Jason Wojahn, CEO for KMS Technology – interviewserie

Jason Wojahn er CEO for KMS Technology og har omkring tre årtiers erfaring med at opbygge og skalere virksomheder inden for teknologiydelser til erhvervslivet. Han var med til at grundlægge Thirdera og stod i spidsen for virksomheden, indtil den blev opkøbt af Cognizant. Tidligere ledede han Accenture’s globale ServiceNow-forretning og havde ledende roller hos Cloud Sherpas og IBM Global Services. Hans arbejde fokuserer på transformation af virksomheder, driftsmodeller og på at omsætte fremskridt inden for AI til målbare forretningsresultater.

KMS Technology er en virksomhed inden for digital udvikling, data og AI, der hjælper organisationer med at udvikle software, modernisere applikationer, styrke deres datafundament og sætte AI i drift. Ydelserne spænder over teknisk rådgivning, produktudvikling, dataudvikling og intelligent automatisering af arbejdsgange. I dette interview taler Wojahn om »eksekveringsøkonomien«, kløften mellem AI-pilotprojekter og produktion, beslutningskompetence for agenter, og hvordan virksomheder kan måle fremskridt ud fra resultater fra start til slut.

Du har brugt tre årtier på at opbygge og skalere teknologivirksomheder til erhvervslivet – fra at udvikle Navigis og lede Accenture’s globale ServiceNow-forretning til at opbygge Thirdera og nu være CEO for KMS Technology. Hvordan har disse erfaringer præget dit syn på transformation af virksomheder, og hvad tiltrak dig ved udfordringen med at hjælpe organisationer med at blive AI-native?

Jeg begyndte hos IBM Global Services, hvor jeg havde ansvaret for leverancer til store erhvervskunder. Derefter fulgte Navigis, Cloud Sherpas, Accenture, Thirdera og Cognizant – næsten hele tiden inden for ServiceNow-økosystemet.

Her er det mønster, jeg igen og igen så: Hver ny platformbølge lovede transformation, men teknologien afgjorde sjældent, hvem der vandt. Vinderne var de virksomheder, der ændrede den måde, arbejdet faktisk blev udført på i organisationen.

Årene med ServiceNow lærte mig, at værdien ligger i arbejdsgangene, ikke i dashboards. I tredive år blev virksomhedssoftware stadig bedre til at fortælle os, hvad der foregik. Til gengæld var den langt dårligere til at gøre noget ved det. Mennesker udfyldte det tomrum. De blev det ulønnede integrationsteam, der førte arbejdet fra ét system til det næste.

AI ændrer på det. Intelligens bliver stadig mere tilgængelig. Det, der nu er en mangelvare, er evnen til at omsætte den til koordineret handling. Det var det, der førte mig til KMS: den dybe ingeniørfaglige ekspertise til at bygge systemer, der udfører arbejdet i stedet for blot at holde styr på det, og muligheden for at blive AI-native frem for blot AI-understøttet.

Mange virksomheder har med succes demonstreret AI’s potentiale gennem pilotprojekter, men har svært ved at omsætte de tidlige resultater til værdi i produktionsskala. Hvilke forhindringer møder organisationer oftest, når de skal videre fra eksperimenter, og hvorfor viser disse udfordringer sig ofte først, efter at teknologien har bevist sit værd?

Et pilotprojekt beviser, at modellen virker. Produktion beviser, at organisationen fungerer.

Det er to meget forskellige prøver. Et pilotprojekt bygger på rensede, nøje udvalgte data, en engageret sponsor og et lille team, der finder løsninger uden om alle manglerne. Det er tilrettelagt, så de svære ting kan undgås.

I produktion kan man ikke undgå dem. Nu skal agenten have adgang til fem systemer i stedet for ét. Nogen skal tage ansvar for resultatet, når agenten laver en fejl, beslutte, hvad den må godkende, og betale for at drive den hver dag.

