Scott Ernst, administrerende direktør for Vyond – interviewserie

Du har gentagne gange stået i spidsen for teknologivirksomheder gennem store omstillinger – fra at være med til at skalere Compete fra en startup i sin spæde begyndelse frem til opkøbet, over at føre Macromill gennem en børsnotering, til senere at omstille Drift med fokus på AI, før virksomheden blev opkøbt af Salesloft. Når du nu overtager ledelsen af Vyond under endnu en stor teknologisk omstilling, hvilke erfaringer fra de tidligere forløb præger så din tilgang til AI-æraen?

Det mønster, jeg har set i alle disse omstillinger, er, at det sjældent er selve teknologiskiftet, der er det svære. Det svære er at få en organisation til at bevæge sig samlet, når skiftet først står klart. Hos Compete handlede læren om disciplin: At opbygge en førende virksomhed i en kategori fra et beskedent udgangspunkt kræver et urokkeligt fokus på de få ting, der faktisk driver forretningen – ikke på at jagte enhver mulighed. Hos Macromill lærte jeg gennem den globale skalering og børsnoteringen, at vækst uden driftsmæssig stringens før eller siden fører til problemer … Man har brug for rapportering, prognoser og ledelsesstrukturer, der gør det muligt at skalere i samme tempo som virksomheden.

Drift er det eksempel, der bedst afspejler det, der sker nu. Da ChatGPT blev lanceret, havde vi allerede udviklet vores eget, proprietære AI-produkt, og vores første indskydelse var at beskytte det. I stedet traf vi den sværere beslutning at åbne op og omstille hele virksomheden med generativ AI som omdrejningspunkt, fordi vi mente, at markedet udviklede sig hurtigere, end vores konkurrencefordel kunne beskytte os imod. Det var ikke en produktbeslutning, men en ledelsesbeslutning, der handlede om overbevisning og timing.

Det, jeg har taget med mig til Vyond, er, at når en platform gennemgår et reelt skifte, vinder hverken de mest forsigtige eller de mest risikovillige virksomheder. Vinderne er dem, der hurtigt får hele organisationen til at samles om en klar holdning og derefter handler med en stærk følelse af, at det haster. Det er netop den proces, vi følger nu: Vi afklarer, hvad der er sandt i dag, danner os en solid overbevisning om, hvor markedet er på vej hen, og får hele virksomheden til at bevæge sig i samme retning, inden muligheden lukker sig.

Generativ AI har gjort det markant lettere for virksomheder at producere indhold, men du har fremhævet, at den større udfordring nu er at omsætte viden til praksis. Hvad betyder det konkret, og hvorfor mener du, at indholdsproduktion alene kun løser en lille del af problemet?

Generativ AI har løst den største historiske flaskehals i indholdsproduktion: Før krævede det en specialist, en produktionsproces og betydelig leveringstid. Nu kan næsten alle i en organisation producere noget på få minutter. Det er et reelt gennembrud, men det betyder også, at alle afdelinger inden for marketing, HR, salg, IT samt læring og udvikling nu producerer indhold hver for sig, ofte om den samme underliggende viden, med forskellige værktøjer og uden et fælles system, der fungerer som autoritativ kilde.

At omsætte viden til praksis handler mindre om at producere mere indhold og mere om at sikre, at folk kan finde og bruge de rigtige oplysninger. Det handler om at vide, hvor den pålidelige og aktuelle version af noget findes, hvem der ejer den, om den er godkendt, og hvordan den finder vej ind i de arbejdsgange, hvor folk faktisk har brug for den: LMS’et, CRM-systemet, tjeklisten til introduktion af nye medarbejdere og compliance-oversigten. Uden dette lag opstår det, jeg vil kalde kommunikationskaos: Indhold bliver kopieret, brandstandarderne udvandes, teams genskaber arbejde, der allerede findes, og ingen kan med sikkerhed sige, hvilken version der er den rigtige. Meget af kaosset begynder endnu tidligere, end folk tror – før et eneste materiale bliver udarbejdet, når ingen faktisk har afklaret målgruppen, formålet eller det kildemateriale, som opgaven skulle bygge på.

