Sam Jenkins, Managing Partner i Punchcard Systems – Interview-serie

Sam Jenkins, Managing Partner i Punchcard Systems, har brugt mere end to årtier på at arbejde i skæringspunktet mellem teknologi, entrepreneurship og organisationsforandring. Siden han co-foundede Punchcard Systems i 2016, har han hjulpet med at guide virksomhedens vækst, mens han rådgav organisationer om digital arbejdspladsstrategi, brugerdefineret software, kunstig intelligens og fremvoksende teknologier. Hans tidligere erfaring inkluderer co-founding af Startup Edmonton og Wellnext, ledelse af forretningsudvikling og Microsoft-arbejdspladsteknologi-initiativer hos iomer internet solutions, og tjeneste i ledelses- og bestyrelsespositioner på tværs af teknologi, sundhedsvesen, offentlig sikkerhed og fællesskabsorganisationer. Denne baggrund har givet ham en bred perspektiv på, hvordan teknologi ændrer måden, mennesker samarbejder, træffer beslutninger og udfører deres arbejde.

Punchcard Systems er en canadisk software- og teknologipartner, der arbejder med scale-ups og mellemstore virksomheder for at designe, udvikle og implementere digitale løsninger, der er knyttet til målbare forretningsmål. Med mere end 150 kunder i Canada og USA omfatter virksomhedens kompetencer brugerdefineret web- og mobilsoftware, kunstig intelligens, cloud-infrastruktur, data og analytics, brugeroplevelsesdesign og arbejdspladsteknologier som Microsoft 365, Azure, Copilot, Teams, SharePoint og Power Platform. Punchcard fokuserer på at hjælpe organisationer med at modernisere deres operationer, forbedre medarbejder- og kundeoplevelser og integrere nye teknologier i praktiske forretningsprocesser.

Dit karriere har fulgt udviklingen af arbejdspladsteknologi, fra Microsoft SharePoint-baserede medarbejderplatforme og co-founding af Startup Edmonton til opbygning af Wellnext og Punchcard Systems. Hvordan har denne erfaring formet din opfattelse af skiftet fra software, som medarbejdere selv opererer, til AI-agenter, der stadig mere udfører arbejde på deres vegne?

Da jeg først begyndte at arbejde med digitale arbejdspladsteknologier som SharePoint (tilbage i 2003!), var fokus på at skabe bedre måder for medarbejdere at finde information, dele viden og samarbejde. Til sidst udførte medarbejderne selv arbejdet: de navigerede i systemer, de producerede output. I dag bevæger vi os ud over AI som et individuelt produktivitetsværktøj og ind i en ny æra af agentic AI, hvor systemer kan påtage sig mere komplekse, multi-trins-opgaver på vegne af medarbejdere.

Dette er det, der ændrer sig. Som et økosystem bevæger vi os forbi AI som et personligt produktivitetsværktøj og ind i agentic-systemer, der kan påtage sig kompleks arbejde på vegne af rigtige mennesker. Claude Cowork og ChatGPT Work er begge med til at gøre denne agentic-tilgang ret mainstream.

Jeg har set et par af disse teknologiske skift nu, og mønsteret holder hver gang. De organisationer, der vinder, behandler ikke ny teknologi blot som en implementering. De behandler det som en mulighed for at genoverveje, hvordan mennesker, processer og teknologi arbejder sammen.

ChatGPT Work kan indsamle information fra forbundne applikationer og filer, fuldføre multi-trins-opgaver og producere færdige dokumenter, regneark og præsentationer. Hvordan vil dette ændre de daglige ansvar for videnarbejdere, der tidligere selv skabte disse materialer?

Jeg tror, at arbejdet skifter fra “at producere output” til “at styre resultater”. Dette ændrer fundamentalt rollen for videnarbejdere, men dette erstatter ikke behovet for menneskelig indsigt og tilsyn. I stedet vil medarbejdere stadig mere skifte fra at skabe hver enkelt arbejdsstykke selv til at styre, gennemgå og orkestrere AI-genererede output.

