Chris Perry, grundlægger og administrerende direktør for Andus Labs – interviewserie

Chris Perry, grundlægger og administrerende direktør for Andus Labs, er leder inden for kommunikation, digital strategi og innovation med næsten tre årtiers erfaring i at hjælpe organisationer gennem store teknologiske og forretningsmæssige skift. Før han grundlagde Andus Labs i 2025, tilbragte Perry mere end 22 år hos Weber Shandwick, hvor han havde en række højtstående lederroller, herunder formand for Futures, innovationsdirektør, direktør for digital kommunikation, koncerndirektør for digital strategi og drift samt seniorvicedirektør. Tidligere i karrieren arbejdede han med teknologikommunikation hos General Motors og var vicedirektør hos Edelman. Hans karriere har fokuseret på digital transformation, nye teknologier, organisatorisk forandring og det skiftende forhold mellem teknologi og de mennesker, der har ansvaret for at omsætte den til praksis.

Andus Labs hjælper virksomheder med at omsætte AI‑kapaciteter til praktiske organisatoriske resultater ved at fokusere på de menneskelige systemer omkring teknologien. Virksomheden beskriver sin mission som at bygge “Human OS for AI” — et driftslag designet til at orkestrere arbejde mellem mennesker og AI‑agenter — baseret på antagelsen om, at AI‑investeringer ofte ikke indfrier forventningerne, når organisatorisk beredskab, arbejdsprocesser og adoption hænger bagefter teknologien. Deres arbejde spænder over AI‑arbejdsorchestreringsprogrammer, produkter, der skal styrke og forstærke organisatorisk læring, samt et bredere netværk af praktikere, kunstnere og humanister, der undersøger, hvordan mennesker og AI kan samarbejde effektivt.

Du tilbragte mere end to årtier hos Weber Shandwick, hvor du gik fra senior digitale roller til innovationsdirektør og formand for Futures, før du grundlagde Andus Labs i 2025. Hvad observerede du i store organisationer i den periode, som overbeviste dig om, at den største barriere for AI‑transformation ville være det menneskelige og organisatoriske system omkring teknologien snarere end selve teknologien?

Jeg lærte det først i min fars grafiske kunststudio i Detroit, hvor jeg startede, før jeg kom til Weber Shandwick. Desktop publishing flyttede det arbejde, som hans typografer og illustratorer udførte manuelt, ind i software. Det ødelagde hans forretningsmodel, og han så ikke skiftet, før det var for sent.

Hos Weber Shandwick arbejdede jeg med nogle af verdens største virksomheder gennem nye teknologibølger: sociale medier, blogs, video, mobil og data. Hver gang var mønsteret det samme. Teknologien ankom. Folk mærkede forandringen og begyndte at bruge den selv. Ledelsen og virksomhedens struktur var de sidste til at tilpasse sig.

I de tidligere bølger betalte virksomhederne for den forsinkelse ved at miste terræn, men folk udførte stadig arbejdet. AI gør for vidensarbejde, hvad desktop publishing gjorde for min fars studio. Den måde, folk udfører arbejdet på, bliver indlejret i softwaren.

Handelshøjskoler lærer dig ikke, hvordan man driver en virksomhed, hvor mennesker og agenter deler arbejdet. De fleste virksomheder fastgør AI og får det gamle arbejde udført hurtigere. Den reelle gevinst opstår, når ledere giver deres medarbejdere mulighed for at genopbygge arbejdet med AI. Arbejdet ændrer form i stedet for blot at blive hurtigere.

Vi navngav det Andus Labs, som i “and us”, fordi vi satsede på, at udbyttet i sidste ende afhænger af mennesker.

Andus Labs hævder, at virksomheder kan have avancerede AI‑kapaciteter, men stadig mangle den “menneskelige parathed”, der kræves for at udnytte værdien af dem. Hvad adskiller en virksomhed, der har implementeret AI med succes, fra en, der faktisk har transformeret måden, arbejdet udføres på?

Jeg sad med en virksomhed, der rapporterede 80 % AI‑adoption, men kun omkring 5 % ændring i, hvordan arbejdet blev udført. Kun adoptionstallet kom med i bestyrelsens præsentation. Det andet tal var ikke skjult; dashboardet havde simpelthen ingen plads til det.

Implementering er let at måle. Licenser tildelt, agenter implementeret, logins. Det er aktivitet, ikke effekt. Vi spørger kunderne, hvad virksomheden kan gøre nu, som den ikke kunne gøre før. Ofte er det ærlige svar, at de samme rapporter, præsentationer og analyser blot bliver hurtigere.

