Victor Coimbra, teknologidirektør og administrerende partner hos Artefact – interviewserie

Victor Coimbra er teknologidirektør og administrerende partner hos Artefact, hvor han leder arbejdet med AI, datavidenskab og ingeniørarbejde på tværs af Amerika. Hans karriere forener erfaring med forretningsstrategi fra Bain og Accenture med praktisk ledelse af udviklingen af AI- og maskinlæringssystemer i komplekse virksomhedsmiljøer. Han fokuserer på at hjælpe organisationer med at forbinde tekniske kompetencer med målbare forretningsresultater, herunder den arkitektur, styring og de driftsmodeller, der er nødvendige for at skalere AI.

Artefact er en global konsulentvirksomhed inden for data og AI, der hjælper virksomheder med at udvikle strategier, opbygge dataplatforme, implementere AI-løsninger og håndtere organisatoriske forandringer. Virksomheden arbejder på tværs af brancher, herunder finansielle tjenesteydelser, sundhedsvæsen, produktion og detailhandel. Forud for virksomhedens Adopt AI Summit, der finder sted den 3.-4. december 2026 på Grand Palais i Paris, fortæller Coimbra om, hvordan virksomheder kan bevæge sig ud over pilotprojekter, opbygge teams, der kombinerer mennesker og AI-agenter, og måle værdien af AI i produktion.

Din karriere har ført dig fra forretningsstrategi hos Accenture til ledelse af AI-, datavidenskabs- og ingeniørteams hos Artefact på tværs af Amerika. Hvordan har kombinationen af strategisk rådgivning og praktisk teknisk ledelse præget din tilgang til at hjælpe virksomheder med at omsætte AI-investeringer til målbare forretningsresultater?

Det lærte mig altid at forbinde AI-strategi med implementering. Strategiarbejdet hos Bain og Accenture viste mig, at ledere investerer i en ændring af en post på resultatopgørelsen. Ingeniørarbejdet lærte mig, at en stor del af den værdi kan gå tabt mellem præsentationen og produktionssætningen.

I dag handler AI mindre om teknologi og mere om at opbygge et værn omkring virksomhedens centrale drift. Det afgørende spørgsmål er, hvordan man omsætter den enkeltes produktivitet til samlet værdi for virksomheden med en reel, fælles kognitiv kapacitet på tværs af organisationen.

Det kræver en kombination af strategi og implementering, og det har jeg lært meget af at arbejde med begge dele.

Trods betydelige investeringer i kunstig intelligens har mange organisationer stadig svært ved at komme videre end vellykkede pilotprojekter. Hvad er efter din erfaring de mest almindelige forhindringer for, at virksomheders AI-initiativer når frem til produktion, og hvad kendetegner de virksomheder, der formår at skalere deres implementeringer?

Efter min erfaring går mange pilotprojekter i stå, fordi AI føjes til en organisation, der kun er indrettet til mennesker. Teknologien fungerer som regel. Det, der ofte stadig mangler at blive afklaret, er arbejdsfordelingen: Hvilke opgaver hører til agenterne, hvilke forbliver hos mennesker, hvem gennemgår arbejdet, og hvem står til ansvar for resultatet?

Derudover er der typisk 3 behov, som bremser opskaleringen: tokenomkostninger, der eksploderer med forbrugsbaseret prissætning, sikkerhed og styring samt manglende indførelse, hvor adgang aldrig bliver omsat til reel brug.

De virksomheder, jeg ser lykkes med skalering, betragter AI som en organisatorisk omlægning. De opdeler arbejdet i 2 kredsløb. I det indre kredsløb udfører agenterne arbejdet fra start til slut: skriver kode, bygger, tester, sender videre og gennemgår. I det ydre kredsløb fastlægger mennesker hensigten, kontrollerer resultatet og overvåger omkostninger og kvalitet. Derefter bygger de én fælles platform nedenunder og genbruger den til alle anvendelser.

Du har skrevet om betydningen af at opbygge en AI-indfødt organisation frem for blot at føje chatbots og copiloter til eksisterende systemer. Hvilke grundlæggende ændringer af virksomhedens teknologiske arkitektur er nødvendige for at understøtte denne omstilling, og hvor investerer virksomhederne for lidt i øjeblikket?

