Ashley Moser, medstifter og CCO for MelodyArc – Interviewserie

Ashley Moser, medstifter og Chief Commercial Officer for MelodyArc, leder virksomhedens kommercielle strategi og arbejder med kunder for at omsætte ambitiøse driftsmål til målbare resultater. Hun har en baggrund, der spænder over drift, produktstrategi, logistik, salg og finansielle tjenester, herunder ledelsesroller hos Wonder og Walmart’s Jetblack, hvor hun arbejdede på tværs af forsyningskæde, løbende forbedring, strategi og logistik. Tidligere i sin karriere var hun salgsdirektør hos Stella Connect, senere opkøbt af Medallia, arbejdede med den mobile detailhandelsplatform NewStore og tilbragte mere end fire år i J.P. Morgan med institutionel aktiesalg.

MelodyArc er en enterprise AI-orchestreringsplatform designet til at hjælpe driftsteams med at koordinere data, forretningsregler, AI-systemer og menneskelige beslutninger inden for et enkelt styret miljø. Platformen er bygget omkring udførelse af komplekse operationelle processer fra ende til anden, så teams kan definere arbejdsprocesser, anvende forretningslogik, implementere AI-operatører eller andre agenter og eskalere sager til personer, når der kræves større dømmekraft. Dens Point Engine vurderer mulige veje for at løse hver sag, mens den arbejder inden for organisatoriske regler og registrerer hvert skridt, hvilket giver virksomheder større synlighed og kontrol over AI-drevne arbejdsprocesser inden for områder som kundeservice, merchandising, sidebeskeder, forsyningskæde og sortiment.

Du har haft en alsidig karriere inden for finans hos J.P. Morgan, enterprise SaaS hos Medallia og operationelle roller i Walmart’s Jetblack. Hvilken specifik indsigt eller frustration førte dig til at medstifte MelodyArc, og hvordan formede disse oplevelser virksomhedens kernevision? 

Vi startede virksomheden, fordi min medstifter, James McHenry, og jeg begge havde været operatører og teknikere før. Vi havde set på egen hånd, og i mange tilfælde, hjulpet med at bygge fremragende teknologi til driftsteams. Men vi stødte konstant på den samme kløft: punktløsninger, der enten kun dækkede en smal del af, hvad drift faktisk gør, eller som ikke matchede, hvordan arbejdet faktisk foregik i praksis.

Med dette i tankerne gik vi i gang med at bygge en platform, der kunne bringe ny teknologi til frontlinjedriftsteams på en måde, de faktisk kunne bruge. I dag manifesterer det sig som menneske‑i‑loop‑orchestrering.

MelodyArc placerer AI direkte i hænderne på frontlinjeoperatører. Hvordan adskiller denne tilgang sig fra traditionelle top‑down enterprise AI‑implementeringer, og hvorfor sker dette skift nu? 

Med MelodyArc, når platformen er på plads, giver vi muligheden for at oprette nye arbejdsprocesser, idéer og menneske‑i‑loop‑processer direkte i teams’ hænder, med minimal eller ingen indvirkning på den overordnede roadmap. Det betyder, at teams kan forbedre deres egne processer ved hjælp af AI uden at skulle gå op og ned gennem kommandokæden hver gang. Det er en fundamentalt anderledes måde at implementere denne teknologi på.

Dette er især tydeligt i vores største enterprise‑implementeringer. Hos én kunde startede vi med et enkelt brugstilfælde i et team. I dag er vi i drift med mere end fem brugstilfælde på tværs af flere teams.

Vi har også set teams bygge en AI‑assisteret proces på en enkelt dag, noget de tidligere nedprioriterede, fordi det aldrig bestod ROI‑kravet for, hvad der ville have været en ingeniørintensiv opbygning.

Mange organisationer investerer kraftigt i AI, men kæmper stadig med at operationalisere den. Hvad er de mest almindelige huller, du ser mellem AI‑strategi og realisering i den virkelige verden?