Meget af det repetitive arbejde vil flytte til agenten: indsamling af information, opbygning af præsentationer eller dokumenter eller sammenfatning af data. Dette frigør mennesker til det arbejde, der faktisk kræver en person: strategi, kreativitet, kritisk tænkning og samarbejde.

Den færdighed, der bliver stadig mere værdifuld, er at vide, hvordan man leder AI godt, ved at give det den rigtige kontekst, og ved at genkende, når svaret ser rigtigt ud, men ikke er.

Du har beskrevet en voksende behov for “AI-chefer”. Hvad ville denne rolle indebære i praksis, og hvordan ville den adskille sig fra ansvarerne for en IT-administrator, produktchef eller traditionel leder?

AI-chefer vil spille en vigtig rolle i at hjælpe organisationer med at adoptere AI ansvarligt og effektivt. Deres ansvar vil være at styre og sikre, at AI-genereret arbejde er nøjagtigt, pålideligt og i overensstemmelse med forretningsmål.

Dette er en anden opgave end traditionel IT, der ejer infrastruktur og tekniske systemer, eller en produktchef, der fokuserer på at udvikle og forbedre produkter. Hver afdeling vil have brug for nogen, der forstår, hvordan AI anvendes i deres specifikke område, enten det er finans, juridisk, HR eller drift.

Den virkelige skift er ejerskab. Lige nu har de fleste organisationer ikke udpeget nogen, der er tydeligt ansvarlig for, om disse systemer leverer værdi og forbliver inden for acceptable risiko. Denne lukke, i form af at identificere direkte ansvarlige personer, er det, disse typer roller vil udfylde.

KPMG Canada fandt, at AI-agenter allerede påvirker, hvordan organisationer ansætter både nye og erfarne medarbejdere. Hvilke færdigheder vil blive mere værdifulde, når arbejdsgivere begynder at vurdere kandidater på deres evne til at delegerer arbejde til AI, evaluere dets output og intervenere, når det er nødvendigt?

De færdigheder, der vil blive stadig mere værdifulde, er dem, der forbliver unikt menneskelige, såsom kritisk tænkning, dømmekraft, kommunikation, kreativitet, problemløsning og ledelse.

Teknisk AI-litteracitet vil fortsat være vigtigt, men arbejdsgivere søger efter mennesker, der forstår, hvordan AI passer ind i den bredere forretningskontekst. Det inkluderer færdigheder som forandringsledelse, risikostyring og strategisk tænkning.

Grænsen mellem tekniske og ikke-tekniske roller udviskes. Organisationer bevæger sig væk fra at ansætte kun på basis af de færdigheder, nogen allerede har, og mod mennesker, der er villige til at lære, tilpasse sig og kontinuerligt opgradere deres færdigheder. De mest værdifulde medarbejdere vil være dem, der kan bruge AI-kapaciteter, mens de forstår, hvor menneskelig dømmekraft stadig er essentiel.

Mange medarbejdere udviklede traditionelt professionel dømmekraft ved at udføre repetitive indledende opgaver. Hvis AI-agenter absorberer meget af dette grundlæggende arbejde, hvordan kan organisationer omstrukturere træning og karriereudvikling, så yngre medarbejdere stadig får den erfaring, der er nødvendig for at blive effektive beslutningstagere?

Dette er en sandhed, der bekymrer mig lidt. Mennesker byggede tidligere dømmekraft og erfaring op ved at gå igennem indledende opgaver. Hvis agenter udfører dette arbejde, mister stigen nogle trin.

Organisationer må være mere bevidste end nogensinde om at bygge junior-talent op gennem mentorering, coaching, beslutningsøvelser og eksponering for højværdi-projekter tidligt i en persons karriere.