Derfor viser udfordringerne sig, efter at teknologien har bevist sit værd. De handlede aldrig om teknologi. De handler om data, integration, ejerskab og beslutningskompetence, og pilotprojektet var tilrettelagt, så man kunne gå uden om dem alle.

Løsningen er at holde op med at behandle pilotprojekter som demonstrationer. Se pilotprojektet som første fase af produktionen. Vælg en arbejdsgang, der betyder noget, forbind den med de faktiske systemer, udpeg en ansvarlig, og fastlæg fra dag ét, hvad agenten må beslutte. Det tager længere tid at komme i gang, men gør det langt hurtigere at skalere.

Du har beskrevet et skifte i retning af en »eksekveringsøkonomi«, hvor konkurrencefordelen i stigende grad afhænger af en organisations evne til at omsætte intelligens til koordineret handling. Hvad betyder dette begreb i praksis, og hvordan ændrer det den måde, virksomheder bør gribe investeringer i AI an på?

Alt arbejde følger den samme kæde: information, indsigt, beslutning og eksekvering.

Virksomhedssoftware brugte årtier på de to første led, og AI forbedrer hurtigt de første tre. Eksekvering er dér, hvor de fleste organisationer stadig sidder fast, og det er dér, konkurrencefordelen nu flytter sig hen.

I praksis betyder eksekveringsøkonomien, at intelligens ikke længere er en mangelvare. Det er evnen til at få tingene gjort. To virksomheder kan have de samme modeller, de samme data og den samme indsigt. Vinderen er den, der omsætter indsigten til koordineret handling med tydeligt fastlagt beslutningskompetence og et revisionsspor.

Det ændrer måden, man bør investere på. De fleste AI-budgetter går i dag til værktøjer: copiloter, assistenter og bedre søgning. De gør den enkelte hurtigere. Men et forslag, som AI udarbejder på ti minutter, kan stadig vente tre dage på at blive godkendt. Hurtigere opgaver er ikke det samme som hurtigere resultater.

Så finansier arbejdsgange, ikke værktøjer, og begynd med et andet spørgsmål. Ikke: »Hvordan gør vi denne medarbejder 20 % mere produktiv?« Men: »Hvilket arbejde bør ikke længere kræve koordinering mellem mennesker?«

Efterhånden som AI går fra at hjælpe medarbejdere med individuelle opgaver til selvstændigt at udføre hele arbejdsgange, hvordan skal organisationer så gentænke deres eksisterende processer, beslutningsstrukturer og ansvarsmodeller?

De fleste virksomhedsprocesser er bygget op omkring menneskers begrænsninger. Informationen bevægede sig langsomt, så vi indførte møder. Beslutninger krævede tilsyn, så vi indførte godkendelseskæder. Meget af det, vi kalder processer, er i virkeligheden overleveringer mellem mennesker.

Automatiserer man processen, som den er, automatiserer man organisationsdiagrammet. Man får hurtigere overleveringer, men ikke færre.

Gentænkningen begynder med beslutninger, ikke opgaver. Kortlæg beslutningerne i hver arbejdsgang. Hvad kan en agent anbefale? Hvad kan den beslutte? Hvad kan den udføre på egen hånd? Hvornår skal et menneske træde til?

Beføjelsen knytter sig til beslutninger, ikke til hele arbejdsgange. En agent kan have fuld bemyndigelse til at afstemme en faktura og stadig skulle have en person til at godkende enhver betaling over en fastsat grænse.

Ansvarligheden forsvinder ikke. Den bliver tydeligere. Mennesker og agenter har et fælles ansvar for udførelsen: Agenterne udfører arbejdet, mens mennesker fastlægger beføjelserne, håndterer undtagelserne og står til ansvar for resultatet. Hver agent skal have en navngiven ansvarlig, og alle handlinger bør kunne spores og, hvor det er muligt, omgøres.

