Corey Spencer, GM og GVP for AI hos UKG – Interviewserie

Corey Spencer er Group Vice President og General Manager of Product Management for AI & Platform hos UKG. Han leder produktstrategi og innovation på tværs af UKG’s AI-, platform- og workforce intelligence-initiativer, hvilket hjælper organisationer med at omdanne workforce-data til handlebare indsighter, der former positive forretningsresultater. Med mere end 20 års erfaring er Spencer en respekteret tankeleder på fremtiden for AI, workforce intelligence og anvendelsen af AI i frontline-arbejde.

UKG er en global leverandør af human capital management, payroll og workforce management-software, der er designet til at hjælpe organisationer med at styre og støtte deres medarbejdere mere effektivt. Deres platform kombinerer human resources, payroll, scheduling, tid og nærvær, compliance, analytics og AI-drevne workforce indsighter, der betjener virksomheder fra små selskaber til store globale virksomheder. Med 50 års brancherfaring støtter UKG mere end 80.000 organisationer i 150 lande, med titusinder af mennesker, der bruger deres løsninger hver dag.

De har brugt mere end to årtier på at hjælpe virksomheder med at give mening til kunde-, analytics- og workforce-data på tværs af selskaber som Adobe, Alteryx og UKG. Hvad overbeviste dig om, at frontline-arbejdere, snarere end knowledge-arbejdere, repræsenterer en af de vigtigste og oversete muligheder for AI i dag?

Det, der overbeviste mig, er simpelt: Frontlinjen er, hvor økonomien faktisk kører.

Vi har set en enorm fremgang i anvendelsen af AI i knowledge-arbejde. Men den største, mest dynamiske del af arbejdsstyrken har ofte været underserviceret. Frontline-arbejdere repræsenterer majoriteten af arbejderne globalt – op til 80% ifølge nogle estimeringer – og de driver de industrier, vi alle afhænger af hver dag: sundhedsvesen, detailhandel, fremstilling, logistik, hotel- og offentlige tjenester.

Til mange virksomheder er frontlinjen også en af de største dele af P&L. Det er, hvor arbejdskost, kundeoplevelse, compliance, sikkerhed, servicekvalitet og medarbejderengagement alle kommer sammen. Og alligevel er det en af de mindst optimerede dele af virksomheden.

Ikke fordi arbejdet er simpelt. Fordi det er utrolig komplekst.

Frontline-arbejde kan være planlagt om ugen eller måneden, men det ændrer sig hver minut af hver vagt. Nogen ringer af. Efterspørgslen stiger. En patientlast ændrer sig. En forsendelse er forsinket. En compliance-regel gælder anderledes afhængigt af rolle, lokalitet, certificering eller antal timer arbejdet.

Traditionelle enterprise-systemer var bygget til at optage, hvad der skete. Frontlinjen har brug for teknologi, der kan hjælpe organisationer med at handle, mens beslutningen stadig er relevant.

Det er derfor, AI er så vigtigt. Agentic AI kan forstå kontekst, intention og begrænsninger, og derefter hjælpe med at orkestrere handling på tværs af scheduling, tid, løn, HR og operationer – med mennesker i kontrol.

For mig er muligheden at lukke gapet mellem workforce-planlægning og workforce-eksekvering. Når vi gør det, får medarbejderne bedre oplevelser, chefer får støtte i en skala, som ingen enkelt kan håndtere alene, og virksomheder kan operere med mere hast, præcision og tillid.

Dette er ikke kun en produktivitetsfortælling. Det er en eksekveringsfortælling.

Frontline-ansatte udgør majoriteten af den globale arbejdsstyrke, men meget af AI-boomet har fokuseret på kontorproduktivitetstools. Hvorfor tror du, industrien underskattede kompleksiteten og vigtigheden af frontline-miljøer i så lang tid?

Jeg tror, industrien underskattede frontlinjen, fordi det var lettere at bygge AI til det arbejde, der allerede var digitalt.

