Michael Majster, Partner i Arthur D. Little – Intervju-serie

Michael Majster, Partner i Arthur D. Little, er en erfaren strategi- og teknologi-konsulent med dyb ekspertise i digital transformation, IT-strategi og innovationsdrevet vækst. Med base i Bruxelles og arbejde i Benelux-regionen, bringer han mere end to årtiers erfaring med at rådgive CIO’er og senior ledere om at drive storstilet forandring og levere målbare forretningsresultater. Før han kom til Arthur D. Little, tilbragte han 16 år i Accenture, hvor han havde senior ledelsesroller, herunder Managing Director for Technology Resources i Frankrig og Benelux, og udviklede stærk sektor-ekspertise på tværs af energi, utilities, kemikalier og naturressourcer.

Arthur D. Little er et af verdens ældste management-konsulentfirmaer, grundlagt for over 135 år siden og bredt anerkendt for sin fokus på innovation, strategi og teknologi-drevet transformation. Firmaet arbejder med globale organisationer for at løse komplekse forretningsudfordringer, kombinerer strategisk indsigt med dyb industri-ekspertise for at støtte områder som digital transformation, innovationsstyring og operationsforbedring. Med en stærk vægt på at brokke strategi, teknologi og udførelse, har Arthur D. Little opbygget en reputation for at hjælpe kunder med at udvikle gennembrud-innovationer og tilpasse sig hurtigt udviklende markedsdynamik.

De tilbragte over 16 år i Accenture, og endte med at lede teknologi og ressourcer på tværs af BeNeLux og Frankrig, før du blev Partner i Arthur D. Little. Hvordan formede den rejse din perspektiv på, hvad det virkelig kræver for organisationer at gå fra AI-eksperimenter til storstilet operations-transformation?

Under min tid i Accenture, så jeg firmaet udvide sig fra 30.000 til over 500.000 medarbejdere. Jeg oplevede førstehånds, hvordan IT-levering kan industrialiseres til en ekstrem grad for at støtte storstilet transformation for CIO’er.

Over årene er IT imidlertid blevet en kerne-del af forretningen, hvilket har ført til, at organisationer må gå væk fra at behandle det som en vare.

Da jeg kom til Arthur D. Little, ønskede jeg at udforske, hvordan disse strategiske transformationer af kerne-forretningen kunne håndteres indefra, hvordan tilpassede løsninger i stedet for standardiserede platforme ville kunne enable differentiation, og hvordan fælles ansvar for hele ExCo kunne hjælpe organisationer med at tage et skridt i værdi-skabelse.

I din seneste synspunkt, It’s not the agents, it’s the system, argumenterer du for, at multi-agent AI er mindre om teknologi og mere om operations-model-forandring. Hvorfor tror du, at så mange organisationer stadig tilgår AI primært som et værktøjs-problem?

Organisationer tilgår AI som et værktøjs-problem, fordi det passer godt ind i eksisterende strukturer, budgetter og ejerskab, og undgår kompleksiteten af tværfunktionel forandring. Dette muliggør hurtige pilot-projekter og synlige fremskridt, men resulterer ofte i initiativer, der ikke kan skala eller levere målbare ROI. Mange ledere afhænger også af legacy software-mentalitetsmodeller, og antager, at AI kan deployes som traditionelle IT-systemer, snarere end at kræve workflow- og beslutnings-redesign. Samtidig er ansvar for operations-model-forandring diffus og sværere at håndtere, hvilket gør teknologi-ledede initiativer mere attraktive. Som resultat af dette, vælger virksomheder værktøjer, fordi det er nemmere og sikkere end at konfrontere den dybere transformation, der er nødvendig for at låse AI’s fulde værdi op.

Mange virksomheder er i øjeblikket eksperimenterende med agentic AI, men kæmper med at skala. Hvad er de mest almindelige strukturelle barrierer, der forhindrer organisationer i at gå ud over pilot-projekter og ind i produktion?

Organisationer kæmper med at skala agentic AI, fordi de fokuserer på isolerede brugs-tilfælde snarere end på at redesigne end-to-end processer med klart ejerskab. Operations-modeller er ofte ikke tilpasset, med uklare roller, beslutningsrettigheder og utilstrækkelig integration af menneske-agent-samarbejde i daglige arbejdsprocesser. Mange initiativer mangler også stærke forbindelser til målbare forretnings-resultater, hvilket får dem til at stagnere i pilot-faser uden at demonstrere ROI. Derudover begrænser fragmenterede data og legacy-systemer evnen af agenter til at operere gnidningsløst på tværs af funktioner. Endelig langsommere ændringsstyring og uløste governance-bekymringer omkring risiko og pålidelighed bremser yderligere adoption og forhindrer skala.

Du understreger, at orkestrering, ikke enkelt-agenter, er hvor den virkelige værdi ligger. Hvad ser effektiv orkestrering ud til i en reel virksomheds-miljø?

Effektiv orkestrering indebærer at designe AI omkring end-to-end forretnings-processer, ikke enkelt-værktøjer, med agenter tildelt klare roller på tværs af hele workflowet. Flere agenter samarbejder som et team om at håndtere intake, beslutningstagning, udførelse og tilsyn – koordineret gennem en central orkestreringslag. Disse agenter er tæt integreret med virksomheds-systemer via API’er og datakilder, hvilket muliggør reelle handlinger snarere end blot indsigt. Orkestreringslaget håndterer også opgave-sekvensering, undtagelser og eskalering til mennesker, hvilket sikrer gnidningsløs og kontrolleret udførelse. Endelig er stærk governance, valideringsmekanismer og feedback-løkker indbygget for at sikre pålidelighed og kontinuerlig forbedring.