Indholdsproduktion besvarer spørgsmålet: »Kan vi lave det hurtigt?« Det er et reelt problem, som AI i vid udstrækning har løst. At omsætte viden til praksis besvarer spørgsmålet: »Kan den rette person finde den rigtige, pålidelige version, når vedkommende har brug for den, i det værktøj, personen allerede bruger?« Det andet problem er større og mere strukturelt, og det er langt fra løst i branchen. Det er den reelle mulighed, vi står over for.

Virksomheder opbygger enorme mængder dokumenter, data, AI-genererede resuméer og organisatorisk viden. Hvor ser du det største sammenbrud mellem at have adgang til oplysningerne og rent faktisk at formidle dem, så medarbejderne kan forstå dem og handle på dem?

Problemet er ikke adgangen … de fleste virksomheder har allerede flere oplysninger, end én person kan overskue. Det handler om at omsætte viden og skabe tillid. Viden findes i tætte, statiske formater som PDF-filer, præsentationer, wikier og politikdokumenter, der er udformet til at blive lagret og søgt i – ikke til at blive forstået hurtigt. Det kræver, at man omsætter den til noget, som folk rent faktisk kan tilegne sig og handle på, og den proces investerer de fleste organisationer ikke systematisk i.

Det blev tydeligt for mig i en samtale med en kundes vicepræsident for virksomhedens marketingteknologi hos en teknologivirksomhed på Fortune 100-listen. Hans problem var ikke mangel på oplysninger, men at forskellige dele af en meget stor organisation løste de samme kommunikationsproblemer hver for sig og på uensartede måder. Derfor nåede viden, der fandtes et sted i virksomheden, ikke pålideligt frem til de mennesker, der havde brug for den, i en form, de kunne bruge. Som han formulerede det: I en så stor virksomhed kommunikerer den ene hånd ganske enkelt ikke med den anden.

Det er det egentlige problem: Virksomheder har masser af data, men for lidt indsigt. Løsningen er ikke mere indhold eller mere lagerplads, men en disciplin og i stigende grad et system til at omsætte organisationens rå viden til klar, visuel og troværdig kommunikation og føre den ind i de arbejdsgange, hvor beslutningerne rent faktisk træffes.

Efterhånden som AI-agenter bliver i stand til selvstændigt at omsætte virksomhedens viden til undervisningsmateriale, salgsunderstøttelse, compliance eller intern kommunikation, hvad bør så fortsat være under menneskelig kontrol, og hvor kan virksomheder trygt lade agenter arbejde selvstændigt?

Min generelle regel er, at agenter bør stå for arbejdet, mens mennesker bør stå for vurderingerne – især på områder, hvor en fejl kan få alvorlige konsekvenser. Ved opgaver med mindre alvorlige konsekvenser, men stor volumen og gentagelser, såsom at udarbejde første udkast, omformatere viden, tilpasse eksisterende, godkendt indhold til et nyt sprog eller en ny region eller opdatere et undervisningsmodul, når et kildedokument ændres, kan og bør agenter arbejde med stor selvstændighed. Det er netop den type arbejde, der i dag tager enormt meget tid uden at skabe særlig stor strategisk værdi.

Menneskelig kontrol skal fastholdes, når indholdet indebærer juridiske, lovgivningsmæssige, sikkerhedsmæssige eller brandmæssige risici. I sådanne tilfælde skal et menneske foretage den endelige kontrol, før noget offentliggøres, og det underliggende kildemateriale skal kunne spores fuldt ud.

Vi så det udfolde sig direkte hos en kunde i forsvarssektoren. Kundens sikkerhedsteam ville i første omgang slet ikke godkende brugen af AI i arbejdsgangene på grund af arbejdets følsomme karakter. Løsningen var ikke at give agenten større selvstændighed, men at etablere de rette sikkerhedsforanstaltninger: en skræddersyet aftale, der garanterede, at kundens data aldrig ville blive brugt til at træne eksterne modeller, samt tydelige kontrolpunkter, hvor kundens egne teams beholdt godkendelsesretten. Det er den model, jeg mener kan generaliseres: Agenters selvstændighed kan øges i takt med, hvor let en opgave kan omgøres, og hvor lav risikoen er, mens den menneskelige kontrol skal øges i takt med, hvor meget tillid, compliance eller eksponering af brandet der står på spil.