Kontorarbejde sker i dokumenter, e-mails, møder, kalendere og samarbejdsværktøjer. Det gjorde det til en naturlig første bølge for AI. Men frontlinjen er anderledes. Det er fysisk, distribueret, højst reguleret, tidskritisk og konstant ændrende. Og alligevel repræsenterer det op til 80% af den globale arbejdsstyrke – mennesker, der generelt ikke sidder ved skriveborde, men som holder virksomheder, samfund og økonomier i gang hver dag.

Kompleksiteten er ikke kun arbejdet selv. Det er dataene omkring arbejdet. Vi er heldige, fordi UKG altid har fokuseret på frontlinjen, så vi har en multi-decade head start i dette område.

Frontline-workforce-data er utrolig høj-volumen og støjende. Det kommer fra schedules, time clocks, punches, pay rules, certifications, labor forecasts, absences, demand signals, compliance requirements, manager decisions, employee preferences og operational changes, der sker på tværs af tusinder af lokaliteter og vagter. Disse signaler er konstant i bevægelse, og de er dybt afhængige af kontekst – rolle, lokalitet, færdighed, politik, regulering, efterspørgsel og timing.

Det har gjort frontline-miljøer meget sværere at analysere på en meningsfuld måde. Inden mange organisationer kan forstå, hvad der sker, er øjeblikket til at påvirke udfaldet allerede passeret. En staffing-gap, overtime-risiko, compliance-problem, payroll-undtagelse eller missed coverage-signal betyder ikke noget en uge senere. Det betyder noget, mens der stadig er tid til at handle.

Det er derfor, frontline-AI skal være fundamentalt anderledes end office-produktivitets-AI. Det kan ikke kun sammenfatte information eller generere indhold. Det skal forstå operativ kontekst, tolke støjende workforce-signaler og hjælpe mennesker med at tage handling i realtid.

For UKG er dette den kerne-mulighed for vores forretning og løsninger som UKG Workforce Intelligence Hub. Frontlinjen har ikke brug for endnu et system til at optage. Det har brug for et system til at handle – et, der hjælper organisationer med at omdanne workforce-data til bedre beslutninger, hurtigere eksekvering og mere tillidsfulde resultater for medarbejdere, chefer og virksomheden.

I årevis har enterprise-software været bygget omkring arbejde, der var lettere at digitalisere: skriveborde, dokumenter, møder, workflows og knowledge-arbejde. Men frontline-arbejde er anderledes. Det er fysisk, distribueret, reguleret, tidskritisk og højst branche-specifikt.

En detail-associate, en sygeplejerske, en fremstillings-tekniker, en lager-arbejder og en hotel-chef er alle frontline-ansatte, men det operativa-miljø omkring hver af dem er helt forskelligt. Detail-hold kan have brug for at justere arbejdskraft baseret på trafik, kampagner, vejr eller lokale begivenheder. Sundheds-hold har brug for den rette person med den rette kvalifikation i den rette enhed, når patient-behov ændrer sig på tværs af dagen. Fremstillings-hold balancerer færdigheder, sikkerhed, overtid, produktions-planer og arbejdsregler.

Det er den rigtige kompleksitet. Arbejdet kan være planlagt om ugen eller måneden, men det ændrer sig hver minut af hver vagt. En schedule, der så rigtig ud mandag, kan være forkert onsdag. En staffing-plan, der fungerede kl. 8, kan være brudt kl. 12.

Historisk set kunne de fleste systemer kun optage, hvad der skete efterfølgende. Frontlinjen har brug for mere end rapportering. Det har brug for handling i øjeblikket.

Det er derfor, AI er så vigtigt. Agentic AI kan forstå kontekst, intention, begrænsninger og forretningsregler, og derefter hjælpe chefer og medarbejdere med at tage handling på tværs af scheduling, tid, løn, HR og operationer.

Vi har brugt årtier på at arbejde med disse frontline-udfordringer. Hvad er forskellen nu er, at AI giver os en mulighed for at transformere dem på et nyt niveau af hast, præcision og branche-relevans.

Muligheden er ikke at gøre frontline-arbejde til at ligne kontor-arbejde. Det er at bygge teknologi, der respekterer, hvordan frontline-arbejde faktisk sker – og hjælper mennesker og virksomheder med at træffe bedre beslutninger i realtid.

