Holly Grant, SVP, Strategy & Innovation, DXC Technology – Interview-Serie

Holly Grant, SVP, Strategy & Innovation bei DXC Technology (DXC ), ist eine Technologie- und Betriebsvorständin mit umfassender Erfahrung in den Bereichen Unternehmens-AI-Strategie, Finanztechnologie, Startup-Führung und betrieblicher Transformation. Bei DXC hilft sie dabei, die AI-erste Innovationsinitiativen des Unternehmens zu gestalten, einschließlich der AI-Orchestrierung im Unternehmensumfeld, der Beratungsdienste und der Produktinkubationsbemühungen, die darauf abzielen, Organisationen dabei zu helfen, von experimentellen AI-Piloten zu betrieblichen Einsatz zu gelangen. Vor DXC hatte sie mehrere Führungspositionen an der Long-Term Stock Exchange (LTSE) inne, wo sie letztendlich als Chief Operating Officer tätig war und sich auf die operative Skalierung und das strategische Wachstum im Finanztechnologie-Sektor konzentrierte. (HPE )

DXC Technology ist ein globales IT-Dienstleistungs- und Beratungsunternehmen, das sich auf die Modernisierung von mission-kritischen Systemen in den Bereichen Cloud-Computing, Cybersicherheit, künstliche Intelligenz, Dateninfrastruktur und Unternehmensbetrieb konzentriert. Durch die Fusion von Computer Sciences Corporation und Hewlett Packard Enterprises Enterprise Services Division arbeitet das Unternehmen mit Organisationen aus verschiedenen Branchen zusammen, darunter Gesundheitswesen, Banken, Fertigung, Versicherungen und Regierung. In den letzten Jahren hat DXC sich zunehmend auf die AI-nativen Unternehmensumwandlungen konzentriert und Dienstleistungen angeboten, die generative künstliche Intelligenz, intelligente Automatisierung, Beobachtbarkeit, digitale Zwillinge und groß angelegte IT-Modernisierung in komplexe Unternehmensumgebungen integrieren. Das Unternehmen betont auch “AI-erste” Betriebsmodelle, die darauf abzielen, Unternehmen dabei zu helfen, künstliche Intelligenz sicher innerhalb bestehender Infrastrukturen zu bereitstellen, anstatt Legacy-Systeme vollständig zu ersetzen.

Sie haben Ihre Karriere an der Schnittstelle von Strategie, Betrieb und Innovation aufgebaut – von der Skalierung von Organisationen zu Beginn Ihrer Karriere bis hin zur Leitung von Strategie und Innovation bei DXC. Wie haben diese Erfahrungen Ihre Herangehensweise an die Einführung von LabX und die Gestaltung einer AI-Inkubationsumgebung beeinflusst, die sich auf realen Geschäftsnutzen konzentriert?

Meine Karriere hat mich durch Familienunternehmen, Startups, Venture-Capital-Unternehmen und jetzt ein Fortune-500-Unternehmen inmitten einer Umstrukturierung geführt. Was ich in all diesen Umgebungen gesehen habe, ist, dass Ideen nicht von selbst Fuß fassen. Diejenigen, die tatsächlich Wert schaffen, teilen drei Dinge: einen realen Kunden, der sie unterstützt, den richtigen Zeitpunkt auf dem Markt und einen Umfang, der klar und angemessen eng ist. Wenn man eines dieser Elemente verpasst, bleibt sogar eine brillante Idee stecken.

Diese Muster haben meine Überlegungen zu LabX geprägt. Man benötigt eine Theorie des Gewinns – eine echte Strategie -, aber man benötigt auch die betriebliche Muskelkraft, um sie zum Leben zu erwecken, und die Disziplin, sich anzupassen, wenn man lernt und sich die Bedingungen ändern. Strategie ohne Ausführung ist ein Deck. Ausführung ohne Strategie ist Bewegung ohne Fortschritt. LabX ist darauf ausgelegt, beides gleichzeitig zu halten.