En AI-indfødt virksomhed drives på en platform, og platformen består af 4 lag: rammeværk, kontekst, model og infrastruktur. Rammeværket er det sted, hvor mennesker og agenter mødes og arbejder: hele applikationen omkring modellen. Konteksten definerer, hvad agenterne ved, og hvilke beføjelser de har. Modellaget handler om, hvordan modeller tilgås, dirigeres og styres til den rette pris. Infrastrukturen er det sted, hvor de faktisk kører, og hvor nøglerne opbevares.

Det er naturligt, at det meste opmærksomhed rettes mod de synlige 20 %: copiloter og chatværktøjer. De skjulte 80 % rummer det meste af ingeniørarbejdet, og det er her, omkostninger, sikkerhed og kontrol afgøres.

Mit forslag er enkelt. Køb generelle rammeværker, og byg de branchespecifikke selv. Lej modeller og infrastruktur, og eksperimentér med dem, for de ændrer sig hvert kvartal. Og sørg for selv at eje hele konteksten. Det er det lag, der virkelig er jeres eget, og hvor jeg ser den største mulighed for at øge investeringerne.

Efterhånden som AI udvikler sig fra at assistere medarbejdere til selvstændigt at udføre komplekse arbejdsgange, hvordan bør organisationer afgøre, hvilke processer der egner sig til agentbaseret automatisering? Hvilke tekniske og driftsmæssige sikkerhedsforanstaltninger skal være på plads, før AI-agenter får større beslutningskompetence?

Sådan ser jeg på det: Agenter er meget gode til arbejde, der ser tilbage, mens mennesker er gode til arbejde, der ser fremad. Agenter er fremragende til alt, der bygger på eksisterende information, såsom analyse, kodning, test, dokumentation og afstemning. Mennesker tager sig af det, der kræver kreativitet, og kreativitet retter sig per definition mod fremtiden: smag, vision, planlægning, beslutningstagning og vurdering af, om et resultat faktisk er godt.

I praksis svarer det til de 2 kredsløb. Agenterne står for udførelsen i det indre kredsløb. Mennesker tager sig af det ydre kredsløb: hensigt, kontrol og overvågning.

Sikkerhedsforanstaltningerne er indbygget i systemet, ikke blot beskrevet i prompts. Vi bruger 6 lag i agentrammen: opgaveregistrering, hukommelse, et sikkert arbejdsområde med et sandboxet kørselsmiljø og adgangsrettigheder, et arbejdsforløb med kontrolpunkter og afklaringer, modeldirigering og sikkerhedsregler, der fastlægger, hvad en agent ikke må gøre på egen hånd, f.eks. godkendelser fra mennesker, kontrol af politikker og beskyttelse af personoplysninger. Agenternes autonomi øges derefter i takt med deres resultater, ligesom det sker for en nyansat.

Du har beskrevet AI-agenter som holdkammerater snarere end traditionelle softwareværktøjer. Hvordan ændrer dette perspektiv den måde, organisationer bør sammensætte teams, fordele ansvar og oplære medarbejdere i at samarbejde med stadig mere autonome AI-systemer?

Vi er allerede i gang med at opbygge hybride organisationer. Det spørgsmål, jeg synes er vigtigst lige nu, er, hvordan arbejdsstyrken skal fordeles mellem mennesker og agenter. Jeg mener, at det er nøglen til at kunne skalere.

I et hybridt team fordeler organisationsdiagrammet den kognitive kapacitet, ikke antallet af medarbejdere. En typisk fordeling, som jeg ser i et modent teknologiteam, er 15 % arbejde, der kun udføres af mennesker, 25 % arbejde med AI-støtte og 60 % arbejde, der udføres af agenter. IT-chefen fastlægger målsætningen, fordeler kapaciteten og har ansvaret for resultater og omkostninger. En erfaren udvikler kontrollerer agenternes leverancer og træffer beslutninger om arkitekturen. En orkestreringsagent fordeler opgaver og rapporterer omkostninger, og en kontrolagent gennemgår hver eneste leverance.

Gevinsterne vokser kumulativt i 3 trin. Medarbejdere med AI-støtte leverer omkring 5 gange så meget. Agenter, der fungerer som syntetiske medarbejdere og udfører opgaver fra start til slut, leverer omkring 10 gange så meget. Jeg mener, at potentialet på 1000 gange ligger i at orkestrere begge grupper som én samlet arbejdsstyrke.