Brandstyring bliver langt mere kompliceret, når tusindvis af stykker indhold kan genereres automatisk. Hvilke tekniske og organisatoriske sikkerhedsforanstaltninger får virksomheder brug for for at sikre, at AI-genereret kommunikation er præcis, ensartet og i overensstemmelse med virksomhedens politikker?

Teknisk set er de vigtigste sikkerhedsforanstaltninger dem, der sikrer, at AI-genereret indhold bygger på virksomhedens eget godkendte kildemateriale og brandidentitet, i stedet for at lade AI’en generere frit. Stilguider, brandaktiver og begrænsninger for tilpasning skal håndhæves af selve platformen og ikke overlades til, at den enkelte bruger husker dem. Det betyder, at godkendte logoer, farver, skabeloner og referenceoptagelser skal ligge på selve platformen, så hvert stykke genereret indhold bygger på den samme kilde og ikke på den version, der tilfældigvis ligger på en persons computer den pågældende uge. Versionsstyring og revisionsspor er lige så vigtige: Når indhold bliver genereret, redigeret eller godkendt, skal en virksomhed kunne spore det tilbage til, hvem der bestilte det, hvilken kilde det kom fra, og hvem der godkendte det. Det betyder også, at kontrollanter og interessenter – ikke kun personen, der bruger værktøjet – skal kunne kommentere og godkende indholdet i den samme arbejdsgang, så godkendelsen ikke foregår i en separat e-mailtråd, der ødelægger netop det revisionsspor, man forsøger at opbygge.

Organisatorisk handler sikkerhedsforanstaltningen om tydeligt ansvar. De virksomheder, vi arbejder med, og som styrer området godt, er gået væk fra, at hvert team selv indfører sine egne værktøjer og arbejdsgange. I stedet behandler de deres kommunikationsplatform, som de ville behandle et system, der fungerer som autoritativ datakilde: Adgang tildeles bevidst, brugen overvåges samlet, og en lille styringsfunktion har ansvaret for de standarder, alle arbejder efter. Vi har set store organisationer specifikt vurdere, om en platform kan blive deres fælles virksomhedsstandard, og det er der en god grund til: Det er den eneste måde at sikre ensartethed i stor skala på, i stedet for at ende med tusindvis af uafhængigt »gode nok« stykker indhold, som ikke stemmer overens.

Det grundlæggende princip er det samme, som altid har været gældende for styring af brands. Det foregår bare i langt større skala og med langt højere hastighed nu, hvilket betyder, at sikkerhedsforanstaltningerne skal bygges ind i systemet i stedet for at blive håndhævet bagefter.

Hallucinationer er bekymrende i en chatbot, men kan få langt større konsekvenser, når forkerte oplysninger bliver til en trænings- eller compliancevideo, der fremstår autoritativ. Hvordan bør virksomheder forholde sig til forankring i kilder, verifikation og sporbarhed, efterhånden som AI-genereret kommunikation bliver mere automatiseret?

Du har ret i, at indsatsen er en anden. Et hallucineret svar i et chatvindue bliver betvivlet med det samme. En hallucineret oplysning, der indgår i en poleret, professionelt produceret compliancevideo, får en autoritet, som gør folk mindre tilbøjelige til at stille spørgsmål ved den – præcis det modsatte af, hvad der bør ske, når behovet for kritisk granskning er størst.

Det første princip må være forankring i kilder: AI-genereret kommunikation bør begrænses til det kildemateriale, virksomheden rent faktisk leverer … dens egne dokumenter, dens egne politikker og dens egne godkendte data – ikke modellens generelle viden.

Det andet er sporbarhed: Alt genereret indhold bør kunne føres tilbage til den konkrete kilde, det er baseret på. Så kan man, hvis noget er forkert, finde ud af præcis, hvor det stammer fra, og rette fejlen ved kilden i stedet for blot at lappe på resultatet.