At bygge AI til en detail-associate, en sygeplejerske, en lager-arbejder eller en hotel-chef er meget forskelligt fra at bygge AI-kopiloter til skrivebords-arbejdere. Hvad er de største tekniske og operationelle forskelle mellem disse miljøer?

Den største forskel er, at frontline-AI ikke kan leve i en dokument, indbakke eller chat-vindue. Det skal leve i arbejdets flow.

For skrivebords-arbejdere hjælper AI ofte med at skabe, sammenfatte, søge eller analysere information. For frontline-arbejdere skal AI forstå, hvad der sker i operationen lige nu – hvem der arbejder, hvem der er kvalificeret, hvem der er tilgængelig, hvad efterspørgslen ser ud, hvad regler gælder, og hvad handlingen skal være herefter. Det er et meget forskelligt teknisk problem.

AI skal være kontekstuel, branche-bevidst og handling-orienteret. Det skal forstå roller, politikker, arbejdsregler, løn-implikationer, schedules, certificeringer og forretningsprioriteter – og det skal gøre det med tillid, forklarbarhed og menneskelig oversigt.

Den operationelle forskel er lige så vigtig. Frontline-chefer har ikke tid til at tolke dashboards, mens vagten er i gang. Medarbejdere vil ikke have endnu et system at navigere. AI skal være integreret, hurtig, intuitiv og nyttig i øjeblikket.

Det er derfor, frontline-AI ikke er blot en kopilot for arbejde. Det er intelligens, der hjælper organisationer med at fornemme, beslutte og handle i realtid.

De har talt om AI-anvendelser, der kan genoprette schedules, detektere payroll-anomalier og accelerere rekruttering. Hvem af disse use-cases er allerede ved at levere målbart operationelt værdi i dag, og hvilke er stadig i en tidlig fase?

Use-cases, der leverer værdi hurtigst, er de, der fjerner friktion fra beslutninger, chefer og hold allerede har brug for at træffe hver dag.

Payroll-anomaly-detektion er et eksempel, alle kan relatere til. Payroll er en af de højeste tillids-processer i enhver virksomhed, og det er særlig komplekst for frontline- og time-arbejdere. En missed punch, en overtime-problem, en pay-regel-undtagelse eller en compliance-problem kan skabe timer af manuelt arbejde og direkte påvirke medarbejder-tillid. AI kan hjælpe med at identificere problemer tidligere, forklare, hvad der ser forkert ud, og guide hold mod løsning, før payroll lukker.

Der er mange mere avancerede eksempler, vi er meget begejstrede for. Et er real-time labor- og schedule-optimering. Dette er, hvor UKG Dynamic Workforce Operations er så vigtigt. Værdien er ikke kun at se, at en butik, enhed, lager eller hotel er underbemandet. Værdien er at forstå, hvad der ændrer sig, hvad begrænsninger gælder, og hvad handling chefer kan tage i øjeblikket – enten det er at udfylde en åben vagt, undgå overtime-risiko eller beskytte dækning. Disse beslutninger træffes i dag af instinkt, ofte timer for sent. Nu kan chefer få en anbefaling, der er bakket op af data, før et menneske overhovedet ved, der er et problem.

Det tredje er frontline-understøttelse i arbejdets flow. Gennem UKG Frontline Worker Network kan workforce-data hjælpe med at connecte medarbejdere til understøttelse omkring formue, sundhed og hverdags-essentials, når disse behov er mest relevante. Det er stadig en opkomende kategori, men det er en vigtig en, fordi medarbejder-oplevelse ikke kan leve i en separat portal, som ingen har tid til at bruge.

Rekrutterings-acceleration er også ved at blive meget praktisk, især i high-volume frontline-miljøer, hvor hastighed betyder noget. Vores AI-native UKG Rapid Hire har reduceret tiden fra kandidat-interesse til planlagt interview fra uger og dage til timer og endda minutter i nogle tilfælde. Vi har reduceret repetitivt arbejde på tværs af sourcing, screening, scheduling, onboarding og first-day readiness for frontline-rekruttering i stor skala.

Den rigtige mulighed er ikke isoleret automation. Det er en workforce-operating-platform, der kan fornemme, hvad der sker, anbefale den bedste handling og hjælpe organisationer med at bevæge sig fra intention til handling med den rette styring og menneskelig oversigt.