Unter der Führung unseres CEO Raul Fernandez hat DXC die AI-Fluency und Innovation in den Mittelpunkt seiner Umstrukturierungsstrategie gestellt. LabX ist die Art und Weise, wie wir diese Überzeugung in Produkte, Fähigkeiten und Kundenresultate übersetzen – schnell genug, um es zu verdienen.

Viele Unternehmen experimentieren mit künstlicher Intelligenz, aber sie haben Schwierigkeiten, von Pilotprojekten zu Produktionsprojekten überzugehen. Was sind aus Ihrer Sicht bei DXC die größten Hindernisse, die Unternehmen daran hindern, künstliche Intelligenz über Pilotprojekte hinaus zu skalieren?

Zwei Hindernisse kommen immer wieder vor, und keines von ihnen hat wirklich etwas mit der Technologie zu tun.

Das erste ist das Change-Management. Künstliche Intelligenz verändert, wie Menschen arbeiten, wofür sie verantwortlich sind und wie Entscheidungen getroffen werden. Wenn man die Belegschaft nicht mitnimmt, bleibt das eleganteste Modell der Welt ungenutzt. Das zweite ist, dass Unternehmen damit beginnen, künstliche Intelligenz zu skalieren, ohne das zugrunde liegende Betriebsmodell zu ändern. Sie setzen Intelligenz auf ein bestimmtes System oder eine bestimmte Anwendung, so dass ein Benutzer es verwenden kann, aber der Rest des Teams nicht. Künstliche Intelligenz ist eine horizontale Intelligenz – sie schafft den meisten Wert, wenn sie über Funktionen, Daten und Workflows hinweg bewegt werden kann. Wenn das Betriebsmodell nicht geändert wird, bleibt der Wert lokal anstelle von unternehmensweit gefangen.

Das Pilotprojekt funktioniert, jeder feiert, und nichts skaliert tatsächlich. Das ist das Muster, das wir bei LabX durchbrechen, indem wir von Anfang an für unternehmensweite Freigaben entwerfen.

LabX arbeitet mit einem schnellen Konzept-zu-MVP-Zyklus von etwa 90 Tagen oder weniger. Welche Änderungen in der Denkweise, der Governance oder den Entwicklungsprozessen sind erforderlich, damit große Unternehmen mit dieser Geschwindigkeit mithalten können?

Der größte Denkweise-Wechsel ist die Bereitschaft, früher mit weniger perfekter Information zu entscheiden – und die Disziplin, zu beenden, was nicht funktioniert. Große Unternehmen werden mit langen Planungszyklen komfortabel, weil sie sich sicher fühlen. Sie sind es nicht. In einem Markt, der so schnell bewegt, sind ein langsames “Ja” und ein langsames “Nein” beide teuer.

Innerhalb von LabX ordnen wir ein kleines Triumvirat – Design, Produkt und Ingenieurwesen – an, um gegen ein reales Kundenproblem zu sprinten. Sie bauen ein minimales Produkt, testen es auf Wert und Skalierbarkeit und wir fördern Ideen, die kommerzielles Potenzial innerhalb von 90 Tagen zeigen. Was diese Geschwindigkeit möglich macht, ist nicht die Abwesenheit von Governance, sondern die Anwesenheit der richtigen Governance. Sicherheit, Datenschutz, Compliance und verantwortungsvolle künstliche Intelligenz-Genehmigung sind in den Prozess integriert, nicht am Ende angebracht. Jedes Produkt geht durch eine formale Governance-Überprüfung, bevor es skaliert.

Für die meisten Unternehmen erfordert es, zu diesem Rhythmus zu gelangen, den Schutz eines Raumes, in dem es legitim ist, so zu handeln – ohne jedes Experiment durch den gleichen Zykluszeitraum wie einen mehrjährigen Plattformaufbau zu zwingen. Das ist, wofür LabX für uns da ist.

DXC beschreibt LabX als eine Möglichkeit, hochpotenzielle künstliche Intelligenz-Konzepte mit Kunden zu validieren, bevor sie skaliert werden. Wie hilft dieser “Kunde Null”-Ansatz dabei, sicherzustellen, dass künstliche Intelligenz-Lösungen in realen betrieblichen Bedürfnissen verwurzelt sind und nicht in theoretischen Anwendungsfällen?