Når organisationer redesignerer arbejdsprocesser omkring AI, hvordan skal beslutningsrettigheder udvikle sig mellem mennesker og autonome systemer for at undgå både over-automatisering og flaskehalse?

Beslutningsrettigheder skal udvikle sig til en risiko-baseret model, hvor lav-risiko, høj-volumen beslutninger automatiseres, mens høj-impact eller usikre tilfælde forbliver under menneskelig kontrol. Agenter skal håndtere perception, analyse og udførelse, mens mennesker fokuserer på dom og undtagelser. Klare eskalationsveje er essentielle, så agenter ved, når de skal afstå beslutninger snarere end at overskride deres myndighed. For at undgå flaskehalse skal menneskelig involvering være selektiv og fokuseret på undtagelser snarere end fuld oversigt over hvert skridt. Samtidig sikrer stærke guardrails, valideringsmekanismer og overvågning kontrol og forhindrer over-automatisering.

En af dine nøglepunkter er, at pålidelighed skal være designet end-to-end. Hvad er de største fejlmoder, du ser i dag, når virksomheder deployer multi-agent-systemer uden tilstrækkelige sikkerhedsforanstaltninger?

En nøgle-fejlmode er fejl-propagation, hvor små fejl af en agent kan forplante sig gennem systemet og blive forstærket. Et andet problem er hallucination og falsk tillid, da AI kan generere troværdige, men forkerte output uden at signalere usikkerhed. Organisationer kæmper også, når for meget autonomi gives til agenter i høj-impact beslutninger uden ordentlig validering eller godkendelsesporter. Svag undtagelseshåndtering forværreler yderligere problemet, da agenter ikke kan eskalere tvetydige eller kant-sager til mennesker. Samlet set sker fejl, fordi pålidelighed ikke er designet på tværs af hele systemet af koordination, validering og tilsyn.

Governance behandles ofte som et compliance-lag snarere end en design-princip. Hvordan skal virksomheder omdefinere governance, når de bygger AI-native operations-modeller?

Governance skal skiftes fra et post-hoc compliance-lag til en kerne-design-princip, der er indbygget direkte i AI-workflows. Dette indebærer at integrere guardrails, validerings-trin og godkendelsesporter på nøgle-beslutningspunkter snarere end at tilføje kontroller efter deployment. Virksomheder skal adoptere en risiko-baseret tilgang, hvor niveauer af autonomi og menneskelig oversigt tilpasses afhængigt af beslutnings-impact og usikkerhed. Klare ansvar og beslutningsrettigheder skal defineres, så agenter ved, når de skal handle og når de skal eskalere. Endelig er kontinuerlig overvågning, feedback-løkker og designet pålideligheds-mekanismer essentielle for at opretholde tillid, ydeevne og kontrol i skala.

Fra dit arbejde med at rådgive CIO’er og CDO’er, hvad adskiller organisationer, der opnår målbare ROI fra AI, fra dem, der forbliver fast i permanent eksperimentering?

Organisationer, der opnår ROI, fokuserer på end-to-end process-transformation snarere end isolerede AI-brugs-tilfælde. De kobler initiativer til klare finansielle KPI’er og indbygger AI i arbejdsprocesser, roller og beslutnings-strukturer. De investerer også i ændringsstyring, adoption og governance for at sikre, at løsninger skala effektivt. I modsætning hertil kører organisationer, der er fast i eksperimentering, adskilte pilot-projekter, fokuserer på værktøjer snarere end processer og mangler klart ejerskab og ansvar. Som resultat heraf kan de ikke oversætte AI til målbare forretnings-værdi og forbliver fast i pilot-fasen.

Når multi-agent-systemer bliver mere komplekse, hvordan skal organisationer tænke om overvågning, eskalering og tillid for at opretholde tillid til AI-drevne beslutninger?

Organisationer skal behandle overvågning, eskalering og tillid som kerne-system-design-elementer, snarere end eftertanke. Dette indebærer at sikre fuld sporing gennem logging, audit-trails og validerings-checkpoints, så beslutninger kan forstås og verificeres. Overvågning skal fokuseres ikke kun på ydeevne, men også på resultat-kvalitet, fejl og hvordan problemer forplanter sig på tværs af agenter. Klare eskalationsregler er nødvendige, så agenter kan afstå til mennesker i høj-risiko eller tvetydige situationer uden at skabe flaskehalse. Til sidst kommer tillid fra systemer, der er gennemsigtige, målbare og designet for menneskelig oversigt som standard.

I fremtiden, hvordan ser du enterprise operations-modeller udvikle sig over de næste 3 til 5 år, når multi-agent AI-systemer bliver mere dybt integreret i kerne-forretnings-processer?

Enterprise operations-modeller vil udvikle sig mod hybrid menneske-AI-arbejdsstyrker, hvor agenter fungerer som digitale medarbejdere indbygget i kerne-processer. Organisationer vil skifte fra funktionelle siloer til process-orienterede strukturer med end-to-end ejerskab og orkestrering på tværs af arbejdsprocesser. Beslutningstagning vil blive mere dynamisk, med rutine-opgaver automatiseret og mennesker fokuseret på undtagelser og oversigt. Governance- og pålideligheds-mekanismer vil blive indbygget i daglige operationer snarere end behandlet som separate lag. Til sidst afhænger konkurrencefordel af, hvor godt virksomheder redesignerer deres operations-modeller omkring AI, snarere end kun teknologien i sig selv.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Arthur D. Little.