Virksomheder, der er i transformation, måler noget andet. Gav pilotprojektet nok værdi til at retfærdiggøre skalering? Kan vi præsentere noget for bestyrelsen, som vi ikke kunne producere for et år siden? Løfter AI byrden fra vores mest værdifulde medarbejdere, så de kan udføre det arbejde, som kun de kan? Ingen af disse er så lette at tælle som antal licenser, men de er de mål, der viser, om der er sket nogen forandring.

De spørgsmål kræver også en ansvarlig. Spørg, hvem det er i de fleste virksomheder, så får du en liste. CIO’en ejer platformene. Et ekspertisecenter ejer pilotprojekterne. HR ejer træningen. Påvirkningen af forretningen er ingen enkelt persons ansvar.

Den ene virksomhed kan fortælle dig, hvor mange mennesker der har adgang. Den anden kan fortælle dig, hvad der ændrede sig, og hvem der er ansvarlig for det.

Ground Truth Index bygger nu på et bibliotek med 300 dokumenterede mønstre observeret gennem samarbejder og samtaler med ledere på tværs af 595 organisationer. Fem uafhængige analytikeragenter vurderer hvert mønster, før forskere gennemgår og afgør de endelige placeringer. Hvordan har denne metode udviklet sig, hvor kommer menneskelig dømmekraft ind i processen, og hvordan forhindrer I, at indekset blot bekræfter antagelser, som allerede findes i jeres feltobservationer?

Metoden har ændret sig, efterhånden som biblioteket er vokset. Hvert mønster starter med, hvad vi hører og ser i samtaler med erhvervsledere. Vi afstemmer hvert nyt signal mod biblioteket, tester det mod feltobservationer og ekstern forskning, og beslutter, om det er reelt nyt, styrker et mønster, vi allerede sporer, eller hører til et andet sted.

AI hjælper os med at vurdere hele biblioteket hvert kvartal, noget et forskningsteam ikke kunne gøre manuelt. Agenter læser hvert mønster gennem en forskellig professionel vinkel og scorer det på de samme fem dimensioner. De arbejder blindt, så ingen agent kan påvirke en anden. Vi bruger medianen, så en enkelt afvigende resultat ikke kan påvirke scoren, og de 50 bedste går til menneskelig gennemgang.

Menneskelig dømmekraft gennemtrænger hele processen. Vores forskningsteam godkender hvert mønster, der kommer ind i biblioteket, gennemgår rangeringen og beslutter de endelige 25. Vi fokuserer mest, hvor agenterne er uenige, og hvor medieopmærksomhed er i konflikt med det, vi hører fra felten. Vi kan justere en score, men kun på grundlag af dokumenterede observationer: hvem der rejste den, hvor ofte vi hørte den, og om den holdt i forskellige organisationer. En fornemmelse påvirker ikke en score.

Det nye Ground Truth Index rangerer “Empty Chairs” som den førende barriere for virksomheders AI, og beskriver organisationer, der giver AI‑systemer indflydelse på beslutninger som ansættelse, prisfastsættelse og risikostyring uden tydeligt at identificere, hvem der er ansvarlig, eller har myndighed til at omstøde disse beslutninger. Efterhånden som AI bevæger sig fra at anbefale handlinger til faktisk at forme forretningsresultater, hvordan bør meningsfuld menneskelig ansvarlighed se ud i praksis?

Jo flere funktioner AI berører, desto flere beslutninger træffer den på virksomhedens vegne. Ansvarlighed bliver et ledelsesspørgsmål, før det er et teknologispørgsmål.

Ansvar ligger typisk et sted mellem den, der købte AI‑systemet, og den, der bruger det, og ingen af dem ejer det. Gabet forbliver usynligt, indtil en beslutning bliver udfordret. Det er den tomme stol.

Ansvarlighed betyder en navngivet leder, der ser, hvad systemet producerer, og kan forklare resultatet, rette det eller stoppe systemet. Det kræver myndighed over en proces, der typisk strækker sig over flere afdelinger.

Vi beder ledere om at vælge én væsentlig beslutning, som deres AI har hjulpet med at træffe i dette kvartal, og fortælle os, hvem der er ansvarlig for den. Når svaret ikke er klart, har virksomheden ændret, hvordan beslutninger træffes, uden at fastlægge, hvem der svarer for dem.