I sektorer som sundhedsvesen, fremstilling og logistik kan små workforce-forstyrrelser have umiddelbare downstream-konsekvenser. Hvordan designerer du AI-systemer, der kan reagere hurtigt uden at skabe yderligere operationel risiko?

Hastighed betyder noget, men i frontline-miljøer er hastighed uden kontrol risiko.

I sundhedsvesen, fremstilling, logistik og andre komplekse sektorer kan en lille workforce-forstyrrelse rulle hurtigt. En enkelt afmelding kan påvirke patient-dækning. En enkelt færdigheds-gap kan langsætte en produktionslinje. En enkelt missed staffing-signal kan forsinke leverancer eller skabe overtime-eksponering.

Derfor er målet ikke at bygge AI, der blot bevæger sig hurtigere. Målet er at bygge AI, der bevæger sig hurtigere inden for de rette begrænsninger.

Det starter med kontekst. AI skal forstå, hvem der er kvalificeret, hvad regler gælder, hvad dækning er nødvendig, hvad compliance-risici findes, og hvad downstream-impakten af hver handling kan være.

Det kræver også risiko-baseret autonomi. Nogle handlinger kan anbefales eller udføres med meget lav risiko, som at alarmerer en chef, identificere kvalificerede erstattere eller fremhæve en åben vagt. Andre handlinger skal kræve menneskelig gennemgang, især når de påvirker løn, compliance, sikkerhed eller materiel schedule-ændringer.

De bedste frontline-AI-systemer er designet til at være forklarbare, gennemgangbare og reversible. Chefer skal vide, hvorfor en anbefaling blev gjort. Medarbejdere skal stole på processen. Og virksomheden skal have tillid til, at AI forbedrer eksekvering uden at indføre ny risiko.

For os er design-princippet simpelt: AI skal hjælpe organisationer med at fornemme, beslutte og handle i realtid – med mennesker, politik og styring bygget ind fra starten.

Der er en voksende bekymring blandt arbejdere om, at AI kunne erstatte job, især i frontline-industrier. Hvordan balancerer du automation med at give medarbejdere magt snarere end at skabe frygt eller usikkerhed omkring AI-adopterings?

Jeg tror, vi skal skille automation-hype fra operationel realitet.

Over de sidste årtier har vi set mange eksempler, hvor erstatning af frontline-arbejde viste sig at være meget sværere, end forventet. Selv-betjening har haft blandede resultater. Fuldt automatiseret fastfood har været mere pilot end paradigm. Drone-levering føles stadig for de fleste som noget fra fremtiden.

Det er ikke, fordi teknologien ikke er kraftfuld. Det er, fordi en stor del af frontline-arbejde forbliver dybt menneskeligt.

Frontline-ansatte håndterer undtagelser, dømmekraft, omsorg, sikkerhed, service, empati og tillid. En sygeplejerske er ikke kun færdig med en opgave. En detail-associate er ikke kun færdig med at flytte inventory. En restaurant-arbejder er ikke kun færdig med at udfylde en ordre. Disse roller sidder ved skæringen af mennesker, operationer, compliance og kunde-oplevelse.

AI kan fjerne friktionen omkring frontline-arbejde: forvirrende schedules, missed punches, løn-spørgsmål, åbne vagter, compliance-kompleksitet, staffing-gaps, administrative opgaver, der trækker chefer væk fra deres hold. Det kan hjælpe medarbejdere med at få svar hurtigere, hjælpe chefer med at træffe bedre beslutninger og hjælpe virksomheder med at operere med mere præcision.

Fremtiden for frontline-AI er ikke om at tage mennesker ud af arbejde. Det er om at give mennesker bedre værktøjer, bedre vejledning og mere støtte i øjeblikket, der betyder noget.

De har beskrevet AI som en bevægelse af enterprise-software fra systemer til optagelse til systemer til intelligent handling. Hvordan ser du workforce-platforme udvikle sig over de næste fem år, når agentic AI bliver mere integreret i dag-til-dag-operationer?