Det tredje er verifikation: Kontrolpunkter skal være indbygget i selve arbejdsgangen, ikke føjet til bagefter. En menneskelig kontrollant bør kunne se de mellemliggende trin, ikke kun den færdige, polerede video, for det er netop poleringen, der gør fejl sværere at opdage. I praksis betyder det, at man gennemgår en komplet disposition eller en foreløbig klipning scene for scene, før man beslutter sig for en endelig, dyrere rendering, så man kan opdage en forkert oplysning eller en påstand, der ikke stemmer med brandet, mens den stadig er billig og nem at rette. Det er et af de områder, hvor virksomheder med rette er forsigtige, og derfor vil de platforme, der vinder virksomhedernes tillid, ikke være dem, der er hurtigst, men dem, der gør forankring i kilder, sporbarhed og gennemgang til en grundlæggende del af systemets funktion – ikke en valgfri indstilling

Det fjerde lag er løbende evaluering, ikke kun en afsluttende gennemgang. I et agentbaseret system er det ikke nok at kontrollere den færdige video. Vi vil gerne kunne se, hvordan agenten nåede frem til resultatet. Vi overvåger løbende agentens output og de beslutninger, den træffer undervejs, og kontrollerer, at de fortsat stemmer overens med kundens kildedokumenter, vidensbase og oprindelige hensigt. Det gør det muligt at opdage afvigelser eller output af lavere kvalitet, mens videoen stadig bliver genereret, i stedet for først at opdage et problem, når den allerede er færdig.

AI-systemer bliver i stigende grad koblet direkte til virksomheders vidensbaser og arbejdsgange. Forventer du, at næste generation af kommunikationsplatforme bliver et bindeled mellem virksomhedens data, AI-agenter og medarbejdere i stedet for blot værktøjer til indholdsproduktion?

Ja, og jeg tror, at den udvikling allerede er i gang. Indholdsproduktion var det første og mest oplagte problem, AI skulle løse, fordi det var den mest synlige flaskehals. Men når produktionen ikke længere er den begrænsende faktor, bliver det mere værdifuldt at være placeret mellem virksomhedens viden … dens CRM, LMS, politiksystemer og interne wikier … og de mennesker, der har brug for at få denne viden omsat til noget, de rent faktisk kan bruge.

Det er en væsentligt anderledes rolle end et produktionsværktøj. Et produktionsværktøj venter på, at nogen kommer med en anmodning. Et bindeled er indlejret i de arbejdsgange, hvor viden allerede findes, forstår, hvad der har ændret sig, og hjælper med at sende den rette kommunikation til den rette person, uden at nogen behøver at tage initiativ hver gang.

Vi ser allerede de første tegn på, at virksomheder ønsker netop dette. Store kunder spørger i stigende grad ikke, om vi kan være et videoværktøj for ét team, men om vi kan være standardsystemet for hele organisationen. Når institutionel viden omsættes til kommunikation, kan medarbejdere langt uden for det centrale kreative team – i jura, compliance, regionale teams og blandt ledere tæt på driften – bidrage uden at skulle have en fuld licens eller gennemgå en stejl læringskurve.

Denne udvikling accelereres også af nye åbne protokoller som MCP og A2A. MCP giver AI-agenter en standardiseret måde at hente pålidelig kontekst fra virksomhedens egne værktøjer og registreringssystemer på, mens A2A gør det muligt for specialiserede agenter fra forskellige platforme at samarbejde. I praksis betyder det, at en platform som vores ikke behøver at eje alle arbejdsgange eller alle virksomhedens data for at være nyttig. Den kan kobles til de systemer, virksomheden allerede har tillid til, samarbejde med andre agenter, når det giver mening, og fokusere på det, vi er bedst til: at omsætte den kontekst til kommunikation, som folk rent faktisk kan forstå og handle på. Det er skiftet fra indholdsproduktion til kommunikationsinfrastruktur, og det er den retning, jeg forventer, at hele branchen bevæger sig i.

Vyond betjener allerede organisationer inden for læring og udvikling, HR, salgsunderstøttelse, compliance og intern kommunikation. Hvilke af disse områder mener du vil blive mest gennemgribende forandret af agentbaseret AI, og hvordan kunne arbejdsgangene se ud, når agenterne bliver mere avancerede?