Ledelsens rolle ændrer sig fra at koordinere arbejdet til at designe de systemer, der udfører det.

Hos KMS Technology fokuserer I på at omdanne traditionel digital udvikling til AI-baseret udførelse i virksomheder. Hvordan ser denne omstilling ud internt, og hvordan griber KMS det an at integrere AI, dataplatforme og intelligent orkestrering af arbejdsgange for at skabe målbare forretningsresultater?

Vi anvender først den samme tankegang på os selv. KMS er vokset op som en virksomhed inden for digital udvikling. Vores næste kapitel handler om AI-baseret udførelse i virksomheder: at bygge, modernisere og drive, med mennesker og agenter, der i fællesskab har ansvaret for udførelsen. Resultaterne kan måles på tid og indsats:

Byg. Evergreen Telehealth ønskede en telehealth-platform baseret på agentbaseret AI og sundhedsdatastandarden FHIR, men der fandtes ikke noget tilsvarende på markedet. Med en AI-baseret tilgang og Claude integreret i kravspecifikation, design, udvikling og test bragte vores team og Evergreens ingeniører kerneplatformen fra idé til produktion på 75 arbejdsdage. Det omfattede tre apps (web, iOS og Android), fire aktive integrationer (EHR, identitetsverifikation, betalinger og apotek) og to agenter i produktion. Arbejdet blev ledet af mennesker og accelereret af AI. Agenter udarbejdede brugerhistorier, genererede kode og kørte test. Ingeniørerne havde ansvaret for arkitekturen, kortlægningen af kliniske data og alle vigtige beslutninger.

Modernisér. Et andet eksempel er en maritim softwarevirksomhed, der havde brug for at udskifte en platform, som den havde kørt lokalt i mere end 20 år. Virksomheden kunne ikke retfærdiggøre en lang, traditionel genopbygning, før investorerne kunne se fremskridt, så vi gennemførte et tidsafgrænset, agentbaseret udviklingsforløb på seks uger. Kundens krav blev indlæst som kontekst, så agenterne byggede efter specifikationen i stedet for blot at generere kode. Teamet leverede 35 til 45 procent af MVP-omfanget på omkring 800 teamtimer sammenlignet med det oprindelige estimat på 6.000 til 8.000. Agenterne skrev koden og mere end 5.000 enhedstest. Ingeniørerne fastlagde rammerne og vurderede kvaliteten.

Drift. Evergreen har siden udvidet sin agentarkitektur på tværs af virksomheden med overvågende agenter, der holder øje med systemet, og mennesker involveret i processen for at evaluere og rette op.

Vi skriver ikke bare kode hurtigere. Vi ændrer, hvor meget arbejde et team kan udføre.

I alle tre tilfælde har mennesker og agenter et fælles ansvar for udførelsen. Agenterne tager sig af det gentagelige arbejde. Vores ingeniører og kundernes teams har ansvaret for beslutningerne, undtagelserne og resultatet.

Den samme omstilling gør det muligt for os at skabe større løft i leverancerne. Det er forskellen mellem AI-baseret levering og AI-understøttet levering.

Virksomheders AI-systemer bliver i stigende grad afhængige af adgang til information på tværs af fragmenterede ældre applikationer, cloudplatforme og datamiljøer. Hvor stor er udfordringen med at forbinde disse systemer, og hvilket arkitektonisk fundament bør organisationer etablere, før de forsøger at udrulle AI-drevne arbejdsgange i stor skala?

Det er den største udfordring. De fleste virksomheder har ikke et AI-problem. De har et fragmenteringsproblem, som AI har gjort umuligt at ignorere.

Se på, hvordan arbejdet udføres i dag. Nogen finder information i én applikation, rykker for en godkendelse i en anden og kopierer resultatet ind i en tredje. Mennesker udgør integrationslaget. En agent kan ikke udføre det arbejde, medmindre den kan få adgang til systemerne, forstå konteksten og handle med de rette tilladelser.

