliggende model bliver lettere at udskifte. Vi ser modeller med åbne vægte i virksomhedskvalitet blive markant bedre meget hurtigt. Hvis datapipelinen er udformet korrekt, kan man integrere en stærkere model, efterhånden som økosystemet udvikler sig, uden at skulle genopbygge hele driftsprocessen omkring den.

Derfor mener jeg, at det stadig vigtigere tekniske aktiv bliver selve arbejdsgangen: orkestreringen, domæneviden, kontrollerne og dataene omkring modellen.

Mange virksomheder eksperimenterer med AI, men har svært ved at gå fra pilotprojekter til produktion. Hvilke arkitektoniske eller organisatoriske barrierer forhindrer oftest virksomheder i at udrulle agentbaserede arbejdsgange i stor skala? 

Kunderne er ved at bevæge sig videre fra eksperimentfasen. De har set demonstrationerne og hørt meget optimistiske løfter om investeringsafkast. På et tidspunkt skal nogen indarbejde teknologien i en reel proces og få den til at fungere.

Det er dér, arkitekturen bliver vanskelig. En arbejdsgang i produktion skal kunne forbindes med det miljø, virksomheden allerede har. Følsomme oplysninger skal muligvis forblive i en privat cloud eller lokalt på virksomhedens egne systemer. Der skal stadig være adgang til de eksisterende systemer. Regulatoriske krav skal overholdes. Økonomien skal også kunne hænge sammen ved virksomhedens driftsvolumen.

Vi har for nylig vundet en opgave, der omfatter vedligeholdelsens livscyklus for en global flyflåde. Alle vedligeholdelseselementer bliver vektoriseret og lagret i en privat vektordatabase i kundens private cloud. Den agentiske infrastruktur styrer adgangen til oplysningerne og understøtter genskabelse af registreringerne, når fly tages ud af leasing eller sælges.

Det er et helt andet problem end at bevise, at en model kan besvare et spørgsmål om en flyregistrering. Man arbejder med et helt driftsmiljø, hvor data skal kontrolleres, og hvor en proces skal fungere igen og igen.

På organisatorisk niveau handler forskellen som regel om, hvem der har ansvaret. Nogen skal forstå processen til bunds for at kunne definere, hvad det vil sige, at den fungerer i produktion. Uden den operationelle disciplin kan pilotprojektet blive ved med at gøre indtryk længe uden at blive nyttigt.

XBP Global kombinerer automatisering med menneskelig kontrol, især ved beslutninger med store konsekvenser. Hvordan afgør I, hvilke beslutninger et AI-system kan træffe selvstændigt, og hvornår menneskelig vurdering fortsat skal være en del af processen? 

Vi tilrettelægger den menneskelige rolle omkring sagsafgørelser.

I arbejdsgange, hvor beslutninger kan have store konsekvenser, er der som regel en stor mængde arbejde, der kan bevæge sig gennem processen med stor sikkerhed. Der er også undtagelsestilfælde, hvor oplysningerne er ufuldstændige, omstændighederne usædvanlige, eller konsekvenserne af et forkert svar for alvorlige.

Når processen når frem til et af disse tilfælde, sendes transaktionen videre til en fagekspert. Vedkommende afklarer sagen, hvorefter vurderingen kan føres tilbage til systemet, så modellen løbende bliver bedre.

Jeg mener, at denne feedbacksløjfe er vigtig. Menneskelig kontrol har større værdi, når den forbedrer arbejdsgangen over tid. Eksperten bidrager med domæneviden i de sager, hvor modellen stadig har brug for den.

Hvor høj graden af selvstændighed kan være, afhænger også i høj grad af omgivelserne. Afgørelser i sundhedsvæsenet, offentlige registre og regulerede finansielle processer stiller andre krav end en intern opgave med små konsekvenser. Det acceptable konfidensniveau skal afspejle, hvad beslutningen reelt medfører, når systemet handler på den.

Jeres kunder opererer i regulerede brancher og den offentlige sektor, hvor datasuverænitet, sikkerhed og revisionsmuligheder er afgørende. Hvordan kan organisationer implementere store sprogmodeller i beskyttede miljøer uden at gå på kompromis med de funktioner, der gør systemerne nyttige? 

Modeller med åbne vægte ændrer svaret på det spørgsmål markant.

I lang tid var der en antagelse om, at man kun kunne opnå den bedste modelydelse ved at sende oplysninger ind i en andens miljø. Det skaber et oplagt problem, når dataene skal forblive inden for virksomhedens egne grænser.

Nu kan vi tage modeller med åbne vægte i virksomhedsklassen og integrere dem i udrullede agentbaserede arbejdsgange, samtidig med at dataene forbliver i kundens miljø. Afhængigt af kravene kan det være en privat cloud eller lokal infrastruktur. Man får stadig fordel af fremskridtene i det bredere modeløkosystem, samtidig med at organisationens nødvendige kontroller omkring datasuverænitet bevares.