Jeg ville faktisk omformulere det lidt. Spørgsmålet er ikke, hvordan workforce-platforme vil se ud om fem år. Spørgsmålet er, hvilke organisationer bygger grundlaget i dag for at være ledere om fem år.

Tempoet i AI-forandringer er for hurtigt til at behandle det som en fjernt transformation. Fordelen vil gå til organisationer, der bevæger sig nu fra ikke-sammenhængende systemer, klodsede suites og punkt-løsninger mod en sand workforce-operating-platform – en, der forbinder HR, løn, tid, scheduling, workforce-intelligence og eksekvering.

Dette er endnu et eksempel på, hvor UKG Workforce Intelligence Hub bliver vigtigt. Når AI bliver mere integreret i dag-til-dag-workforce-operationer, kan intelligens ikke sidde udenfor som statisk rapportering. Det skal blive en del af, hvordan arbejde forstås, prioriteres og handles. Organisationer har brug for en intelligence-lag for frontline-workforce-operationer for at bringe det rette indhold ind i det rette øjeblik.

Det betyder, fordi workforce-operationer er fulde af marginale gevinster og marginale tab. En enkelt missed staffing-signal, en enkelt payroll-undtagelse, en enkelt compliance-problem, en enkelt åben vagt eller en enkelt forsinket chef-beslutning kan se lille ud i isolation. Men på tværs af tusinder af medarbejdere, lokaliteter og vagter kompenserer disse øjeblikke hurtigt.

Agentic AI giver organisationer en mulighed for at lukke dette gap. Det kan forstå, hvad der sker, tolke forretnings-konteksten, anbefale den bedste handling og hjælpe mennesker med at eksekvere i realtid med den rette styring og menneskelig oversigt.

Over de næste fem år vil ledere ikke være de organisationer, der blot tilføjede AI-funktioner til eksisterende workflows. De vil være de, der genovervejede workforce-management som et system til intelligent handling.

For chefer er dette det kritiske punkt: Frontlinjen bevæger sig allerede i realtid. Deres teknologi skal bevæge sig med det. Organisationerne, der bygger denne kapacitet nu, vil have en betydelig forsprang.

At se fremad, tror du, at de virksomheder, der vinder i enterprise-AI, vil være de med de bedste modeller, eller de med den dybeste operationelle og workforce-data direkte tilknyttet til realverden-workflows?

De bedste modeller vil betyde noget, men jeg tror ikke, at modeller alene vil definere vinderne i enterprise-AI.

I virksomheden er intelligens kun værdifuld, hvis den forstår konteksten af arbejde og kan hjælpe mennesker med at træffe den rette handling. Det er især sandt i workforce-operationer, hvor en anbefaling kan afhænge af, hvem der er planlagt, hvem der er kvalificeret, hvad regler gælder, hvad efterspørgslen ser ud, hvad løn-implikationer findes, og hvad risiko eller compliance-problem kan opstå downstream.

En model uden denne operationelle kontekst kan generere et svar. En platform med den rette workforce-data, forretningsregler, workflow-kontekst og styring kan hjælpe med at drive et resultat.

Dette er, hvorfor en intelligence-lag, som vi har skabt med vores Workforce Intelligence Hub, er så vigtigt. AI, der sidder oven på et system, har begrænset værdi. Intelligens skal være integreret i arbejdets flow, kunne tolke signaler, forstå operationelle begrænsninger og fremhæve beslutninger, der betyder mest.

Det er, hvor markedet er på vej. Når modeller bliver mere kraftfulde og mere tilgængelige, vil differentiering komme fra, hvor godt AI er grundlagt i realverden-workflows og hvor sikkert det kan bevæge sig fra indsigt til handling.

For frontlinjen er denne forskel kritisk. Arbejde ændrer sig konstant, og beslutninger har umiddelbare konsekvenser for medarbejdere, chefer, kunder, patienter og virksomheden.

De virksomheder, der vinder i enterprise-AI, vil ikke blot have AI, der lyder intelligent. De vil have AI, der forstår, hvordan arbejde faktisk sker – og kan hjælpe organisationer med at operere med mere hast, præcision, tillid og menneskelighed.

Tak for det gode interview. Læsere, der ønsker at lære mere, skal besøge UKG.