Derfor er fundamentet vigtigere end modellen. Fire ting kommer først:

• en moderne dataarkitektur, der giver agenterne adgang til pålidelig kontekst
• et integrationslag, der lader agenter handle på tværs af systemer, ikke kun hente data fra dem
• identitet og tilladelser, der er udformet til agenter, ikke kun til mennesker
• overvågning, så man kan se, hvad hver agent har gjort, og hvorfor

Teknologiestakken bliver også mere kompakt. Dataplatforme bliver operationelle, workflowplatforme bliver intelligente, og applikationer bliver uden brugergrænseflade. Hvis et workflow kan gå på tværs af stakken, hvorfor skal brugeren så gøre det?

Vent ikke på den perfekte arkitektur. Vælg et workflow, der betyder noget, og modernisér det, det berører. Gør derefter det samme med det næste.

Når AI-agenter begynder at træffe beslutninger og udføre handlinger på tværs af forretningsaktiviteter, bliver spørgsmål om styring, ansvarlighed og menneskeligt tilsyn stadig vigtigere. Hvordan bør virksomheder afgøre, hvilke beslutninger der kan overlades til AI, og hvilke der fortsat skal være under menneskelig kontrol?

Jeg ville begynde med at ændre spørgsmålet. Ikke »Kan AI gøre det her?« Svaret er i stigende grad ja. Det bedre spørgsmål er: »Hvem har givet den tilladelse til at handle?«

Evner og adgang er ikke det samme som bemyndigelse. Når en agent kan godkende en refundering, ændre en produktionsplan eller forpligte virksomheden til en udgift, er der nogen, der skal sætte grænserne.

En praktisk målestok er omkostning og reversibilitet. En beslutning, der træffes ofte, følger faste regler og er let at omgøre, egner sig godt til at blive overladt til en agent. En beslutning med stor betydning, som ikke kan omgøres, eller som definerer forholdet til en kunde, bør træffes af et menneske.

Delegering skal også være noget, man gør sig fortjent til. Begynd med, at agenter kommer med anbefalinger, som et menneske godkender. Efterhånden som dokumentationen bliver stærkere, kan mennesket gå fra at godkende hver enkelt handling til at føre tilsyn med systemet og håndtere undtagelserne.

Målet er ikke at have et menneske med i alle beslutningsforløb, men i de rette. Data skaber kontekst. Modeller ræsonnerer. Agenter udfører handlinger. Mennesker fastlægger bemyndigelsen og tager ansvar for konsekvenserne.

Du har stået i spidsen for store forretningsområder inden for virksomhedsplatforme hos Accenture og Cognizant, hvor opskalering af driften krævede, at teknologi, mennesker og processer blev samordnet på tværs af globale organisationer. Hvilke erfaringer fra den tid kan bruges i dagens AI-omstillinger, særligt når modstand i organisationen eller forældede driftsmodeller bliver større hindringer end selve teknologien?

Jeg lærte mest af alt af integration. Hos Cloud Sherpas, derefter Accenture og senere Cognizant brugte jeg årevis på at samle organisationer. Forskellige kulturer, leverancemodeller, incitamenter og regioner skulle alle fungere som én platformvirksomhed.

Teknologien var sjældent begrænsningen. Det var driftsmodellen.

Tre erfaringer kan overføres direkte til AI-omstilling.

For det første er modstand som regel rationel. Folk værner om det, de bliver målt på. Hvis man indfører agenter, mens man stadig måler teams på timer, antal medarbejdere og aktivitet, får man efterlevelse, ikke forandring. Ændr måleparametrene, så følger adfærden med.

For det andet skal beslutningsrettighederne være tydelige. Under enhver integration var de sværeste samtaler dem om, hvem der beslutter hvad. AI gør det umuligt at komme uden om spørgsmålet, fordi nogle af beslutningstagerne ikke længere er mennesker.