Kunde Null ist ehrlich gesagt unser Vorteil. Bevor ein LabX-Produkt jemals auf den Markt kommt, muss es innerhalb von DXC überleben. Wir verwalten 115.000 Mitarbeiter in 70 Ländern, regulierte Branchen, komplexe Kundenverträge, Legacy-Systeme und reale betriebliche Einsätze. Das ist keine gesicherte Demo-Umgebung – das ist Unternehmensrealität.

Ein traditionelles Startup kann schnell handeln, aber es kann nicht leicht die gelebte Erfahrung der Arbeit in einer solchen Komplexität replizieren. Wenn wir ein Produkt zuerst auf uns selbst testen, finden wir die Stellen, an denen es an realen Daten, realen Workflows und realen regulatorischen Einschränkungen bricht – Dinge, die in einer Kundenumgebung sechs Monate später aufgetaucht wären. Wenn wir ein Angebot an einen Kunden bringen, präsentieren wir keine Theorie. Wir können sagen: “Hier ist, was es in unseren eigenen Betrieben getan hat, hier ist, was wir geändert haben, hier ist, was wir gemessen haben.”

Es hält uns auch ehrlich. Wenn ein Produkt sich intern nicht beweisen kann, wird es nicht gefördert. Das ist eine höhere Hürde als zu sagen, “es hat in einer Demo funktioniert”.

Unternehmensumgebungen sind oft mit Legacy-Systemen, fragmentierten Daten und regulatorischen Einschränkungen gefüllt. Wie entwerfen Sie künstliche Intelligenz-Workflows, die in dieser realen Komplexität effektiv arbeiten können?

Wir gehen von der Annahme aus, dass die Umgebung komplex ist – das ist die Grundlage, nicht die Ausnahme.

Architektonisch arbeiten wir mit einem dekomponierbaren Ansatz für unsere Plattformen. Die führenden künstlichen Intelligenz-Tools ändern sich monatlich, nicht jährlich. Wenn man sich an ein bestimmtes Modell, einen bestimmten Anbieter oder ein bestimmtes Framework bindet, setzt man darauf, dass der heutige Marktführer in 18 Monaten immer noch der Marktführer sein wird. Das ist eine schlechte Wette. Eine dekomponierbare Architektur ermöglicht es uns, Komponenten auszutauschen, wenn die Grenze sich bewegt, und mit dem tatsächlich besten Tool zu bleiben, anstatt mit dem, was der Anbieter als Marketing behauptet. Wir testen Tools gegen reale Kundenherausforderungen, anstatt gegen den Anbieter.

Auf der regulatorischen und datenseitigen Seite ist die Compliance von Anfang an entworfen. Jedes Produkt geht durch eine Governance-Überprüfung, und die verantwortungsvolle künstliche Intelligenz-Genehmigung ist Teil des Prozesses, nicht ein Nachgedanke. Die Arbeit in hoch regulierten Branchen über 70 Länder hinweg zwingt uns zu dieser Disziplin – was sich als ein Feature und nicht als ein Bug herausstellt, wenn wir Produkte an Kunden mit den gleichen Einschränkungen anbieten.

Traditionelle IT-Beratung basierte auf langen Planungszyklen und starren Implementierungsframeworks. Da sich künstliche Intelligenz schneller entwickelt als diese Zyklen nachvollziehen können, wie müssen sich die Beratungsmodelle ändern?

Die ehrliche Antwort ist, dass das gesamte Modell sich ändern muss, aber wenn ich den Drehpunkt wählen müsste, wäre es der Wertbeitrag. Die Branche hat Jahrzehnte damit verbracht, Lieferungen zu verkaufen – Decks, Roadmaps, Implementierungspläne – und für den Aufwand bezahlt zu werden. In einer AI-nativen Welt wollen Kunden keine Lieferung. Sie wollen ein Ergebnis. Sie wollen, dass der Workflow tatsächlich läuft, die Kosten tatsächlich sinken, der Umsatz tatsächlich erscheint.

