Sarah Philipp, Global Lead of AI Enablement & Adoption at Altimetrik – Intervieuserie

Sarah Philipp, Global Lead of AI Enablement and Adoption at Altimetrik, fokuserer på at hjælpe organisationer med at brobygge mellem hurtig AI-innovation og virkeligt arbejdskraftsadopteringsbehov. Hendes arbejde handler om at opbygge AI-læseprogrammer, arbejdsgøremåder og rollebaserede træningsinitiativer, der hjælper medarbejdere og ledere med at integrere generativ AI i daglige operationer. Hos Altimetrik har hun hjulpet med at forme virksomhedsadoptioner omkring teknologier som ChatGPT Enterprise, OpenAI Agents SDK og virksomhedsomfattende AI-arbejdsgange, samt med til at skabe “LAByrinth”, en projektbaseret GenAI-simuleringsplatform designet til ingeniører og tekniske programledere. Før hun kom til Altimetrik, tilbragte hun år med at lede kundeuddannelses- og implementeringsinitiativer på SaaS-platforme som Nudge Coach, hvilket gav hende en stærk grund i læringsystemer, adfærdsaktivering og digital transformation. Hendes karriere afspejler en voksende trend inden for virksomheds-AI, hvor succes i stigende grad afhænger ikke kun af at implementere modeller, men også af at gøre medarbejdere sikre, kompetente og produktive med AI-værktøjer i deres daglige arbejde.

Altimetrik er et AI-først digitalt ingeniør- og datasolutionsfirma, der fokuserer på at hjælpe virksomheder med at modernisere legacy-systemer og skala generativ AI på tværs af forretningsoperationer. Firmaet arbejder på tværs af brancher, herunder finansielle tjenester, sundhedsvesen, fremstilling, detailhandel og livsvidenskab, og kombinerer produktudvikling, skymodernisering, datainfrastruktur og AI-implementeringstjenester. Altimetrik har positioneret sig som en større virksomheds-AI-implementeringspartner gennem samarbejder med OpenAI, med stærk fokus på agentic AI, arbejdsgangsorkestrering, governance og produktionsklare AI-systemer. Dets ALTI AI Lab fungerer som en intern innovationshub, hvor firmaet prototyper virksomheds-AI-applikationer, der spænder fra intelligente assistenter til multimodale arbejdsgange og AI- native forretningsoperationer. I de seneste år har Altimetrik udvidet sig aggressivt gennem partnerskaber og opkøb, og har styrket sin globale ingeniørfootprint og virksomheds-AI-leveringskapacitet.

Hvad var den afgørende oplevelse, der overbeviste dig om, at ansvarlig AI-adopteringsafhængighed ville være lige så meget afhængig af menneskelig enablement som af teknisk kapacitet?

Jeg er normalt en ret sen adopter af nye ting. Jeg er skeptisk over for hype og stædig, når det kommer til at fastholde den måde, jeg er vant til at gøre tingene på. Det var tilfældet med AI. Jeg var en sen adopter og rykkede meget langsomt i begyndelsen.

Det, der ændrede sig for mig, var, da jeg hørte, på en meget menneskelig og ikke-teknisk måde, hvordan andre mennesker faktisk brugte AI i deres daglige liv og arbejde. Da jeg kunne forbinde det med virkelige og personlige friktionspunkter, fulgte nysgerrigheden.

Den oplevelse bekræftede noget, jeg har set over hele transformationsindsatsen, jeg har været en del af: adoption begynder sjældent med kapacitet alene. Det begynder med relevans, tillid og mening. Mennesker skal først se sig selv i forandringen, og det er derfor, ansvarlig AI-adopteringsafhængighed afhænger lige så meget af menneskelig enablement som af teknisk beredskab.

Hvordan definerer du succesfuld virksomhedsomfattende generativ AI-adopteringsudseende ud over pilotprojekter og bevis for koncepteksperimenter?