Oplæringen følger samme logik. Medarbejderne lærer at give en agent en opgave på samme måde som en yngre ingeniør, med struktureret kontekst og tydelige mål, og at bruge deres tid på faglig dømmekraft, planlægning og beslutninger.

Virksomheders AI-systemer er i høj grad afhængige af en pålidelig datainfrastruktur, men mange organisationer kæmper fortsat med fragmenterede data, inkonsekvent datastyring og forældet teknologi. Hvilke grundlæggende kapaciteter bør virksomheder prioritere, når de forbereder deres dataplatforme til agentisk AI, og hvordan kan de modernisere uden at forstyrre den eksisterende drift?

Indret dataplatformen til en ny type bruger: agenter. Et menneske vil sætte spørgsmålstegn ved et forkert tal i et dashboard. En agent handler på baggrund af et forkert tal – og gør det i stor skala.

Prioritér 4 kapaciteter. Fælles forretningsdefinitioner, så alle agenter og teams forstår det samme ved „aktiv kunde“. En integrationsgateway med godkendelse og standardprotokoller som MCP, så agenter får adgang til data med de tilladelser, der gælder for den rolle, de handler på vegne af. Mulighed for at overvåge datakvalitet og datasporbarhed. Og ustrukturerede data skal behandles som et førsteklasses aktiv, fordi kontrakter, supportsager og mødereferater rummer størstedelen af den reelle viden.

For at modernisere uden forstyrrelser skal man først lægge et lag omkring de ældre systemer og derefter migrere ét anvendelsestilfælde ad gangen. Agenter ændrer også økonomien på dette område. Migreringsforløb med flere agenter moderniserer nu hundredtusindvis af linjer ældre kode på få måneder, mens mennesker træffer beslutninger om arkitekturen.

Ud over adgang til strukturerede data har AI-agenter i stigende grad brug for at forstå institutionel viden, forretningsprocesser og organisatorisk kontekst. Hvordan kan virksomheder effektivt indsamle og integrere denne viden i deres AI-systemer, og hvilke risici opstår, når agenter arbejder uden tilstrækkelig forretningskontekst?

Kontekst er det, der gør en model til en kollega. Værktøjer forstår opgaver, agenter forstår kontekst. Man beder ikke en yngre ingeniør om at arbejde uden at forklare målet, begrænsningerne og hvad et godt resultat indebærer, og en agent er ikke anderledes.

Indsaml viden fra selve arbejdet i stedet for at basere jer på store dokumentationsprojekter, som er svære at holde opdaterede. Hvert møde, hver supportsag, beslutning og rettelse bidrager til et kontekstlag, der samler filer, tabeller, vektorer og en graf over relationer. Hver afsluttet opgave skriver information tilbage til hukommelsen, så organisationen lærer af hver leverance. Og konteksten kræver sin egen styring: evalueringer, adgangsrettigheder og omkostningskontrol.

Uden kontekst har agenter en tendens til at støde på nogle forudsigelige problemer. De følger den nedskrevne regel, men overser den uskrevne regel, som alle kender. De finder de forkerte oplysninger og svarer med fuldstændig sikkerhed. De arbejder ud fra sidste kvartals oplysninger. Og et kontekstlag uden strenge adgangsrettigheder kan bringe følsomme data i fare.

Mange virksomheder måler AI-succes ud fra produktivitetsforbedringer, anvendelsesgrad eller antallet af iværksatte pilotprojekter. Hvilke målepunkter bør CIO’er og virksomheds­ledere bruge til at vurdere det reelle investeringsafkast af AI, især når der tages højde for infrastrukturomkostninger, løbende vedligeholdelse og den operationelle kompleksitet ved autonome agenter?

Mål den hybride arbejdsstyrke, ikke værktøjet. Anvendelse er kun det første af 4 niveauer, og målingen skal altid sammenholdes med et udgangspunkt fastlagt før udrulningen. Anvendelse handler om, hvorvidt medarbejderne bruger værktøjet. Produktivitet handler om, hvorvidt vi leverer hurtigere: gennemløbstid, kapacitet og løsningstid. Kvalitet handler om, hvorvidt resultatet er bedre: fejl, der slipper igennem, ændringer, der fører til fejl, og omarbejde. Værdi og omkostninger handler om, hvorvidt det kan betale sig: frigjort arbejdsindsats, tid til markedet og samlede omkostninger pr. opgave.