Sobald man sich verpflichtet, Ergebnisse zu verkaufen, muss alles andere sich ändern, um es zu unterstützen. Teamzusammensetzung wird technischer. Engagements bewegen sich von “beraten und verlassen” zu “bauen und betreiben”. Preise verschieben sich von Stunden. Die Menschen, die die Arbeit leisten, müssen so komfortabel mit dem Versand von Code sein wie mit dem Führen eines Lenkungsausschusses.

Das ist eine große kulturelle Veränderung für unsere Branche, und nicht jeder wird es schaffen. Die Unternehmen, die es schaffen, werden in fünf Jahren sehr anders aussehen als heute.

LabX dient auch als Experimentierumgebung für Mitarbeiter und Technologiepartner. Wie wichtig ist interne Experimentierung, wenn man versucht, unternehmensweite künstliche Intelligenz-Fluency aufzubauen?

Es ist das ganze Spiel. Man baut künstliche Intelligenz-Fluency nicht auf, indem man über künstliche Intelligenz liest – man baut sie auf, indem man Dinge ausprobiert, sie brechen sieht und noch einmal ausprobiert. Das gilt für einen 30-jährigen IT-Professionals genauso wie für jemanden, der zwei Jahre aus der Schule kommt.

Wir haben kürzlich eine künstliche Intelligenz-Herausforderung innerhalb einer unserer Geschäftseinheiten durchgeführt und über 1.300 einzigartige Ideen in zwei Wochen erhalten. Das ist keine Statistik über ein Tool – das ist eine Statistik darüber, was passiert, wenn man den Menschen erlaubt, außerhalb der Box zu denken. Die Kreativität existiert bereits innerhalb des Unternehmens. Unsere Aufgabe ist es, den Raum zu schaffen, in dem sie wachsen kann.

LabX führt auch ein Rotationsprogramm durch: technische Experten aus dem gesamten DXC verbringen sechs bis zwölf Wochen bei uns und bauen reale Produkte mit den neuesten künstlichen Intelligenz-Tools. Wenn sie zu ihren Heimteams zurückkehren, bringen sie ein neues Skillset und, wichtiger noch, eine andere Denkweise mit. Sie beginnen, andere Fragen an ihre Kollegen und Kunden zu stellen. Sie werden zu Champions für das, was möglich ist. Diese kumulative Wirkung über die Belegschaft hinweg ist wertvoller als jedes einzelne Produkt, das wir ausliefern.

DXC beschreibt seinen Ansatz als Human+, betonend, dass künstliche Intelligenz menschliche Fähigkeiten erweitern und nicht ersetzen sollte. In praktischen Begriffen, wie beeinflusst diese Philosophie die Art und Weise, wie künstliche Intelligenz-Lösungen innerhalb von Unternehmen entworfen und bereitgestellt werden?

Ich werde direkt sein: Es gibt eine Ansicht in der Branche, die besagt, dass der wertvollste Beitrag, den Unternehmens-künstliche Intelligenz für ein Unternehmen leisten kann, die Reduzierung der Belegschaft ist. Ich denke, das ist ein Versagen der Vorstellungskraft.

Die Disziplin der Kosten ist wichtig, aber die wahre Chance ist das Wachstum: neue Umsatzströme, neue Produkte, neue Dienstleistungen, die einfach vorher nicht möglich waren. Der wertvollste Anwendungsfall von künstlicher Intelligenz ist es, Menschen zu ermöglichen, Arbeit zu leisten, die neuen Geschäftswert schafft, und nicht nur das, was bereits existiert, zu optimieren. Die Unternehmen, die das richtig machen, werden diejenigen überbieten, die künstliche Intelligenz als reine Kostenübung behandeln.

