Denis Romanovskiy, Chief AI Officer hos SOFTSWISS – Interviewserie

Denis Romanovskiy, Chief AI Officer hos SOFTSWISS, er en erfaren teknologiuddannet med mere end 25 års erfaring i at lede store tekniske programmer på tværs af gaming, enterprise software, IoT og højtilgængelige onlineplatforme. Han har tilbragt de sidste fem år i iGaming-sektoren og har tidligere fungeret som vice teknisk direktør hos SOFTSWISS, hvor han overvågede teknisk governance på tværs af multiple produktteams med fokus på casino- og sportsbook-platforme, før han trådte ind i sin nuværende rolle for at definere og implementere virksomhedens AI-strategi.

SOFTSWISS er et Malta-baseret iGaming-teknologiselskab, der tilbyder komplette løsninger til onlinecasinoer og sportsbook, herunder en casino-platform, spilaggregator, sportsbook-løsning og administrerede tjenester. Selskabet støtter operatører verden over med infrastruktur designet til skalerbarhed, overholdelse og pålidelighed, og positionerer sig ved skæringen af gaming-teknologi og fremvoksende AI-drevet optimering.

Da du har ledet store tekniske programmer på tværs af multiple industrier og nu definerer enterprise AI-strategi hos SOFTSWISS, hvordan har din baggrund i højtilgængelige systemer formet din tilgang til at integrere AI på tværs af en organisation med over 2.000 medarbejdere?

Min erfaring med højtilgængelige systemer har lært mig en grundlæggende lære: enhver kompleks forandring i stor skala kræver en systematisk tilgang. Du kan ikke bare implementere en teknologi og håbe, det fungerer – du skal designe hele økosystemet omkring det og sikre, at processer, struktur og teknologi alle arbejder sammen.

Vi anvender præcis denne princip til AI-adopteringsprocessen hos SOFTSWISS. Det starter på det enkelte niveau. Vi forklarer hver medarbejder, hvordan man bruger AI på en sikker og effektiv måde – hvad det kan gøre, hvor dets begrænsninger ligger, og hvilke risici der er forbundet med det. Det er afgørende, at vi gør det klart, at deres ansvar for resultaterne ikke forsvinder, når AI kommer ind i billedet. AI udvider dine muligheder, men ansvarligheden ligger stadig hos dig. Du ejer stadig kvaliteten af output, beslutningerne og resultaterne.

Derefter går vi til teamniveauet, og her skifter dynamikken. Nye muligheder opstår – hurtigere planlægningscykler, automatiseret verificering, forbedret analyse – men også nye risici: overafhængighed af AI-outputs, erosion af kritisk tænkning, inkonsistent adoption på tværs af teamet. Her spiller ledere en afgørende rolle. De skal tilpasse, hvordan de gennemgår arbejde, hvilke spørgsmål de stiller, og hvilke signaler de søger efter. Når nogen leverer et resultat, der er to gange så hurtigt, er lederens opgave at forstå, om kvaliteten har holdt og om personen faktisk forstår, hvad de har leveret.

Denne lagdelte tilgang – individuel bevidsthed, teamniveau-tilpasning, ledelsesovervågning – er det, der låter os skalerer AI på tværs af en stor organisation uden at kompromittere med stabiliteten og pålideligheden, som vores regulerede miljø kræver. Det handler ikke kun om teknologi. Det handler om at bygge systemet omkring det, der gør adoptionen bæredygtig.

Hvad adskiller AI, der er implementeret som et produktivitetsværktøj, fra AI, der er integreret direkte i kerneinfrastruktur og beslutningssystemer, og hvordan ændrer denne forskel langsigtet forretningsresultater?

Produktivitets-AI – chat-assistenter og kode-kopiloter – er, hvor folk først møder AI på arbejdspladsen. Dette skridt er vigtigt, og du kan ikke springe det over. Det bygger AI-litteracitet, underviser folk i at evaluere outputs og skaber vaner med ansvarlig brug på tværs af organisationen.

Men der er en grundlæggende forskel mellem AI, der hjælper en enkelt person, og AI, der er integreret i, hvordan organisationen fungerer. Infrastruktur-AI – integreret i virksomhedens systemer gennem AI-platforme – bliver en del af ledelsessystemet. Det indebærer planlægning, kontrol og revision. Det respekterer governance-rammer og føder direkte ind i beslutningskæder.