Et målepunkt, der er let at overse, er, hvordan den kognitive kapacitet fordeles mellem mennesker og agenter, team for team. Frigjort menneskelig kapacitet skal målrettet flyttes over til arbejde, der ruster organisationen til fremtiden. Ellers går en del af gevinsten tabt.

Når det gælder omkostningerne, går prissætningen fra faste gebyrer til forbrugsbaseret betaling, hvilket kan gøre regningerne sværere at forudsige. Derfor hører modelrouting og FinOps hjemme på platformen fra dag ét. Behandl udgifterne til AI som udgifterne til cloud: De skal være synlige, henføres til et team og knyttes til den værdi, de skaber.

Artefact arbejder med store virksomheder inden for finansielle tjenester, sundhedsvæsen, produktion, detailhandel og andre brancher, hvor indførelsen af AI giver forskellige udfordringer. Hvilke erfaringer gør man sig på tværs af disse brancher i forbindelse med implementeringer i praksis, og hvordan bør organisationer afveje innovation over for overholdelse af regler, pålidelighed og menneskeligt tilsyn?

Alle brancher står over for det samme spørgsmål: Hvordan fordeles arbejdet mellem mennesker og agenter? Det, der varierer, er, hvor stor en del af den ydre arbejdscyklus der fortsat skal håndteres af mennesker. I detailhandlen og forbrugsvarebranchen er fejl billige, så agenter kan hurtigere overtage mere af arbejdet. I produktionen er det pålidelighed og integration med driftssystemer, der bestemmer tempoet. Inden for finansielle tjenester og sundhedsvæsen skal alle beslutninger kunne forklares, så mennesker står for en større del af verifikationen og beslutningstagningen i længere tid.

Den erfaring, jeg gør mig overalt, er, at regeloverholdelse fungerer bedst som en egenskab ved platformen, der er indbygget fra starten. Når sikkerhedsforanstaltninger, revisionsspor og menneskelige godkendelser er indbygget i rammeværket, følger de automatisk med i alle nye anvendelser. Hvis regeloverholdelse først kommer ind til sidst, skal samtalen begynde forfra med hvert nyt projekt.

Tilsynet bør være opdelt i niveauer. Agenter handler selvstændigt ved opgaver med lav risiko, gennemgås ved afvigelser ved middel risiko og forbereder kun beslutningen ved høj risiko. Niveauerne ændrer sig, efterhånden som tilliden opbygges.

Med Artefacts Adopt AI Summit, der finder sted i Paris til december, bliver diskussioner om AI-suverænitet, styring og industriel konkurrenceevne stadig vigtigere. Hvordan mener du, at Europas tilgang til indførelsen af AI påvirker globale strategier i store virksomheder, og hvilke udviklinger tror du vil præge den næste fase af AI i store virksomheder i de kommende år?

Europa var tidligt ude med spørgsmålet om suverænitet, og jeg mener, at det er ved at blive et globalt designprincip. Multinationale selskaber ønsker ikke én arkitektur for hver enkelt regulering, så de designer efter den strengeste: Eje jeres kontekst, leje jeres modeller og bevare kontrollen over, hvor modellerne kører, og hvem der har nøglerne. Europas næste mulighed er at lægge den samme energi i udbredelsen, for konkurrenceevnen vil afhænge af anvendelse i stor skala.

Den næste fase er den hybride organisation, og jeg mener, at det er fremtidens arbejdsplads. Virksomheder går fra at tælle medarbejdere til at forvalte en fælles kognitiv kapacitet mellem mennesker og agenter. Agenter kommer til at overtage det meste af det arbejde, der ser tilbage: analyse, kodning og rapportering. Mennesker vil bevæge sig over mod det arbejde, der ser fremad: smag, vision, planlægning og beslutninger.

Jeg tror, at de virksomheder, der først finder den rette arbejdsdeling, vil gå forrest. Det er den samtale, jeg gerne vil have i Paris for at være med til at forme de kommende år.

Tak for et godt interview. Læsere, der gerne vil vide mere om indførelsen af AI i store virksomheder, agentbaserede arbejdsgange og datatransformation, kan besøge Artefact.