In der Praxis bedeutet Human+, dass wir künstliche Intelligenz entwerfen, um hochvolumige, routinemäßige Prozesse zu bewältigen, damit unsere Menschen sich auf wertvollere Arbeit konzentrieren können: strategisches Denken, kreatives Problemlösen, Kundenbeziehungen und komplexe Urteilsfälle. Wir halten menschliche Expertise und Aufsicht im Zentrum jeder Bereitstellung, insbesondere bei Entscheidungen, die reale Konsequenzen haben. So baut man Vertrauen bei Kunden auf, und so schafft man eine dauerhafte Wettbewerbsvorteile.

Wenn Organisationen versuchen, künstliche Intelligenz in bestehende Workflows zu integrieren, welche häufigen Fehler sehen Sie, die die Übernahme verlangsamen oder den realen Geschäftswert begrenzen?

Zwei Fehler sehe ich ständig. Der erste ist, mit der Technologie zu beginnen, anstatt mit dem Problem. Jemand verliebt sich in ein Modell oder eine Anbieter-Demo, und die Initiative wird zu einer Bereitstellung dieser Sache, anstatt etwas zu lösen, das tatsächlich wichtig für das Geschäft ist. Der zweite ist, künstliche Intelligenz als IT-Projekt zu behandeln, anstatt als Geschäftstransformation. Wenn man künstliche Intelligenz vollständig dem CIO übergibt und den Rest des Unternehmens auffordert, unverändert zu laufen, erhält man ein Tool, das niemand verwendet, und ein Budget, das niemand next Jahr verteidigen will.

Die Antidote für beide ist einfach zu sagen und schwer zu tun: Beginnen Sie mit dem Geschäftsproblem, stellen Sie das richtige cross-funktionale Team zusammen – Menschen, Prozesse, Technologie – und bauen Sie rückwärts vom Ergebnis, das Sie schaffen möchten. Das ist die Haltung, die wir bei LabX einnehmen, und so arbeiten wir mit Kunden wie Ferrovial, bei denen wir geholfen haben, AI Workbench – ein generatives künstliche Intelligenz-Angebot, das Beratung, Ingenieurwesen und sichere Unternehmensdienste kombiniert – bereitzustellen, das jetzt von über 24.000 Mitarbeitern mit über 30 künstlichen Intelligenz-Agenten genutzt wird, die in Echtzeit Entscheidungen treffen. Eine solche Skalierbarkeit tritt nicht auf, wenn man es als IT-Projekt behandelt.

Ausblickend, wie erwarten Sie, dass künstliche Intelligenz-Inkubationsumgebungen wie LabX die Art und Weise beeinflussen, wie Unternehmen neue Technologien entwickeln, testen und bereitstellen, in den nächsten Jahren?

Ich denke, es wird offensichtlich sein, dass die Gewinner in dieser Ära nicht die Unternehmen mit den auffälligsten Punkt-Lösungen sein werden. Sie werden die Integratoren sein – diejenigen, die künstliche Intelligenz über Betriebsmodelle, Funktionen und Workflows hinweg so verbinden können, dass Intelligenz nicht in einem einzigen Tool oder einem einzigen Benutzerbildschirm gefangen bleibt.

Das ist ein schwierigeres Problem als die Bereitstellung eines Modells. Es erfordert tiefes Unternehmensverständnis, die Fähigkeit, über Legacy- und moderne Systeme hinweg zu arbeiten, und die Disziplin, die Art und Weise zu ändern, wie Arbeit tatsächlich geleistet wird. Es ist auch die Chance, auf die ich am meisten gespannt bin.

Inkubationsumgebungen wie LabX sind, wie wir die Wiederholungen bekommen. Sie sind, wo man lernt, was bei der Skalierung bricht, was Governance in der Praxis wirklich aussieht und was Kunden adoptieren oder nicht adoptieren werden. Die Unternehmen, die in einen solchen Raum investieren – intern oder durch Partner – werden in drei Jahren eine sehr unterschiedliche Fähigkeitskurve haben als diejenigen, die noch entscheiden, ob es sich lohnt. Und diejenigen von uns, die in diesem Bereich aufbauen, werden weiterhin neue Probleme finden, die es zu lösen gilt, weil die Technologie nicht langsamer wird und auch die Chance nicht.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten DXC Technology besuchen.