Katie Stein, administrerende direktør for ASAPP – Interviewserie

Katie Stein, administrerende direktør for ASAPP, er en erfaren teknolog- og forretningsleder med mere end to årtiers erfaring inden for virksomhedstrategi, drift, digital transformation og virksomhedsvækst. Før hun tiltrådte ASAPP som administrerende direktør i august 2026, var hun administrerende direktør for Atain og tilbragte otte år hos Genpact, hvor hun var Chief Strategy Officer og Global Business Leader for Enterprise Services and Analytics, med ansvar for virksomhedens strategi, store serviceporteføljer, kundeoplevelse og M&A-initiativer. Tidligere i sin karriere havde Stein seniorlederroller hos Mercer, herunder Global Chief Operating Officer for deres $2,5 milliarder store forretning inden for pension, sundhed og fordele, og arbejdede som projektleder hos Boston Consulting Group. Hendes karriere har i høj grad fokuseret på at hjælpe store organisationer med at forbedre driftsresultater, implementere teknologi mere effektivt og gennemføre komplekse forretningsomdannelser.

ASAPP er et AI‑firma, der fokuserer på at transformere virksomheders kundeservice gennem sin AI‑native Customer Experience Platform (CXP). Grundlagt i 2015 udvikler virksomheden teknologi, der samler AI‑agenter, menneskelig ekspertise, kundedata og virksomheds‑systemer på tværs af tale‑ og digitale kanaler. I centrum af platformen er GenerativeAgent, en AI‑kundeserviceagent designet til at forstå samtaler, ræsonnere omkring kundebegæringer, udføre handlinger via tilsluttede virksomheds‑systemer og inddrage menneskelige agenter, når yderligere tilsyn eller dømmekraft er påkrævet. ASAPP leverer også værktøjer til test, overvågning, styring og observabilitet, så store organisationer kan implementere kundevendt AI, mens de bevarer større kontrol over, hvordan automatiserede agenter opfører sig.

Din karriere har taget dig fra strateg- og transformationsroller hos BCG, Mercer og Genpact til at lede Atain, og nu til at blive administrerende direktør for ASAPP. Hvad tiltrak dig ved ASAPP på dette tidspunkt i din karriere, og hvad har du efter dine første 30 dage identificeret som de største muligheder og prioriteringer for virksomheden?

ASAPP kom først på min radar under vinterstormen Fern tidligere i år. Hos Atain arbejdede vi fra alle vinkler for at skabe tilstrækkelig kapacitet til et af de største USA‑flyselskaber, da tusindvis af forstyrrede rejsende forsøgte at komme hjem. ASAPP svarede ikke blot på spørgsmål; dens GenerativeAgent ombookede mere end 3.800 passagerer på seks dage, inklusive komplekse rejseplanændringer. Det viste mig, hvordan enterprise‑AI ser ud under ægte pres. Mine første 30 dage har bekræftet denne opfattelse. Vores mulighed er at fokusere og skalere: koncentrere os om, hvor ASAPP har den klareste ret til at vinde, hjælpe kunder med at gå fra eksperimentering til produktionsmæssig indflydelse, og udføre med større hastighed og konsistens.

ASAPP’s tilgang bringer autonome AI‑agenter, deterministiske arbejdsprocesser og menneskelige eksperter sammen i et enkelt orkestreringslag. Hvordan bestemmer du, hvilke beslutninger der skal overlades til en AI‑agent, hvilke der skal følge foruddefinerede regler, og hvilke der skal involvere menneskelig dømmekraft?

Vi tildeler ikke en hel interaktion til AI, en foruddefineret arbejdsproces eller en person. Vi ser på hver beslutning ud fra dens kompleksitet, risiko og behov for ansvarlighed. AI er velegnet til at forstå intention, fortolke kontekst og tilpasse sig kunden. Arbejdsprocesser sikrer konsistens, når påkrævede trin eller politikker skal følges. Mennesker tilføjer dømmekraft, når en situation er tvetydig, usædvanlig eller har store konsekvenser. Orkestrering samler alle tre i den samme interaktion. Målet er ikke maksimal autonomi. Det er at løse flere kundebehov, mens den rette kontrolniveau anvendes på hvert beslutningspunkt.