Jeg vil fremhæve compliance samt læring og kompetenceudvikling som de to områder med størst potentiale for forandring, netop fordi det i dag er dem, der lider mest under, at indholdet hurtigt bliver forældet. Complianceundervisning bliver som regel udviklet én gang og opdateret efter en langsom årlig eller halvårlig cyklus, selvom politikker, regler og risici ændrer sig løbende. Når agenter pålideligt kan overvåge et kildedokument med politikker og forstå, hvad der er ændret, kan complianceindhold gå fra at være et periodisk produktionsprojekt til noget, der holdes løbende opdateret. Det reducerer reelt virksomhedens risici – det er ikke blot en effektivitetsgevinst. I stigende grad betyder det også, at selve indholdet skal ledsages af en tydelig, dokumenterbar registrering af, at det er udarbejdet med hjælp fra AI, eftersom både myndigheder og virksomhedskunder begynder at forvente denne form for oplysning som standardpraksis og ikke som en eftertanke.

L&D står over for en lignende udvikling, men her handler muligheden om personalisering snarere end blot aktualitet: I stedet for ét undervisningsmodul, der er udviklet til en gennemsnitlig deltager, kan agenter hjælpe med at tilpasse tempo, eksempler og endda format til den enkelte rolle og person, samtidig med at indholdet bygger på det samme godkendte kildemateriale og følger de samme standarder for undervisningsdesign. For globale organisationer omfatter det i stigende grad også sprog og stemme, så den samme undervisning når ud til medarbejderne på fabriksgulvet i Brasilien eller salgsteamet i Japan i en form, der faktisk føles lokal – og ikke blot er forsynet med undertekster.

Salgsunderstøttelse og intern kommunikation vil også ændre sig, men jeg vil snarere beskrive forandringen som et spørgsmål om hastighed og relevans end om en strukturel omstilling … at få det rigtige budskab hurtigere ud til den rette sælger eller det rette team i et format, der passer til den måde, de faktisk tilegner sig information på. Fælles for alle disse områder er, at agentbaseret AI ikke blot gør arbejdet hurtigere, men også gør det muligt at holde indholdet opdateret på en måde, der simpelthen ikke er realistisk med manuelle produktionscyklusser i dag.

Hvis virksomheder fremover bliver i stand til løbende at omsætte intern viden til personlig, opdateret kommunikation til hver enkelt medarbejder, hvordan kan det så ændre den måde, organisationer uddanner medarbejdere, deler ekspertise og i sidste ende arbejder på?

Hvis det bliver virkelighed – og det tror jeg, det gør – ændrer det virksomhedens arbejdsgang, ikke kun dens uddannelsesfunktion. I dag kommunikerer de fleste organisationer i ryk: en årlig compliancecyklus, et kvartalsvist fællesmøde for hele virksomheden eller en introduktionspakke, der udarbejdes én gang og genbruges i årevis. Det skyldes, at kommunikation historisk set har været dyr og langsom at producere, ikke at virksomheden selv ændrer sig langsomt.

I en verden, hvor viden løbende omsættes til personlig, opdateret kommunikation til hver enkelt medarbejder, holder uddannelse op med at være en enkeltstående begivenhed og bliver i stedet en konstant, tilpasningsdygtig strøm … Medarbejderen får opdateringen i det format og med den detaljeringsgrad, der passer til vedkommendes rolle, så snart den er relevant – ikke flere måneder senere som led i en samlet udsendelse. Ekspertviden er ikke længere låst fast hos de personer, der tilfældigvis besidder den, men bliver noget, organisationen systematisk kan dele og holde aktuelt.

Det, jeg hele tiden vender tilbage til, er tid. Hvert minut, en organisation i dag bruger på at lede efter de rigtige oplysninger, genskabe noget, der allerede findes, eller rette et budskab, der blev sendt ud i en forældet eller inkonsekvent form, er tid, der ikke bruges på at få arbejdet udført. Hvis virksomheder reelt kan lukke afstanden mellem viden og forståelse – løbende og i stor skala – vil de organisationer, der kommer først i mål, ikke blot kommunikere bedre; de vil ganske enkelt bevæge sig hurtigere end dem, der stadig arbejder i ryk.

Tak for et godt interview. Læsere, der gerne vil vide mere, kan besøge Vyond.