Arkitekturen skal også kunne ændres. Der er ingen grund til at antage, at den model, der er bedst til en bestemt opgave i dag, også vil være det fremover. Vores træningsprotokoller er udformet, så vi hurtigt kan integrere nye modeller i en eksisterende proces.

For regulerede kunder er denne fleksibilitet særdeles værdifuld, fordi arbejdsgangen kan blive ved med at blive forbedret, mens dataenes grænser respekteres. Det er også sådan, man begynder at håndtere krav som EU’s AI-forordning uden at betragte overholdelse som noget, der først føjes til, efter at teknologien er blevet implementeret.

En betydelig mængde virksomhedsoplysninger er stadig låst inde i dokumenter, billeder, ældre systemer og fysiske registre. Hvordan udvikler intelligent dokumentbehandling sig, og hvilken rolle spiller den i at omdanne fragmenterede data til oplysninger, som AI-agenter pålideligt kan bruge?

Jeg mener, at intelligent dokumentbehandling er ved at blive en del af infrastrukturen for agentbaserede arbejdsgange.

Historisk set var meget dokumentbehandling skabelonbaseret. Man vidste, hvordan dokumentet så ud, man vidste, hvilket felt man skulle bruge, og systemet udtrak oplysningerne. Virksomhedsoplysninger er sjældent så velordnede. Alene sundhedsvæsenet kan omfatte EOB’er, kompleks korrespondance, oplysninger om forsikringskrav og journaler, der foreligger i forskellige formater.

Den nyere tilgang er langt mere kontekstbevidst. Man kan tage ustrukturerede oplysninger, forstå, hvad der er relevant, og omdanne dem til strukturerede resultater, som efterfølgende systemer rent faktisk kan bruge. Det er vigtigt, for en agent kan ikke pålideligt koordinere arbejdet, hvis de underliggende oplysninger er ufuldstændige eller fortolket forkert.

Skalaen ændrer også problemstillingen. Vi driver miljøer, der behandler enorme mængder billeder, forsikringskrav, betalingstransaktioner og andre dokumenter. På det niveau bliver selv en lille forskel i kvaliteten af dataudtrækket et meget stort driftsmæssigt problem.

Derfor bliver intelligent dokumentbehandling i stigende grad placeret forrest i den intelligente arbejdsgang. Den omdanner fragmenterede oplysninger til brugbare data, giver næste led i processen et pålideligt grundlag at handle ud fra og skaber fundamentet for mere automatisering længere nede i processen.

XBP Global har talt om at migrere ældre, regelbaserede processer til agentbaserede AI-arbejdsgange og opnå en højere andel af sager, der løses ved første gennemløb. Hvad skal et AI-system forstå om en organisations processer, undtagelser og institutionelle viden, før det kan levere pålidelige resultater?

En stor del af den institutionelle viden blev aldrig nedfældet i en klar procesbeskrivelse.

Den findes i gamle systemer, regelsæt og i den faglige vurdering hos mennesker, der har arbejdet med processen i årevis. De ved, hvilke oplysninger der er vigtige, hvilken regel der gælder under bestemte omstændigheder, og hvad der sker senere i processen, hvis der træffes en forkert beslutning.

Når man flytter det arbejde, skal man bevare den operationelle viden. I vores verden betyder det ofte, at man kombinerer deterministisk logik med AI i stedet for at antage, at alle regler straks bør forsvinde. I dele af en reguleret arbejdsgang er en regelmotor særdeles nyttig, fordi kravene er præcise. I andre dele kan en intelligent model håndtere variationer langt mere effektivt.

Faglig ekspertise fortæller dig, hvor hver af delene hører hjemme.

Det er også derfor, at løsning ved første forsøg ikke kan vurderes ud fra modellens score alene. Arbejdsgangen skal føre til et resultat, der holder i næste trin af processen. Hvis den udløser endnu en eskalering senere i processen, har du flyttet problemet i stedet for at løse det.

Systemet skal forstå processen godt nok til at vide, hvordan en vellykket transaktion ser ud fra start til slut.

XBP Global anvender automatisering ikke kun i driften for kunderne, men også i sin egen omstilling til en AI-først-driftsmodel. Hvad har I lært af at bruge virksomheden som intern testplatform, og hvordan afvejer I produktivitetsforbedringer over for kompetenceudvikling og forandringsledelse?

Vi har været ret offensive med at anvende det internt, fordi jeg mener, at man lærer meget hurtigt, når ens egne økonomiske resultater afhænger af udfaldet.