Succesfuld virksomhedsomfattende adoption lever ikke i siloer. En af de mest almindelige mønstre, vi ser, er kompartimenteret adoption. Ét team bliver meget avanceret i sin AI-modenhed, mens et andet team i samme organisation ikke har nogen klar strategi endnu og måske endda bruger fragmenterede værktøjer eller personlige konti. Den slags ujævn adoption skaber inkonsistens og risiko.

Sandt succes kommer, når en organisation bygger fælles vaner, fælles standarder og forbundne måder at arbejde på. Det kræver både top-down og bottom-up forandringsledelse. Top-down skal ledelsen sætte retning, etablere governance og skabe klarhed om, hvad ansvarlig, værdifuld adoption ser ud til. Bottom-up skal medarbejdere forstå, hvordan AI passer ind i deres daglige arbejde, hvor det løser virkelige problemer, og hvordan de kan bruge det med tillid inden for deres rolle.

Det virkelige tegn på modenhed er, når arbejdsgange kører jævnt fra ende til anden og på tværs af hold, ikke kun inden for isolerede lommer.

De fleste organisationer investerer i generativ AI-værktøjer, men kæmper med at operationalisere dem. Hvad er de mest almindelige udførelseskløfter, du ser mellem ambition og målbart forretningsindflydelse?

Governanceejerskab er ofte uklart. Hvem er ansvarlig for at dokumentere, hvad der bruges, versionering af prompts eller arbejdsgange, overvågning af kvalitet og sporing af, hvor AI faktisk viser sig i forretningslivet? Uden den klarhed ender organisationer med spredt brug og meget lidt operativ disciplin.

Mange organisationer har ikke besluttet, hvilken type AI-brug de faktisk ønsker at opmuntre. Sigter de mod rollespecifikke promptvaner, individuelle produktivitetsbrugstilfælde som brainstorming og udarbejdning, eller formålsskabte agenter knyttet til definerede arbejdsgange? Hvis det ikke er klart, bliver enablement vag og indflydelse svær at måle.

Der er også ofte en afbræk mellem rulning og virkeligt arbejde. Virksomheder investerer i værktøjer, før de har identificeret øjeblikke, hvor AI kan fjerne friktion, forbedre kvalitet eller accelerere udførelse på en meningsfuld måde. Ambition er let, men operationalisering kræver specifikation.

Du arbejder tæt med ledelseshold — hvordan ser effektiv AI-fluency ud på C-niveau, og hvordan påvirker ledelsesadfærd adoption på tværs af organisationen?

Det ligner modellering, nysgerrighed og en begynderholdning. Det ligner ledere, der er sårbare i en rum med folk, der rapporterer til dem.

De ledere, der gør den største forskel, er dem, der demonstrerer en begynderholdning. De er villige til at lære offentligt. De er komfortable med at sige: “Jeg er stadig i gang med at figurere det ud.” Den slags sårbarhed betyder mere, end folk realiserer, fordi det giver alle andre tilladelse til at engagere sig uden at føle, de skal være eksperter først.

Ledelsesadfærd sætter tonen. Hvis ledere behandler AI som en sideløbende eksperiment, vil organisationen også. Hvis de modellerer omhyggelig brug, stiller praktiske spørgsmål og synligt investerer i læring, bliver adoption kulturelt sikrere. Tillid er lige så vigtig som kapacitet, når det kommer til at skala AI i virksomheden.

Hvad ligner en struktureret eksperimenteringsramme for generativ AI i praksis, og hvordan kan virksomheder opmuntre innovation uden at skabe fragmentering eller risiko?

Vi ønsker at starte med virkelige arbejdsgangsfrictionspunkter, ikke tilfældige forslag. Hold skal opmuntres til at identificere repetitive opgaver, beslutningsknæ og eksisterende videnløkker. Derfra kan organisationer prioritere eksperimenter baseret på forretningsrelevans, gennemførlighed og risiko.

De sundeste miljøer er dem, hvor folk kan prøve ting sikkert, dele hvad der virker, og undgå at genskabe hjulet i isolation.

Du co-skabte LAByrinth, en generativ AI-projektsimulator designet til at give ingeniører hånd-til-hånd-erfaring med at bygge med AI-værktøjer i en sikker, vejledt miljø. Hvad inspirerede dens skabelse, og hvordan accelererer simulationsbaseret læring virkeligt AI-kapacitet?

