Lauri Kien Kotcher, administrerende direktør og medstifter af Different Day – Interviewserie

Lauri Kien Kotcher, administrerende direktør og medstifter af Different Day, er en erfaren erhvervsleder, brandbygger, bestyrelsesmedlem og strategisk rådgiver, hvis karriere spænder over kunstig intelligens, forbrugerprodukter, detailhandel, sundhedspleje, finansielle tjenester og private equity. Før hun grundlagde Different Day, var hun administrerende direktør og bestyrelsesmedlem i quip, hvor hun ledede en bredere overgang fra mundpleje til mundvelvære, introducerede nye produkter, omarbejdede virksomhedens direkte-til-forbruger abonnementmodel og sænkede driftsomkostningerne. Hun ledede tidligere The Shade Store og Hello Products og guidede sidstnævnte gennem betydelig vækst og dens overtagelse af Colgate i 2020. Hendes tidligere lederstillinger omfatter seniorroller hos L Catterton, Godiva Chocolatier, Lehman Brothers og Pfizer Consumer Healthcare samt 15 år i McKinsey & Company, hvor hun blev partner og medledede firmaets nordamerikanske forbrugerprodukter praksis. Kotcher sidder også i Freshpets bestyrelse og bidrager med omfattende erfaring inden for vækststrategi, innovation, markedsføring, fusioner og opkøb samt organisatorisk transformation.

Different Day hjælper mellemstore virksomheder med at omsætte operationelle udfordringer til praktiske, tilpassede kunstig intelligens-applikationer, der integreres med deres eksisterende teknologimiljøer. I stedet for at fokusere på eksperimentelle AI-projekter eller generel software udvikler virksomheden end-to-end-løsninger designet til at reducere manuelt arbejde, forbedre synlighed, accelerere indtægtsvækst, styrke marginer og afdække nyttige forretningsindsigter. Arbejdet dækker områder som efterspørgselsprognoser, forsynings- og lagerplanlægning, salgsintelligens, afstemning af økonomisk støtte, overholdelse, kontraktanalyse, kundehåndtering (CRM) og præstationsrapportering. Different Day stiller sit team som en partner fra den indledende problemidentifikation gennem implementering og vidensoverførsel, så kunderne kan drive og løbende forbedre applikationerne internt.

Du har brugt årtier på at lede transformationer i McKinsey, Godiva, hello products, The Shade Store og quip, før du medstiftede Different Day. Hvad overbeviste dig om, at mellemstore virksomheder havde brug for en ny type AI-partner, og hvilke operationelle problemer mente du, at eksisterende teknologileverandører og konsulentfirmaer fejlede i at løse?

Chokerende lever mange virksomhedsledere i mørke. Som administrerende direktør og CMO, der driver hurtigtvoksende mellemstore forbrugerbrands og detailhandlere, kunne jeg aldrig få et klart overblik over hele omfanget af alle de bevægelige dele i virksomheden. Vores data befandt sig ofte i adskilte siloer efter kanal, geografi og funktionel ejer. Min intuition var, at AI endelig kunne forbinde disse punkter og hjælpe med at finde ud af, hvad vi manglede, men jeg havde ingen idé om, hvem jeg skulle kontakte, eller hvor jeg skulle starte. Different Day blev svaret på det spørgsmål.

Mellemstore virksomheder har færre ressourcer end store virksomheder, men de kan også have mindre bureaukrati og teknisk gæld. Hvordan bør deres tilgang til AI-implementering adskille sig fra store virksomheders spillebog?

Mellemstore virksomheder har en ekstraordinær superkraft, de skal omfavne. De bør sigte efter at springe deres større konkurrenter over, da hastighed er deres reelle fordel. Vores syn er, at vi kan gøre de fleste mellemstore virksomheder til AI-native organisationer, som om de blev lanceret i 2026 fra bunden. Store virksomheder er stille bekymrede for, at AI vil give mindre rivaler mulighed for at udligne spillefeltet ved at bruge AI‑medarbejdere til at bevæge sig hurtigere uden at øge personalet. Færre mennesker betyder færre beslutningstagere om hvad der skal gøres, hvordan det skal gøres, og hvad målene er, så et mindre organisationsdiagram bliver en ressource, ikke en begrænsning.

Når du evaluerer en virksomheds drift, hvordan skelner du så mellem et arbejdsgang, der reelt drager fordel af AI, og et, der bedre kan løses gennem konventionel automatisering, forbedret software eller procesomlægning?

Jeg tror på den nøgterne tilgang: skræl din arbejdsgang ned til det grundlæggende. Forenkling af processen bør komme før AI. Start med et rent stykke papir – hvad ville du gøre her, hvis den ældre software og omveje ikke eksisterede? De fleste eksisterende processer blev bygget for at omgå klodsede værktøjer, ikke fordi de er den rette måde at arbejde på. Når kontrakter fornyes, spørg hvilke funktioner du bruger, og med få undtagelser kan AI bygge noget mere skræddersyet end det, du har i dag. Selvom der altid er systemer, der er værd at beholde, som dit ERP eller CRM, designer vi præcis de tillæg, du har brug for, og intet mere.

Different Day siger, at de kan starte med en 72-timers prototype og gå videre til en produktionsklar aflevering inden for få uger. Hvad gør den hastighed mulig, og hvilke tekniske, sikkerheds- eller organisatoriske forhold kan bremse en implementering?