“Learning While Drowning” rangerer som nummer to i det nye indeks og fremhæver virksomheder, der pålægger AI‑træning, mens medarbejdernes eksisterende arbejdsbyrde forbliver uændret. Samtidig viser “Optimization Temptation”, hvor let virksomheder kan kvantificere besparelser i antal ansatte sammenlignet med den sværere målbare værdi af at omplacere folk til arbejde med højere værdi. Undervurderer virksomheder grundlæggende den organisatoriske investering, der kræves for at gøre deres arbejdsstyrke mere produktiv med AI i stedet for blot at bruge AI til at reducere omkostninger?

Ja. Besparelserne ved at fjerne en rolle er nemme at indtaste i et regneark. Værdien af den pågældende persons viden, relationer og dømmekraft er meget sværere at indfange. Besparelserne fremkommer i dette kvartal. Tabene kan opbygges over år.

Antagelsen bag nedskæringen er også ofte forkert. AI gør dagens arbejde mere effektivt, og den frembringer også nyt arbejde, der skal udføres. Det, vi ser, er, at teams ombalancerer, hvor folk skifter til andre stillinger i stedet for, at hele funktioner bliver nedskåret.

Et træningsmandat er en beslutning om arbejdsbyrde. Virksomheder lægger AI‑træning oven på eksisterende arbejde og tolker lav gennemførelse som et motivationsproblem. Den investering, de springer over, er den, der aldrig får plads i budgettet. At beslutte, hvilket arbejde der skal stoppes, skæres ned eller flyttes for at skabe plads, og at navngive, hvem der har godkendt det. Læring tager tid. Anvendelse tager endnu mere, fordi folk skal afprøve ukendte værktøjer, kontrollere output og ændre den måde, de altid har arbejdet på.

Svaret er ikke et andet punkt på listen. Sæt et team på et igangværende projekt, så sker læringen i selve arbejdet.

Indekset identificerer også “Devaluation Anxiety,” som afspejler bekymringer om, hvad der sker med medarbejderne, når AI bliver i stand til at udføre stadig mere værdifulde dele af deres arbejde. Hvor meget af det, som ledere kalder modstand mod AI, er egentlig rationel angst for karrierens værdi, og hvad bør ledere gøre anderledes, når de introducerer disse systemer?

Det meste er rationelt. Medarbejderne hører om AI-effektivitet i én meddelelse og om fyringer i den næste. De drager deres egne konklusioner.

Ledelsen behandler dem som separate beskeder. Holdene gør det ikke. De afslutter træningen og holder eksperimenteringen tilbage, som ville have gjort den nyttig.

Beroligelse løser det ikke. Ledere skal sige, hvad der er besluttet om job, hvad der stadig er usikkert, og hvilken støtte folk kan forvente.

Det samme gælder for udbyttet. Virksomhederne beskriver, hvad forretningen forventer af AI, og lader medarbejderens side stå tom. Hvis nogen bliver hurtigere, hvad får de så ud af det? Mere plads til bedre arbejde, en vej til avancement, tid tilbage? Det hører til i implementeringsplanen.

Ledelsen beder deres teams om at arbejde anderledes med AI. Holdene venter på at se ledelsen gøre det først.

Et andet mønster, du identificerer, er “Active Inertia”, hvor organisationer bruger AI til at accelerere eksisterende processer uden grundlæggende at ændre dem. Hvordan ser en grundlæggende omlægning af arbejdsgange med AI som udgangspunkt ud, og kan du give et eksempel på forskellen mellem at gøre en gammel proces hurtigere og at genopbygge processen omkring, hvad AI nu gør muligt?

De fleste virksomheder retter AI mod det, der er lettest at automatisere, hvilket ofte er arbejde, der overhovedet ikke burde eksistere. Rapporter udkommer hurtigere. Godkendelser bevæger sig i det tempo, de altid har gjort. Det er Active Inertia.

Om‑design fastlægger på forhånd, hvad AI‑modellerne skal gøre, og hvad teamet skal håndtere, og bygger derefter til det i stedet for at arve den gamle struktur.

Tag en ugentlig rapport. Den hurtigere version får AI til at udarbejde den, og de samme personer gennemgår det samme dokument på samme tidsplan. Den genopbyggede version spørger, hvad rapporten er til. Hvis den findes, så nogen kan opdage problemer tidligt, kan systemet markere et problem i det øjeblik, det opstår, og rapporten forsvinder.

Du har skrevet, at “værdi er lig med kapacitet gange absorption” og argumenteret for systemer frem for blot software. Efterhånden som de mest avancerede modeller i stigende grad bliver standardvarer og tilgængelige for alle, kan en organisations evne til at absorbere og omorganisere omkring AI blive en mere holdbar konkurrencemæssig fordel end adgangen til selve modellerne?