Impaktgapet er betydeligt. Produktivitetsværktøjer leverer 20-30% effektivitetsgevinster på enkeltopgaver – værdifuldt, men inkrementelt. Infrastruktur-AI accelererer hele processer med 3-5 gange. Og over tid formår det selv organisationen – eliminerer nogle roller delvist eller fuldstændigt, skaber nye og komprimerer arbejdsgange, der tidligere krævede multiple overdragelser.

Derfor kræver disse to kategorier forskellige tilgange. Produktivitets-AI er en enablementsudfordring. Infrastruktur-AI er en organisations-transformation, der kræver omhyggelig planlægning, forandringsledelse og kontinuerlig overvågning.

Hvad er de arkitektoniske og kulturelle ændringer, der kræves for at gå fra isolerede AI-eksperimenter til en centraliseret, organisationsomfattende AI-platform?

Arkitektonisk set er en centraliseret platform afgørende – en, der giver sikker adgang til multiple model-leverandører, samtidig med at der opretholdes strenge data-governance. Uden denne lag kan eksperimenter ikke skaleres til værdi.

Kulturelt set er den større ændring at gå fra executions-fokuseret tænkning til design-fokuseret tænkning. Da execution bliver billigere og hurtigere med AI, skifter konkurrencefordelen til, hvor godt hold kan arkitektere arbejdsgange. Medarbejdere skal designe processer, hvor AI håndterer repetitive operationer, mens mennesker forbliver i kontrol over orkestrering og beslutningskvalitet.

Hvordan kan store virksomheder systematisk øge deres læringshastighed, når de implementerer AI, og hvilke operationelle mekanismer gør det målbart?

Læringshastigheden øges, når eksperimenter er strukturerede. Hos SOFTSWISS udnævner vi AI-udvalg inden for produktteams, der identificerer brugstilfælde, forfiner bedste praksis og deler dem på tværs af organisationen. Workshops accelererer yderligere vidensoverførsel.

Måling er knyttet til forretnings-KPI’er. Vi sporer indikatorer som tid til løsning i support eller automatiseringsniveauer i kode-gennemgang. Hvis AI-adopteringsprocessen ikke forbedrer målbare metrikker, er det overfladisk.

Hvilke arvede processer begrænser mest almindeligt impakten af AI-adopteringsprocessen i etablerede teknologivirksomheder?

Hovedbegrænsningen er forsøget på at integrere AI i stive ledelsesstrukturer med lange planlægningscykler og fast ressourceallokering. AI’s fordel er hastighed, og forældede governance-modeller langsomer denne fordel.

En anden begrænsende faktor er svag data-klassificering. Uden struktureret og vel-governed data bliver sikker og skalerbar AI-integration ekstremt svær.

Kan du dele eksempler, hvor integration af AI direkte i kerne-systemer har resulteret i målbare gevinster i effektivitet, omsætning eller operationel præstation?

I teknisk support analyserer AI integreret i Jira billet-historik og dokumentation for at foreslå løsningsveje, hvilket reducerer løsningstiden betydeligt.

I HR bespare automatisk assistenter, der håndterer fordelings- og orlov-anmodninger, hundredvis af timer hver måned.

I udvikling når AI-drevet kode-gennemgangsautomatisering 60-80%, hvilket accelererer udviklingslivscyklussen med to til fire gange. Disse gevinster er operationelt målbare og påvirker direkte effektiviteten.

Hvordan designer du governance-rammer, der sikrer gennemskuelighed, sikkerhed og ansvarlighed, når AI er dybt integreret i virksomhedsarbejdsgange?

Governance skal skabe en kontrolleret miljø snarere end begrænse innovation. Vi afhænger af virksomheds-grad-vendor-aftaler og anvender data-masking, før vi sender information til cloud-modeller.

Ansvarlighed er bygget ind i system-design. AI-drevne handlinger opererer inden for definerede rollback-vinduer, der tillader menneskelig omgåelse. Ansvarligheden ligger ultimativt hos teamlederen, der designer og ejer arbejdsgangen.

Hvad er de strukturelle fordele, der giver små AI-native teams mulighed for at skalerer hurtigere end traditionelle virksomheder, og hvordan kan større organisationer tilpasse sig uden at miste stabilitet?

