Adam Field, Chief AI Officer di Tungsten Automation – Seri Wawancara

Adam Field, Chief AI Officer di Tungsten Automation, adalah seorang pemimpin teknologi perusahaan yang berpengalaman dengan keahlian mendalam di bidang kecerdasan buatan, otomatisasi cerdas, dan strategi produk. Dalam perannya saat ini, ia memimpin upaya transformasi AI global perusahaan, mengawasi integrasi AI di seluruh portofolio produk Tungsten, memandu Tungsten AI Lab, dan menetapkan kerangka tata kelola untuk adopsi AI yang bertanggung jawab. Sebelum menjadi Chief AI Officer, ia menjabat sebagai Chief Product Officer, mengelola portofolio yang menghasilkan lebih dari $550 juta pendapatan tahunan. Sebelum bergabung dengan Tungsten, Field menghabiskan hampir 17 tahun di Pegasystems, di mana ia memimpin inisiatif inovasi dan pengalaman klien, membantu membentuk strategi teknologi yang muncul, dan dikenal karena menghadirkan showcase produk skala besar dan program inovasi perusahaan. Pada awal karirnya, ia memegang peran teknologi dan konsultasi di Staples, Publicis Sapient, dan Fidelity Investments.

Tungsten Automation, sebelumnya dikenal sebagai Kofax, adalah perusahaan perangkat lunak perusahaan yang fokus pada otomatisasi alur kerja yang ditenagai AI, pemrosesan dokumen cerdas, otomatisasi proses robotik (RPA), dan orkestrasi proses bisnis. Perusahaan ini menyediakan alat otomatisasi yang digunakan oleh organisasi di berbagai industri seperti keuangan, kesehatan, asuransi, dan pemerintah untuk merampingkan operasi yang berat dokumen dan meningkatkan efisiensi. Platformnya menggabungkan AI, otomatisasi kode rendah, dan teknologi kecerdasan dokumen untuk membantu perusahaan mengotomatisasi tugas berulang, mengekstrak wawasan dari data tidak terstruktur, dan memodernisasi alur kerja bisnis skala besar.

Anda menghabiskan waktu bertahun-tahun memimpin strategi produk dan inovasi, termasuk membangun laboratorium inovasi dan memperluas portofolio produk senilai $500 juta+, sebelum memasuki peran Chief AI Officer di Tungsten Automation. Apa yang membuat Anda yakin bahwa sekarang adalah saat yang tepat untuk beralih sepenuhnya ke kepemimpinan AI, dan bagaimana pengalaman sebelumnya membentuk keputusan itu?

Saya telah menghabiskan sebagian besar karir saya fokus pada mengubah teknologi baru menjadi sesuatu yang benar-benar bekerja pada skala perusahaan. Selama beberapa tahun terakhir, menjadi jelas bahwa AI bukan hanya kemampuan lain untuk diintegrasikan ke dalam produk. Ini sedang mengubah cara perangkat lunak dibangun dan cara keputusan dibuat di seluruh bisnis, yang tampaknya mengalahkan dan mengganggu semua yang ada sebelumnya. Perubahan ini dari eksperimen ke harapan hasil yang nyata, dipasangkan dengan fakta bahwa AI semakin tidak dapat disangkal bahwa AI ada untuk tetap, membuatnya menjadi waktu yang tepat untuk sepenuhnya memasuki peran kepemimpinan AI.

Ini juga menjadi jelas bahwa AI tidak berakhir sebagai obat penawar yang banyak dipasarkan. Keberhasilan AI memerlukan orang-orang yang menggabungkan keahlian teknis dan pengetahuan industri. Tungsten ingin membantu perusahaan melakukan AI dengan cara yang benar dan mengalami hasil nyata, yang mengapa Tungsten menciptakan Kantor AI dan peran saya di dalamnya.

Tungsten telah berkembang dari awal penangkapan dokumen dan OCR menjadi platform otomatisasi cerdas penuh yang memungkinkan alur kerja kritis untuk ribuan organisasi. Bagaimana Anda melihat warisan itu membentuk pendekatan Anda terhadap AI agenik saat ini?

Sejarah Tungsten sangat terkait dengan cara perusahaan benar-benar beroperasi. Kami telah menghabiskan dekade bekerja dengan dokumen dan alur kerja yang berada di pusat proses bisnis kritis. Itu berarti kami memahami betapa kompleks dan sering tidak terstruktur informasi itu.

Dasar itu sangat relevan untuk AI agenik. Sistem ini perlu beroperasi dalam lingkungan nyata, bukan hanya menafsirkan informasi dalam isolasi. Latar belakang kami dalam kecerdasan dokumen memungkinkan kami fokus pada konteks dan memastikan AI bertindak dengan cara yang konsisten dengan cara bisnis dijalankan. Ini tentang membangun sistem yang dapat dipercaya dalam produksi, bukan hanya dieksplorasi dalam teori.

Itu sebabnya evolusi AI terbaru ini sangat menarik. Ini membawa Pemrosesan Dokumen Cerdas ke tempat-tempat yang tidak pernah bisa kami lakukan sebelumnya — memecahkan masalah yang terlalu mahal atau tidak mungkin diatasi di masa lalu.

Anda telah menekankan mengintegrasikan AI di seluruh portofolio produk daripada memperlakukannya sebagai fitur mandiri. Apa yang dimaksud dengan “transformasi AI-asli” dalam platform perangkat lunak yang besar dan mapan?