Vores AI-først-automatiseringsindsats forventes nu at skabe årlige driftsmæssige effektiviseringer på 65-75 millioner dollar, hvoraf cirka 35 millioner dollar forventes i løbet af 2026. Omsætningen pr. medarbejder nåede cirka 89.000 dollar i andet kvartal, mod omkring 82.000 dollar i det foregående kvartal, og vi forventer, at den nærmer sig 100.000 dollar ved årets udgang.

Det er nyttige målepunkter, fordi de fortæller os, om driftsmodellen rent faktisk bliver mere produktiv.

Konsekvenserne for arbejdsstyrken er reelle. Vi anslår, at det globale medarbejdertal vil blive reduceret med cirka 20 % inden udgangen af 2026, efterhånden som vi bevæger os mod en mere produktiv driftsmodel. Forandringsledelsen skal anerkende, at produktivitetsændringer påvirker bemandingsbehovet.

Samtidig skal de medarbejdere, der fortsat arbejder med disse arbejdsgange, blive mere kompetente. Vi har brug for fageksperter, arkitekter og driftsmedarbejdere, der kan strukturere arbejdet, evaluere resultaterne og tage ansvar for beslutninger med større værdi.

At gennemføre omstillingen i vores egen virksomhed har gjort samtalen langt mere konkret. Man ser meget hurtigt, hvilken automatisering der skaber varige effektiviseringer, og hvilken aktivitet der blot består i, at nogen bruger AI oftere.

Virksomheders AI-projekter markedsføres ofte gennem demonstrationer snarere end målbare forretningsresultater. Hvilke målepunkter bør ledere bruge til at evaluere en intelligent arbejdsgang, og hvordan bør de tage højde for nøjagtighed, undtagelsesfrekvens, behandlingstid, driftsomkostninger og risikoreduktion?

Jeg ville måle arbejdsgangen på to niveauer.

På driftsniveau vil jeg gerne kende nøjagtigheden, andelen af sager, der løses ved første forsøg, behandlingstiden, antallet af undtagelser og omkostningen ved at behandle arbejdet. I et reguleret miljø er jeg også optaget af, om transaktionen kan revideres, og om kontrollerne fungerer konsekvent ved stor volumen.

Derefter vil jeg se, om forbedringerne kan mærkes på virksomhedens økonomiske resultater.

Hos XBP nåede vores justerede bruttomargin 24,9 % i andet kvartal, det højeste niveau til dato, mens omsætningen pr. medarbejder steg til cirka 89.000 dollar. Vores mål for de årlige driftsmæssige effektiviseringer blev også hævet til 65-75 millioner dollar, efterhånden som vi identificerede yderligere muligheder for automatisering.

Disse målepunkter fortæller noget andet end en benchmarkscore. De viser, om teknologien ændrer driftsomkostningerne.

En arbejdsgang kan have fremragende modelnøjagtighed og stadig være en dårlig implementering, hvis den er for dyr i drift eller medfører for meget manuelt efterarbejde. Jeg mener, at ledere skal følge resultatet hele vejen igennem. Teknologien skal skabe en driftsmæssig gevinst, som kan ses et sted, hvor den rent faktisk kan måles.

Ser du fremad, forventer du så, at agentisk AI fortsat vil være et lag, der føjes til eksisterende virksomhedssystemer, eller bliver det det primære orkestreringslag, som mennesker, software, data og forretningsprocesser interagerer igennem?

Jeg tror, at en større del af arbejdsgangene vil blive agentiske.

Virksomheden vil stadig have systemer, datalagre og applikationer, der udfører specifikke funktioner. Det, der ændrer sig, er, hvordan arbejdet bevæger sig mellem dem. En agentisk pipeline kan hente oplysninger, koordinere værktøjer, udløse handlinger og afgøre, hvornår en transaktion kræver en anden form for indgriben.

Det kan man allerede se i eksemplet med flyselskabet. Vedligeholdelsesregistreringerne ligger i en privat vektordatabase i kundens miljø, mens det agentiske lag styrer, hvordan oplysningerne tilgås og bruges gennem hele vedligeholdelsesforløbet.

Jeg forventer, at denne type orkestrering bliver langt mere udbredt.

De underliggende modeller vil fortsat ændre sig. Modeller med åbne vægte bliver hurtigt bedre, og der vil komme endnu en generation efter dem, vi bruger i dag. Derfor bliver orkestreringslaget stadig vigtigere, fordi virksomhederne har brug for noget holdbart omkring modellerne.

Hvis man bygger pipelinen op omkring processen, domæneviden, sikkerhedskravene og virksomhedens kontrolmekanismer, kan man fortsat drage fordel af bedre modeller, efterhånden som de kommer. Det er dér, jeg tror, en stor del af den langsigtede værdi ligger.

Tak for et godt interview. Læsere, der gerne vil vide mere, kan besøge XBP Global.