Kernedifferentiet er arkitektonisk. Traditionelle virksomheder bryder arbejde ned i sekventielle faser – hver ejes af en separat rolle, med overdragelser og køer mellem dem. AI-native teams kan udføre på tværs af alle faser samtidigt. Der er ingen køer, ingen ventetid på næste person i kæden. Hele processen er automatiseret fra ende til anden, hvilket giver dem en massiv hastighedsfordel.

For større organisationer er vejen fremad gradvis. Først – byg AI-litteracitet og udstyr teams med AI-værktøjer. Giv folk tid til at lære, eksperimentere og integrere AI i deres eksisterende arbejdsgange. På dette stadium sker innovation inden for eksisterende processer, ikke i stedet for dem.

Når teams får erfaring og tillid, kan du sætte mere ambitiøse mål – optimering af hele processer snarere end enkelttrin. Her begynder den virkelige transformation, men det fungerer kun, når folk og processer er parat til det.

Nøglen er tempo. Flyt for hurtigt, og du bryder stabiliteten. Flyt for langsomt, og markedet efterlader dig. Den rette tilgang er bevidst, sekventiel progression – så organisationen udvikler sig uden at miste, hvad der allerede fungerer.

Hvordan påvirker det at operere i iGaming-sektoren, med dets regulerings- og pålidelighedskrav, måden, hvorpå AI-infrastruktur er arkitekteret og implementeret?

iGaming er en unik miljø. Det indebærer rigtige penge, realtids-transaktioner og regulerings-overvågning på tværs af multiple jurisdiktioner. Hos SOFTSWISS opererer vi under multiple licenser – hver med sine egne overholdelseskrav. Dette betyder, at hver teknologi-beslutning, herunder AI, skal tage hensyn til et komplekst regulerings-landskab, der går langt ud over standard data-beskyttelse.

Regulerede markeder kræver streng overholdelse af data-lagring-, sletning- og behandlingsregler, herunder GDPR. Men i iGaming er omfanget bredere – anti-pengetværsforskrifter, ansvarlige spil-forpligtelser, licensbetingelser, der dikterer, hvordan data flyttes og hvor de kan behandles. Infrastruktur skal garantere, at følsomme data ikke bruges til ekstern model-træning, og at hver AI-drevet beslutning forbliver gennemskuelig.

På samme tid er pålidelighedsstandarder exceptionelt høje. Systemer opererer 24/7 med massive transaktionsvolumener. Enhver AI-system, vi implementerer, skal opfylde de samme standarder – altid tilgængelig, fuldt gennemskuelig og i stand til at håndtere de data-volumener, vi ser i support og overholdelsesoperationer. I denne branche er AI-fejl ikke bare en ulemper – det er en regulerings- og finansielle risiko.

Når enterprise AI modnes, hvilke funktioner vil adskille virksomheder, der virkelig integrerer AI i deres driftsmodel, fra dem, der blot er overfladiske adoptører?

I modne AI-virksomheder vil hver medarbejder have AI til rådighed – med sikker adgang til virksomhedens data på tværs af systemer, uden barrierer eller manuelle anmodninger. Processer vil være automatiseret fra ende til anden, uden køer eller overdragelser mellem roller. Arbejde vil flyde kontinuerligt, ikke i faser.

Men automatisering alene er ikke nok. Det, der adskiller ledere fra resten, er evnen til at kontrollere AI-drevet arbejde i stor skala. Teams og organisationer vil tilpasse sig automatiseret kvalitets-overvågning – detektere problemer tidligt og korrigere dem, før de forværres.

Den enkelte medarbejders rol ændrer sig fundamentalt. I stedet for at udføre opgaver definerer de specifikationer for AI – giver tilstrækkelig kontekst, klare mål og kvalitetskontrol-metoder. Deres værdi ligger i at styre AI og optimere dens output, ikke i at udføre arbejdet manuelt.

Ledernes rol ændrer sig også. Ledere og direktører bliver systemtænkningens arkitekter på tværs af organisationen. Deres opgave er at forbinde forskellige arbejdsgange, værktøjer og artefakter til værdistrømme, der løser kunde-problemer bedre end konkurrenterne kan, ikke optimerer enkelt-opgaver – men designer, hvordan alt hænger sammen.

Denne dybe integration – AI i hver hånd, automatiserede processer, systematisk kvalitetskontrol og ledelse fokuseret på slut til slut-værdi – vil definere langsigtet konkurrencefordel. Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge SOFTSWISS.