Der er også en mulighed for omvendt mentorering, hvor yngre medarbejdere, der er mere fortrolige med AI-værktøjer, kan hjælpe hold med at forstå, hvordan disse teknologier kan anvendes, mens erfarne medarbejdere fortsat tilbyder den forretningskontekst og dømmekraft, som AI ikke kan replikere.

Målet skal være at omstrukturere læreprocessen for en arbejdsplads, hvor mennesker og AI arbejder sammen.

Punchcard har omfattende erfaring med at implementere Microsoft 365 og relaterede arbejdspladsteknologier. Hvordan ændrer ChatGPT Work det konkurrencemæssige landskab for Microsoft Copilot og Google Gemini, og hvilke faktorer skal organisationer overveje, når de vælger en AI-platform til daglig arbejde?

Landskabet udvikler sig hurtigt, og organisationer har flere muligheder end nogensinde. Beslutningen skal komme ned til, hvilken løsning bedst harmonerer med organisationens eksisterende teknologi-miljø, arbejdsprocesser, sikkerhedskrav og forretningsmål.

For organisationer, der allerede er investeret i Microsoft 365, kan værktøjer som Copilot give fordele gennem integration med eksisterende applikationer og data. Andre kan finde, at andre platforme bedre passer deres behov.

Jeg tror, at den vigtigste spørgsmål, ledere skal stille, ikke er “hvilket værktøj?” Det er “hvilet problem løser vi, og hvilken platform hjælper os med at løse det ansvarligt?”

Her er, hvad vi har lært førstehånds: succesfuld adoption handler om mere end værktøjet. Vi har implementeret selskabsomfattende AI-platforme med brugerdefinerede modeller, der er tilpasset, hvordan vi faktisk arbejder. Hver medarbejder bruger det, men det kom ikke fra at vælge det rigtige produkt; det kom fra stærke data-fundamenter, styring og bygning af AI ind i, hvordan virksomheden køres.

Modelpræstation dominerer ofte diskussioner om arbejdsplads-AI, men organisationer skal også overveje tilladelser, dataadgang, gennemskuelighed og ansvarlighed. Hvilke styringskontroller skal etableres, før en AI-agent tillades at operere på tværs af e-mail, dokumenter, interne databaser og forretningsapplikationer?

En af de største fejl, jeg ser organisationer begå, er at behandle AI-styring som en eftertanke. Da AI-systemer bliver mere kapable og forbundet til forretningsdata, skal organisationer etablere klare principper for, hvordan disse værktøjer bruges, før de skaleres bredt.

Dette starter med at forstå, hvilken information AI-systemer kan få adgang til, sikre, at tilladelser er korrekt defineret, og etablere kontroller omkring overvågning og ansvarlighed.

Organisationer skal også have klare retningslinjer for, hvor AI kan operere uafhængigt, og hvor menneskelig tilsyn er påkrævet.

Ved at bygge de rigtige fundament omkring data og sikkerhed fra starten kan forretninger låse AI-værdien op, mens de styrer de risici, der følger med stadig mere autonome systemer.

Når AI-agenter tager handlinger i stedet for blot at give svar, kan fejl have operationelle konsekvenser. Hvordan skal forretninger validerer agent-genereret arbejde, bestemme, hvilke handlinger kræver menneskelig godkendelse, og tildele ansvar, når en agent producerer et ukorrekt resultat eller tager en uventet handling?

Når AI bevæger sig fra at svare til at handle, ændrer risikoprofilen sig. Ikke hver opgave medfører de samme konsekvenser, så grænsen for menneskelig godkendelse skal skaleres med, hvad der står på spil.

Det kræver simpelthen tydeligt ejerskab. AI skal støtte beslutningstagning, ikke erstatte ansvar. Organisationer skal definere, hvem der overvåger AI-præstation, validerer output og er ansvarlig for resultaterne. Målet er at kombinere AI-drevet effektivitet med menneskelig dømmekraft og skabe systemer, der er både skalerbare og pålidelige.