For det tredje skal det stå klart, hvad der forbliver uændret. Folk håndterer forandringer bedre, når de forstår hvorfor, og ved, hvad der ikke ændrer sig.

AI-omstilling er et skifte i driftsmodellen, som blot involverer teknologi. Ledere, der behandler det som en udrulning af software, vil blive skuffede.

Traditionelle målinger af AI-succes fokuserer ofte på anvendelsesgrad, produktivitetsforbedringer og sparet tid. Hvilke målinger bør ledere prioritere for at afgøre, om AI reelt forbedrer virksomhedens evne til at udføre arbejdet, og hvordan kan organisationer skelne mellem gradvise effektivitetsgevinster og en betydningsfuld omstilling af driften?

Anvendelse og sparet tid er inputmålinger. De viser, at folk bruger værktøjet, ikke om virksomheden arbejder hurtigere.

Hvis en ingeniør sparer to timer, men udgivelsen stadig må vente en uge på en gennemgang, har intet ændret sig for kunden. Opgaver, der udføres hurtigere, giver ikke nødvendigvis hurtigere resultater.

Jeg ville prioritere tre typer målinger:

• Tid fra behov til resultat: Hvor lang tid der går, fra en anmodning fremsættes, til den fører til et resultat – hele vejen igennem.
• Hvor arbejdet går i stå: Hvor lang tid beslutninger tager, overleveringerne og køerne mellem teams.
• Arbejde uden koordinering: Hvor stor en del af et workflow der afvikles uden koordinering fra mennesker, mens medarbejderne koncentrerer sig om vurderinger og undtagelser.

Knyt derefter målingerne til virksomheden: omkostninger ved at betjene kunder, kvalitet og omsætning.

Det er enkelt at afgøre, om der er tale om omstilling. Blev opgaven udført hurtigere, eller ændrede workflowet form? Gradvise forbedringer gør den samme proces hurtigere. Omstilling fjerner de trin, overleveringer og godkendelser, der ikke længere er nødvendige.

Mål tiden fra behov til resultat. Find ud af, hvor arbejdet går i stå. Ændr det, der holder det tilbage.

Hvordan forventer du, at forholdet mellem AI, virksomhedssoftware og medarbejdere udvikler sig i løbet af de næste tre til fem år? Forestiller du dig en fremtid, hvor AI-baserede systemer grundlæggende erstatter traditionelle workflows i virksomheder, og hvad bør virksomhedsledere gøre allerede i dag for at forberede sig på den overgang?

I tredive år har virksomhedssoftware fortalt os, hvad der foregik. I løbet af de næste tre til fem år vil det i stigende grad udføre arbejdet.

Det, AI vil overtage, er koordineringen: at rykke, kopiere, overdrage og følge op – alt det, der fylder det meste af folks arbejdsdag. Mennesker vil i højere grad beskæftige sig med at udøve dømmekraft, håndtere undtagelser, pleje relationer og tage ansvar for resultaterne. Det er en bedre udnyttelse af menneskelig ekspertise, men det kræver nye kompetencer, som ledere bevidst må opbygge.

Hvad bør ledere gøre i dag? Vælg en arbejdsgang med væsentlig betydning, og kortlæg beslutningerne i den. Få styr på de underliggende data. Fastlæg, hvad agenten må beslutte, og udpeg den person, der har ansvaret for resultatet. Gå derefter videre til den næste arbejdsgang.

Virksomheder, der betragter AI som et værktøj, opnår effektivitet. Virksomheder, der omorganiserer sig omkring AI, får en løftestangseffekt. AI er ikke strategien. Det er eksekveringen.

Tak for det gode interview. Læsere, der ønsker at udforske AI-native virksomhedsdrift, intelligente arbejdsgange og overgangen fra AI-pilotprojekter til produktion, bør besøge KMS Technology.