Jeg har altid elsket former for hånd-til-hånd, erfaringssøgende læring. Specifikt den type “over skulderen” mentorering, der findes i kunststudie-miljøer.

Da Martin Gaida og jeg begyndte atbounce ideer omkring denne type træningsstruktur, endte hele projektet med at være en masse sjov at skabe. Det føltes, som om vi skabte en puslespil til folk at løse. Det var, hvordan jeg vidste, vi var på rette spor. Folk er mere villige til at engagere sig med nyt materiale, når de finder det interessant og føler sig støttet.

Simulationsbaseret læring accelererer kapacitet, fordi det lukker gapet mellem teori og anvendelse. Det giver dem en sikker plads til at øve dom, ikke kun at huske koncepter. Og med AI, betyder det enormt, fordi rigtig kapacitet ikke kun er at vide, hvad et værktøj kan gøre. Det er at vide, hvordan man bruger det omhyggeligt og sikkert.

Hvordan bør virksomheder nærme sig arbejdskraftsopgradering anderledes i æraen for generativ AI sammenlignet med tidligere bølger af digital transformation?

Samarbejdende og kreativt. Med værktøjer som Notebook LM og Figma make, er der mange måder at skabe engagerende og friskt indhold. Vi elsker en slide-deck, men vi elsker også at lave interaktive arbejdsbøger, animerede videoer og andre metoder til at levere kurriculum.

Personligt lærer jeg bedst med infografik og andre visuelle hjælpemidler.

Ansvarlig AI er ofte rammet omkring governance og compliance. Fra et enablement-perspektiv, hvordan ser ansvarlig adoption ud i daglige arbejdsgange?

Konsulter med folk, der faktisk bruger værktøjerne, om hvad der gør dem nyttige, og derefter sikre, at alle, der bruger værktøjerne, ved, hvad politikken faktisk betyder. Hvordan oversætter det til, hvordan de bruger AI i dagligdagen?

Ansvarlig adoption betyder et menneske-ved-roret-model. AI kan hjælpe med at udarbejde, sammenfatte, analysere eller accelerere, men mennesker ejer stadig dom, kvalitetskontrol og den endelige beslutning. Den menneskelige ansvarlighed er nøgle.

Lige så vigtigt er ansvarlig adoption afhængig af tillid. Diskretion kommer fra erfaring. Derfor har organisationer brug for lav-risiko, ikke-dømmende rum, hvor medarbejdere kan øve og bygge rigtig flydende. Når folk får nok hånd-til-hånd-erfaring til at tage omhyggelige beslutninger, bliver ansvarlig brug ikke længere abstrakt, men bliver en vane.

Hvordan kan organisationer designe enablement-programmer, der forbliver tilpasningsdygtige snarere end at blive forældede inden for måneder?

Det er en udfordring, men der er mange gode værktøjer derude.

Den største fejl er at bygge enablement helt omkring det nuværende værktøjslandskab.

Vi bliver ofte spurgt, om vi tilbyder værktøjsagnostisk træning, og svaret er ja. Absolut. Vi fokuserer på varige AI-færdigheder og lærer derefter folk, hvordan de kan anvende disse færdigheder inden for de værktøjer, organisationen bruger i dag. Den tilgang giver programmer en langt længere holdbarhed.

Tilpasningsdygtig enablement skal også være modulær. Fraktal. I stedet for at behandle træning som en enkeltbegivenhed skal organisationer tænke i lag: grundlæggende læsefærdighed, rollebaseret anvendelse, avanceret eksperimentering og løbende opdateringer, når værktøjer og prioriteringer skifter.

Med henblik på de næste to år, hvad mener du vil definere den næste fase af virksomheds-AI-adopteringsfase?

Rollebaseret og agentic. Virksomheder er allerede i gang med at omfavne brugen af agenter. Disse organisationer ønsker at sikre, at deres tekniske hold er opgraderet på alle nødvendige måder for at bygge og styre denne type AI-brug.

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