Mange organisationer eksperimenterer med AI uden at tilslutte adoption til målbare forretningsresultater. Hvordan skal ledere identificere værdifulde agentic-brugsflader, måle deres afkast på investeringen og bestemme, om en pilot er klar til at skaleres på tværs af organisationen?

Lukken skyldes normalt sekvensen. Holdene vælger en teknologi først og søger derefter efter et sted at anvende den, når de varige sejre kommer fra at starte med en arbejdsproces, der allerede er smertefuld og dyrt, og spørge, om en agent er det rette værktøj.

Den bedste filter er variabilitet. Hvis en proces er forudsigelig nok til en regel-motor, har du ikke brug for en agent. Hvis det er så åbent, at ingen kan beskrive et godt resultat, vil agenten kæmpe, og du vil ikke være i stand til at stole på den. Værdien ligger mellem, i arbejde, der kræver dømmekraft på tværs af flere systemer, men stadig kører inden for begrænsede, gennemskuelige regler.

Jeg ville tilføje et screenings-spørgsmål, der ændrer risikoprofilen mere end noget andet. Er omkostningerne ved en forkert handling begrænsede og kan omgøres? Hvor det er tilfældet, lad agenten handle og flyt hurtigt. Hvor en fejl er dyrekøbt eller svær at omgøre, hold en person i beslutningen.

Om afkast er den almindelige fejl at måle det forkerte for sent. Timer gemt er den standard-måling, men det undervurderer virkningen. De større afkast viser sig som cyklus-tids-kompression, lavere fejl-rater og kapacitet, der tidligere var rationeret, men nu er tilgængelig. En support-hold, der kun kunne nå halvdelen af deres billetter, bliver en anden forretning, når de kan nå alle. Få en ren baseline, før piloten starter, for ellers er du fanget i at diskutere anekdoter. Og når du opregner omkostninger, tæl det fulde billede. Integrationsarbejde og menneskelig overvågningstid er reelle linje-emner, og overvågning er kronisk undervurderet.

At afgøre, om man skal skalerer, er, hvor disciplin betyder mest, og det er det skridt, holdene skynder sig igennem. En demo på rene input fortæller dig lidt. En pilot er klar, når den holder til på den lange hale af beskidte, virkelige input, når fejl-modus er forstået og begrænset, når gennemskuelighed er på plads, så en stille fejl fanges i stedet for at blive opdaget af en kunde, og når en navngivet person er ansvarlig i produktion.

Kør en enhedsøkonomi-tjek også, da agent-omkostninger skalerer med brug på en måde, software-sæder ikke gør.

Agentic-systemer fejler anderledes end traditionel software. De fejler sandsynligvis og ofte stille, så organisationer, der kommer først, bygger evaluering og overvågning ind fra dag én i stedet for at montere det på efter noget går galt.

Punchcard Systems hjælper organisationer med at gå fra at eksperimenterer med AI til at integrere det i rigtige forretningsprocesser. Hvordan vurderer du en organisations beredskab til AI, identificerer arbejdsprocesser, hvor det kan levere målbare værdi, og hjælper hold med at implementere disse systemer ansvarligt uden at forstyrre eksisterende operationer?

Det er vigtigt at starte med at forstå organisationens nuværende tilstand. En af de største misforståelser er, at AI-adoption blot handler om at vælge det rigtige værktøj. I virkeligheden afhænger succesfuld implementering af, at have stærke fundament: kvalitetsdata, klare processer og defineret ejerskab.

Herefter hjælper vi organisationer med at identificere, hvor AI kan skabe mest værdi, ofte i arbejdsprocesser, der sluger disproportionsvis meget tid i forhold til deres indvirkning, eller i beslutninger, der træffes uden den rigtige information på hånden.

Organisationer må tænke på, hvordan roller og beslutningstagning vil udvikle sig sammen med teknologien. Ved at kombinere den rigtige teknologi med medarbejder-adoption og forandringsstyring kan forretninger integrere AI på en måde, der skaber målbare værdi uden at bryde, hvad der allerede fungerer.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Punchcard Systems.