Ja. Implementeringen af modeller er let sammenlignet med at ændre arbejdet omkring dem. De ankommer med ekstraordinær kraft og bliver billigere hvert kvartal. De samme modeller er tilgængelige for alle. Det, du ikke kan købe, er den unikke kontekst inden for virksomheden og de teams, der er klar til at udnytte dem fuldt ud.

Det, vi kalder “modtagelseskapacitet”, er en gammel idé. Det er et teams evne til at tage imod noget nyt og sætte det i arbejde, og det består af beslutningsrettigheder, incitamenter, arbejdsflow, jobdesign og tilstrækkelig tillid til, at folk fortæller dig, hvad der gik galt. Intet af dette kan lejes.

Jeg beskriver værdi som kapacitet gange absorption, fordi de to multiplicerer. De lægger ikke sammen. En brillant model, der indføres i en organisation, som ikke kan absorbere den, er en fejlfri del fastgjort til en defekt forsegling. Kapaciteten er reel. Afkastet er stadig nul.

Agentisk AI introducerer et yderligere lag af kompleksitet, fordi systemer i stigende grad kan udføre handlinger, bruge værktøjer og forfølge mål i stedet for blot at generere svar. Hvor skal virksomheder trække grænsen mellem agentens autonomi og menneskelig beslutningstagning, og hvilke nye styringsstrukturer vil være nødvendige, når agenter får større myndighed?

Start med ét spørgsmål: hvem står til ansvar, når agenten tager fejl?

Træk grænsen mellem, hvad agenten beslutter, og hvad en person beslutter, inden noget går i drift. De fleste virksomheder finder den grænse, efter at noget allerede er gået i stykker.

Hvor en fejl er billig at rette og viser sig hurtigt, lad agenten køre. Når beslutningen påvirker, hvad nogen tjener, om de beholder deres job, eller deres juridiske status, træffer en person beslutningen, og agenten forbereder den.

Instinktet er at centralisere. Opret en komité, skriv en ramme, vent indtil det føles håndterbart. Når vejledningen fra toppen når arbejdet, er den forældet, og folk, der ikke kan få svar, begynder at bruge værktøjer, som virksomheden aldrig har godkendt.

Styring skal ligge tæt på arbejdet. Teams skal vide, hvad hver agent kan beslutte, hvem der ejer den, og hvordan man stopper den. Og de har brug for et register over, hvad den har gjort.

Organisationsdiagrammet blev aldrig designet til agenter, der arbejder på tværs af funktioner, så ingen enkelt funktion ejer fejlen. Afklar det før implementering, ikke efter.

Når vi ser fremad, hvis de største begrænsninger for AI i virksomheder i stigende grad bliver organisatoriske snarere end tekniske, hvordan forventer du så, at virksomhederne selv vil ændre sig? Hvilke dele af nutidens organisationsdiagram, ledelsesstruktur, jobdesign og beslutningsprocesser er mindst sandsynlige for at overleve overgangen til organisationer, der er bygget omkring mennesker og AI‑agenter, der arbejder sammen?

Det funktionelle organisationsdiagram er mindst sandsynligt at overleve. De fleste virksomheder drives stadig af funktion, hvor arbejdet overleveres fra én afdeling til den næste med en godkendelse ved hver overdragelse. AI producerer arbejde på minutter, mens godkendelserne omkring det tager uger. Ledere bliver bedt om at bevæge sig hurtigere i systemer, der er bygget til at bremse tingene.

Det diagram blev bygget til mennesker, der overleverer arbejde til mennesker, ikke til beslutninger, der deles mellem mennesker og agenter.
En komité vil ikke løse dette.

Det, der erstatter diagrammet, ligner små teams organiseret omkring et problem. En leder navngiver et problem, der er værd at løse, beslutter, hvad der skal være sandt for at løse det, og sammensætter et team af mennesker og agenter omkring det. Det team får sin egen finansiering og beskyttelse, fordi det ikke kan fungere på samme måde som resten af virksomheden. Personerne i teamet træffer de faglige beslutninger og ejer, hvad agenterne producerer.

Elektriske motorer nåede amerikanske fabrikker i 1880’erne, men produktivitetsgevinsterne viste sig først i 1920’erne. I starten placerede fabrikker én stor motor, hvor dampmaskinen havde stået, drev de samme transmissionsaksler og lod hver maskine blive, hvor den var. Gevinsterne kom, da de gav hver maskine sin egen motor og udformede fabriksgulvet omkring arbejdet.

Omrokeringen var revolutionen.

Tak for det gode interview. Læsere, der vil vide mere, kan besøge Andus Labs eller læse mere i Ground Truth Index.