ASAPP betragter menneskelig involvering som en løbende del af AI‑systemet snarere end blot en eskaleringsvej, når automatisering fejler. Efterhånden som AI‑agenter bliver mere kapable, hvor tror du, at mennesker fortsat vil tilføre mest værdi i kundeserviceinteraktioner?

Menneskelig opfindsomhed! For et par måneder siden talte jeg med en senior CX‑leder, som observerede, at et relativt lille antal opkald udgør en uforholdsmæssig stor del af håndteringstiden. Disse er ofte edge‑cases uden klar FAQ, vidensartikel eller standardarbejdsprocedure. De er vanskelige, fordi organisationen ikke tidligere har stødt på – eller kodificeret – svaret. Mennesker vil fortsat tilføre mest værdi i disse øjeblikke: fortolke tvetydighed, balancere konkurrerende hensyn og anvende dømmekraft, hvor der ikke findes en etableret playbook. Men at inddrage en person bør ikke kræve at opgive automatisering og overføre hele interaktionen. AI’en indsamler, hvad der er nødvendigt, og præsenterer en person med en specifik anmodning og kontekst; mennesket leverer dømmekraften, og derefter fortsætter AI’en interaktionen. Denne ekspertise løser det umiddelbare problem og hjælper med at udvide, hvad AI kan løse næste gang.

Mange virksomheder har med succes demonstreret generativ AI i pilotprojekter, men har svært ved at implementere den på tværs af millioner af reelle kundesamtaler. Hvad undervurderer virksomheder oftest, når de går fra en AI‑pilot til et produktionsskala‑agentisk system?

Virksomheder undervurderer oftest den lange hale. Pilotprojekter tester typisk definerede brugsscenarier under kontrollerede forhold. I produktionsskala bliver sjældne situationer til dagligdags forekomster: kunder skifter retning, giver ufuldstændige oplysninger eller kombinerer behov på måder, ingen havde forudset. Derfor er skalering af agentisk AI ikke kun en modeludfordring. Det kræver integration med virksomhedssystemer, styring, overvågning og en måde at inddrage mennesker, når der er brug for dømmekraft. Piloten beviser, at teknologien fungerer. Produktion kræver arkitekturen og driftsdisciplinen for at gøre den pålidelig i stor skala.

Efterhånden som virksomheder bevæger sig fra en enkelt AI-assistent til flere specialiserede agenter, der arbejder sammen, hvilke nye tekniske eller styringsmæssige udfordringer opstår omkring orkestrering, observabilitet og ansvarlighed?

Den nye udfordring er koordinering. Flere agenter skaber flere overleveringer, beslutningspunkter og muligheder for, at kontekst eller ansvarlighed går i opløsning. Virksomheder har brug for en orkestrering, der bestemmer, hvilken agent der skal handle, hvilke oplysninger og tilladelser den modtager, og hvordan deres arbejde bidrager til kundens løsning. Observabilitet skal strække sig over hele interaktionen, så organisationerne kan forstå, hvad der skete, og hvorfor. Det bliver grundlaget for styring. Fordelen vil ikke komme fra at implementere flest mulige agenter, men fra at koordinere al den specialiserede intelligens i ét system, der er pålideligt, sporbart og ansvarligt.

ASAPP introducerede for nylig Continuous Red Teaming, som automatisk tester deres AI-systemer mod mere end 50 klasser af sårbarheder, efterhånden som modellerne udvikler sig. Hvordan bør virksomheder revurdere sikkerheden, når AI-agenter ikke længere blot genererer svar, men i stigende grad kan udføre handlinger på vegne af kunder?

Stakes ændrer sig, når AI går fra at besvare spørgsmål til at udføre handlinger. En uautoriseret transaktion eller eksponering af kundedata er langt mere konsekvent end et unøjagtigt svar. Virksomheder har brug for klare grænser for, hvad en agent kan tilgå, hvad den kan gøre, og hvornår menneskelig godkendelse er påkrævet. Sikkerhed kan heller ikke være en test, der kun udføres én gang før implementering. Efterhånden som AI bliver mere kapabel, innoverer også ondsindede aktører. Derfor tester ASAPP løbende mod tusindvis af modstandsscenarier, der spænder over mere end 50 sårbarhedsklasser. Sikkerheden skal udvikle sig lige så hurtigt som teknologien, så virksomheder kan udvide, hvad AI kan gøre, uden at gå på kompromis med kundernes tillid.