To store ting træder frem. For det første, når virksomheder ser på en proces, de vil anvende AI på, tager de ofte en alt‑eller‑intet‑tilgang. De automatiserer enten alt ved en fokuseret proces, eller rører den overhovedet ikke. Vi opfordrer virksomheder til i stedet at se på sammensætningen af en proces og identificere, hvor automatisering passer, hvor AI passer, og hvor mennesker stadig skal involveres, ikke nødvendigvis i den rækkefølge. Denne tilgang åbner langt flere processer som kandidater til AI, og den låser også mere automatisering op nedstrøms, fordi du har været bevidst om, hvor folk er indblandet.

For det andet, fra et strategisk perspektiv, har virksomheder ofte hundreder af berettigede brugstilfælde at vælge imellem. Nøglen er at evaluere dem ud fra reel forretningspåvirkning, dollars, timer og konkrete målinger, snarere end at gå efter det mest flashy eller letteste. At angribe de største, høj‑impact områder først, selvom de er sværere, er hvor virksomheder får mest værdi. Dette viser også en positiv værdicykel, som AI‑projekter kan skabe i organisationer.

MelodyArc kombinerer AI med menneskelige arbejdsprocesser i stedet for at erstatte dem. Hvordan fastlægger du den rette balance mellem automatisering og menneskelig beslutningstagning i enterprise‑miljøer?

MelodyArc hjælper virksomheder med at nå deres automatiseringsmål ved at finde den rette balance mellem AI og menneskelig in-loop beslutningstagning. Når MelodyArc påbegynder implementeringsprocessen, kan en organisations endelige mål være, at automatiseringen udfører 90 % af arbejdet, mens de resterende 10 % er afhængige af medarbejdernes ekspertise. Men i stedet for kun at prioritere hastighed, udnytter MelodyArc menneskelig in-loop involvering fra starten. For eksempel starter man med en 50‑50 fordeling mellem automatisering og medarbejderinput og automatiserer derefter gradvist mere af processen. Denne tilgang får arbejdsprocesser på virksomhedsniveau i produktion hurtigere, fordi vi ikke forsøger at perfektionere processen, før AI integreres.

En anden styrke ved denne tilgang er, at når vi lancerer i produktion, indsamler vi procesdata, der præcist fortæller os, hvilke dele af processen der skal automatiseres næste. Dette gør det muligt for MelodyArc at fortsætte med at øge automatiseringsmålet hurtigere og på en hensigtsmæssig måde. I praksis betyder det ofte, at en virksomhed ser automatiseringen forbedre sig løbende uden at skulle forstyrre arbejdsprocessen for rettelser eller justeringer.

Med din baggrund inden for kundeservice og drift, hvordan tror du AI omdefinerer, hvad “god service” ser ud i et miljø, hvor svar kan genereres øjeblikkeligt?

Jeg mener, at “øjeblikkeligt” vil blive en grundlæggende forudsætning og i bund og grund blive en vare. God service har aldrig handlet om at give en kunde et svar hurtigt, men snarere om at give dem det rigtige svar med mindst mulig indsats. AI giver os nye måder at reducere den indsats på, hvad enten det er at udføre handlinger på kundens vegne, foreslå næste skridt eller automatisk udfylde felter – alt hvad der gør en oplevelse hurtigere og mere fornøjelig. At generere et svar øjeblikkeligt betyder intet, hvis det ikke er relevant, og jeg vil argumentere for, at jagten på hastighed alene får virksomheder til at optimere det forkerte.

Enterprise AI fejler ofte i den sidste fase, hvor adoption og brugervenlighed bliver kritisk. Hvilke designprincipper har været afgørende for at sikre, at MelodyArc faktisk bliver brugt af frontlinjeteams?

Vi starter ud fra forståelsen af, at der er meget tavs viden hos vores teams, og vi er meget klare omkring, hvad vi kan og ikke kan automatisere. At være åben om denne sondring gør oplevelsen meget mere intuitiv. Det er ikke en sort boks, hvor teams er usikre på, hvad der sker, eller hvorfor.

Brugervenlighed handler om idéen om, at teknologi fungerer sammen med frontlinjeteams i stedet for at blive noget, de skal arbejde omkring. Det hænger sammen med, hvorfor vi startede virksomheden i første omgang – for mange punktløsninger adresserede enten kun en snæver del af driften eller matchede ikke, hvordan arbejdet faktisk foregik på jorden. Vi fandt ud af, at dette er en stor årsag til, at mange enterprise AI‑værktøjer forbliver ubrugte i måneder efter lanceringen.