Det kan virke som et overdrevet løfte, men det afspejler vores unikke fordel som en virksomhed grundlagt af folk, der forstår både forretning OG teknologi. Vores team er AI-native, så selve opbygningen går langt hurtigere end traditionel softwareudvikling. Det, der ikke ændrer sig, er opdagelsen: hvem der ejer processen, hvem der ellers skal buy‑in, hvilket resultat du sigter efter og med hvor meget, hvad der har fejlet før. Springer du over dette arbejde i starten, dukker det op igen senere; i integrationer, i implementering, til en meget højere pris. Hastigheden er kun mulig, fordi vi lægger forståelsen først i stedet for at kode.

Mange mellemstore virksomheder opererer på tværs af adskilte regneark, ældre systemer og inkonsistente datakilder. Hvor meget datapræparation er typisk påkrævet, før AI kan levere pålidelige operationelle resultater?

De adskilte data, som de fleste mellemstore virksomheder lever med, er faktisk muligheden, ikke hindringen. Vores værktøjer fremhæver præcis, hvor hullerne er, og virksomheden beslutter, om og hvordan de skal udfyldes. Før AI var disse huller usynlige; nogen pressede blot regnearkene ind i en beslutning eller traf valg på ufuldstændige data uden at indse det. Nu kan teams se hullet og afveje deres beslutning derefter i stedet for at antage, at dataene var solide.

Hvilke målinger bør ledere fastlægge, før de påbegynder et AI-projekt, og hvor hurtigt bør de forvente at se beviser på, at en implementering genererer en meningsfuld afkast på investeringen?

AI kan være nyt, men de klassiske forretningsdiscipliner holder stand. Hvor AI støder på problemer, er når folk tror, at alle de gamle regler er væk. Hvert AI-projekt har brug for ét klart mål fra starten, hvad enten det er salg, brand‑synlighed, margin, beslutningshastighed eller mere output uden flere medarbejdere, sammen med en realistisk tidsplan for at nå det. Tidsplanerne varierer med antallet af datatilslutninger, interne og eksterne systemer, og hvor meget værktøjet skal lære, før output er solidt. Du bør se en form for resultat omkring tre‑måneders mærket; mere komplekse projekter tager længere tid. Nøglen er at designe projektet i faser, så du ikke venter på et enkelt stort resultat.

Different Day fremhæver anvendelser inden for efterspørgselsprognoser, forsyningsplanlægning, kontraktintelligens, afstemning af økonomisk støtte og real‑tids salgs‑signaler. Hvilke brugsscenarier leverer de mest gentagelige resultater i dag, og hvilke forbliver stærkt afhængige af en virksomheds branche og driftsmodel?

Undervurder ikke AI’s gentagelsesfaktor. På mange måder er virksomheder strukturelt mere ens, end vi tror, fra universelle kontrakter til at matche kundebehov med interne kapaciteter. Kontraktintelligens og afstemning af økonomisk støtte er de mest gentagelige i dag; begge har klare parametre og klare output, så værktøjet præcist ved, hvad det løser. Efterspørgselsprognoser og forsyningsplanlægning er sværere: flere datasæt, flere kanaler og langt større variation fra én virksomheds driftsmodel til den næste. Noget som real‑tids kundemeddelelser ligger midt imellem, afhængigt af virksomhedens nuværende teknologistak og kanaler.

Hvordan skal en virksomhed beslutte, om den skal købe et færdigt AI-produkt, bygge internt eller udvikle en tilpasset applikation med en ekstern partner? Hvilke spørgsmål hjælper med at afsløre unødvendig kompleksitet eller leverandørlåsning?

Undgå AI‑clickbait og vær skeptisk over for LinkedIn‑indlæg, der får intern opbygning af sofistikerede værktøjer til at lyde let. Byg internt kun når værktøjet er ægte simpelt, som et dashboard, der samler et par regneark til én ren visning for et lille antal kolleger. Så snart du har brug for real‑tids data fra interne og eksterne systemer, er det uden for rækkevidde for et ikke‑teknisk team med gør‑det‑selv‑værktøjer. Færdig AI har samme loft som færdig SaaS altid har haft. Det giver dig et overblik over generiske data, men det giver dig ikke den nuance, der er specifik for din forretning og dine konkurrenter.

Hvad er de mest almindelige fejl, du ser virksomheder begå, når de går fra en imponerende AI‑demonstration til et system, som medarbejderne skal stole på og bruge hver dag?

Jeg ser en epidemi af “prototype‑itis”: virksomheder falder for den synlige 10 % af isbjerget. Prototypen ser imponerende ud, men det egentlige arbejde foregår under overfladen: datatesting og back‑testing, test af hver systemforbindelse og sikring af dataene. Derefter følger change‑management: undervisning i, hvordan man bruger den, hvor dens begrænsninger ligger, hvornår et menneske skal forblive i kredsløbet, og hvilke spørgsmål man skal stille til dens output. AI skal være egnet til et formål, ikke en erstatning for menneskelig dømmekraft, især i en mellemstor virksomhed, hvor den dømmekraft tog år at opbygge.

Når AI bliver indlejret i kerneoperationer, hvordan forventer du, at rollerne for ledere og frontlinjemedarbejdere vil ændre sig, og hvad bør mellemstore ledere gøre nu for at sikre, at AI løfter deres teams i stedet for blot at tilføje et ekstra lag af teknologi?

“Ledere” refererede engang til at styre mennesker. Hurtigt er det blevet ledelse af agenter og systemer. Begynd med at kortlægge teamets største smertepunkter og isolere manuelt, gentagne arbejde; det er, hvor AI hører hjemme først, før du overlader det mere komplekse beslutninger. Gå først, før du løber, især i en mellemstor virksomhed, hvor tillid skal opbygges én sejr ad gangen.

Tak for det fantastiske interview, læsere, der ønsker at lære mere, bør besøge Different Day.