Generativ AI er iboende probabilistisk, men kundeserviceprocesser involverer ofte transaktioner, overholdelseskrav og andre opgaver, hvor resultater skal være forudsigelige. Hvordan kan virksomheder bevare fleksibiliteten i generativ AI, mens de indfører nok deterministisk struktur til at gøre disse systemer pålidelige?

Nøglen er at adskille samtalen fra forretningsprocessen. Vi mener, at generativ AI skal gøre det, den er bedst til: forstå kunden, navigere i tvetydighed og svare naturligt. Men kritiske processer – som verifikation, transaktioner og overholdelse – bør foregå inden for trinbaserede arbejdsgange, der håndhæver virksomhedens regler og nødvendige sekvenser. Denne arkitektur giver virksomheder det bedste af begge verdener: en fleksibel oplevelse for kunden og forudsigelig udførelse for forretningen. Den gør også processerne lettere at teste, revidere og forbedre, efterhånden som modellerne udvikler sig. Virksomheder behøver ikke gøre hver kundesamtale stiv for at gøre AI pålidelig. De skal blot være meget klare om, hvor AI kan tilpasse sig, og hvor processen absolut ikke kan.

Kontaktcentre har traditionelt målt automatisering gennem metrics som containment og omkostningsreduktion. Efterhånden som agentisk AI bliver mere sofistikeret, hvilke metrics bør virksomheder bruge for at afgøre, om AI faktisk forbedrer kundeoplevelsen i stedet for blot at reducere menneskelig involvering?

Vi bevæger os væk fra metrics som deflection og containment og hen imod det, jeg kalder “verificeret løsning”. Jeg vil have, at vi er ansvarlige for at forstå en kundes intention og faktisk løse den. Som kunde ønsker jeg en behagelig oplevelse, men vigtigst af alt vil jeg have, at årsagen til min henvendelse bliver løst. Når vi måler dette resultat i stedet for blot om AI forhindrede en person i at nå en menneskelig agent, tilpasser vi teknologien til den opgave, kunden faktisk har brug for at få udført.

Hvis én menneskelig ekspert i stigende grad kan supervisere eller vejlede flere AI-drevne samtaler, hvordan forventer du så, at arbejdsstyrken i kontaktcentre vil udvikle sig? Ser du nye roller opstå omkring AI-tilsyn, træning, styring og løbende forbedring?

Det er netop dette, der gør mig så begejstret for den fremtidige driftsmodel for kontaktcentre. I dag er menneskelige agenter i frontlinjen, ofte med kunder, der er skuffede, forvirrede eller vrede, mens de bruger meget af deres egen tid på at navigere i komplekse systemer for at løse problemerne. Det er krævende arbejde, og udbrændthed er udbredt. Efterhånden som agentisk AI overtager mere af dette arbejde på tværs af stemme- og digitale kanaler, tror jeg, vi vil se en ny klasse af CX-professionelle opstå: den menneskelige agent som analytiker. Deres tid vil i stigende grad blive brugt på situationer, der kræver dømmekraft, ikke er sort-hvide eller har regulatorisk følsomhed. Det er en grundlæggende anderledes rolle, og en, som AI selv hjælper med at skabe.

Efter dine første 30 dage som leder af ASAPP, hvad har overrasket dig mest ved, hvor virksomhederne i øjeblikket er i deres adoption af agentisk AI, og hvad mener du vil definere den næste fase af AI-drevet kundeservice?

Jeg har været imponeret over, hvor villige de kunder, jeg har talt med, er til at gøre agentisk AI til en kerne‑søjle i deres CX‑strategi frem for noget tilstødende. Udfordringen er, at Digital, IT, Sikkerhed og Drift ofte bevæger sig med forskellige hastigheder og måler succes på forskellige måder. Denne fragmentering gør det svært at se forretningscasen for virksomheden klart. Den næste fase vil kræve, at organisationer samstilles om, hvad der faktisk betyder noget på virksomheds‑niveau, og forstår, hvor agentisk AI i CX kan påvirke disse resultater. I dag kan den påvirkning blive udvandet over eksisterende scorecards og silo‑målinger.

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