Efterhånden som AI‑agenter bliver mere autonome, hvilke styrings‑ og kontroludfordringer bør virksomheder forberede sig på, før de skalerer disse systemer?

Observabilitet i enhver virksomheds‑miljø er afgørende, især evnen til at se, hvilke beslutninger der blev truffet, og hvorfor. For processer, som virksomheder kunne automatisere, men som de ikke føler sig trygge ved at automatisere fuldstændigt, anbefaler jeg at beholde et menneske i loopet. Det er kritisk ikke kun for at opretholde tilsyn, men også for at afprøve nye systemer for bedst at forstå, hvordan de fungerer, og deres påvirkninger, både positive og negative.

Set fra et kommercielt perspektiv, hvordan har salget af AI til virksomheder udviklet sig de seneste år, efterhånden som købere bliver mere informerede men også mere forsigtige?

Alle er blevet meget klogere, både købere og leverandører. Vi er omkring fire år inde i, hvad der egentlig er en flerårig cyklus, så vi er alle stadig i læreprocessen.. Efterhånden som AI bliver mere kapabel og mere tilgængelig, itererer vi hurtigt på, hvad vi kan gøre for kunder, samtidig med at de lærer, hvad de kan gøre i deres egne organisationer, hvilket er ægte spændende, fordi der er meget værdiskabelse.

Organisationer fokuserer mere end nogensinde på informationssikkerhed, på at bevare det, der gør dem unikke, og på den faktiske effektivitet, som AI leverer. De nærmer sig projekter mere rationelt også, villige til at indføre adoption gradvist i stedet for at gå all‑in på én gang. Byg versus køb er stadig en løbende intern beregning, og i stigende grad ser vi hybride tilgange såsom byg‑og‑køb eller “byg via køb”, frem for det ene eller det andet.

Du har arbejdet både i højvækst‑startups og store organisationer som Walmart. Hvordan adskiller opbygning af AI til virksomhedsdrevne operationer sig afhængigt af virksomhedens størrelse og organisatoriske kompleksitet?

Der er i virkeligheden to dimensioner her: organisationens omfang og den historiske dybde i dens teknologisk stack og processer.

I højvækst‑startups har du ikke så mange mennesker eller så meget organisatorisk kompleksitet, og du arbejder ikke omkring systemer bygget for 20 år siden eller teams, der har gjort det samme i et årti. Jo større og mere etableret organisationen er, desto mere skal du gentænke måder at gøre tingene på fra bunden. Det betyder at beslutte, hvordan du vil operere i fremtiden, og derefter gradvist bevæge dig dertil på en måde, der passer til organisationen. Nogle gange betyder det også at køre uafhængige eksperimenter i kanten, noget adskilt fra eller parallelt med eksisterende processer.

Når vi ser fremad, hvordan ser du rollen for frontlinjearbejdere udvikle sig, efterhånden som AI bliver indlejret i de daglige arbejdsprocesser? Bevæger vi os mod forstærkning, orkestrering eller noget helt nyt? 

For de daglige arbejdsprocesser er et orkestreringslag afgørende. At få alle dine medarbejdere og teknologier til at arbejde sammen på en naturlig måde er den retning, vi bevæger os imod. Men implementeringen af denne type teknologi kan være kompleks, da det ikke er et enkelt silo, hvor organisationer kan automatisere et trin og derefter overdrage det til en medarbejder. Det er en kombination af AI, automatisering og en medarbejder, der arbejder i tandem.

Der er mange muligheder for frontlinjeteams til at implementere arbejdsprocesser. Hver gang vi taler med kunder, er der dusinvis, om ikke hundreder, af projekter, de gerne vil tage fat på, men som de ikke kan, uanset om det skyldes budget, teknologisk køreplan, teamstørrelse eller ROI, der holder dem tilbage. Det er præcis her, AI og orkestrering kommer ind i billedet; de hjælper teams med at gøre meget mere med det, de allerede har, samtidig med at omkostningerne ved lanceringen sænkes. Dette fører i sidste ende til en positiv ROI for fremtidige projekter.

Tak for det gode interview, læsere der ønsker at lære mere, bør besøge MelodyArc.