Menjadi jelas sejak awal bahwa fitur-fitur yang ditenagai AI generatif dan agenik dengan cepat menjadi syarat, yang berarti bahwa pelanggan tidak selalu mau membayar ekstra untuk mereka. Kami juga menyadari bahwa teknologi ini memungkinkan kami untuk memodernisasi apa yang telah Tungsten lakukan selama bertahun-tahun: membantu perusahaan memahami data dokumen mereka.

Kami tidak mengubah janji merek kami. Kami tidak menciptakan produk atau fitur tambahan. Kami merefaktoori cara produk digunakan, dan ketika fondasi itu ada, AI dapat beroperasi dengan cara yang terasa alami dalam produk daripada terpisah dari itu. Dan kasus penggunaan yang pelanggan kami mulai mengatasi berpindah dari dokumen terstruktur ke sumber informasi tidak terstruktur. Dan, kami mendefinisikan ulang “dokumen” di sepanjang jalan. Tidak lagi dokumen adalah gambar kertas atau file digital. Data tidak terstruktur hidup dalam hal-hal seperti catatan penyesuaian klaim, transkrip pusat kontak, posting media sosial, artikel web, dan banyak lagi.

Mengambil pendekatan ini memungkinkan pelanggan kami untuk meningkatkan fondasi dan model terbuka dengan data propietary mereka, yang merupakan pembeda sebenarnya.

Sebagai Chief AI Officer pertama perusahaan, bagaimana Anda mengimbangkan kecepatan inovasi dengan kebutuhan akan tata kelola, keamanan, dan penerapan AI yang bertanggung jawab pada skala besar?

Ada dorongan untuk bergerak cepat dengan AI, tetapi dalam lingkungan perusahaan, kepercayaan sama pentingnya dengan kecepatan. Tata kelola dan keamanan tidak dapat dianggap sebagai pemikiran kedua. Mereka perlu dibangun ke dalam sistem dari awal.

Cara kami melakukannya adalah dengan menetapkan harapan dari awal dengan mendidik pengguna akhir. Misalnya, setengah dari peran saya fokus pada strategi AI internal, evangelis, dan tata kelola. Kami mengumpulkan dewan penasihat lintas fungsional sangat awal. Kami mendorong berbagi, eksperimen, dan komunikasi. Ada saat-saat ketika teknologi sudah siap untuk diluncurkan ke semua karyawan yang terhubung ke beberapa sistem internal. Prototipe itu kuat dan membuat semua orang bersemangat, tetapi kami memberi tahu tim penasihat kami setiap kali kami menemui hambatan keamanan atau regulasi potensial. Mereka menghargai wawasan dan sering berpartisipasi dalam solusi.

Saya pikir juga penting untuk tidak membiarkan kesempurnaan menghalangi kemajuan. Kami menetapkan harapan dengan staf bahwa mereka harus mengharapkan perubahan, dan banyak perubahan. Mereka harus mengharapkan bahwa kami akan meluncurkan alat dan fitur saat mereka siap, mendapatkan umpan balik, mengubah arah jika perlu, dan kemudian meluncurkan lebih banyak.

AI agenik dengan cepat menjadi fokus utama di seluruh industri. Menurut Anda, apa yang membedakan sistem AI agenik perusahaan nyata dari implementasi eksperimental atau yang terlalu dibesar-besarkan?

Perbedaan kunci adalah bagaimana sistem tersebut berkinerja dalam kondisi nyata. Banyak pendekatan eksperimental bekerja dengan baik dalam lingkungan yang dikendalikan tetapi berjuang ketika mereka menghadapi data yang berantakan atau alur kerja yang kompleks. Sistem perusahaan kelas perlu menangani variabilitas itu dan masih menghasilkan hasil yang konsisten.

Sebagian besar sistem selama 30 tahun terakhir dibangun untuk interaksi manusia atau melalui akses API yang sangat terkendali. Integrasi sistem perlu dipikirkan kembali di era agenik. Semuanya, dari cara menangani pengecualian, kesalahan, dan audit, berbeda ketika agen berinteraksi daripada manusia melalui antarmuka pengguna tradisional.

Faktor lain yang penting adalah akuntabilitas. Organisasi perlu memahami bagaimana keputusan dibuat dan dapat mempercayai hasilnya. Tingkat transparansi itu adalah yang memungkinkan sistem agenik untuk berpindah dari demonstrasi menarik ke penggunaan operasional nyata.

Anda memimpin Tungsten AI Lab sebagai pusat penelitian dan inovasi terapan. Bagaimana Anda memastikan bahwa pekerjaan AI eksperimental diterjemahkan ke dalam hasil bisnis yang dapat diukur untuk pelanggan?

Saya sebenarnya mengambil pendekatan yang berlawanan dengan Tungsten AI Lab. Saya memberi tahu tim bahwa itu tidak apa-apa untuk bereksperimen, belajar, dan mencoba pendekatan baru bahkan jika hasilnya tidak pernah masuk ke dalam produk kami. Seringkali lebih baik untuk mempelajari apa yang tidak harus dilakukan. Saya percaya bahwa ini telah memberi mereka kebebasan untuk berpikir bebas dan bereksperimen dengan cara baru melakukan hal-hal.

Sebagai contoh, sementara saya tidak bisa mengungkapkan fitur yang tepat, salah satu sprint penelitian kami saat ini melibatkan pendekatan baru untuk komponen produk yang ada. Peneliti menemukan metode baru untuk memecahkan masalah yang mengarah ke “momentsil” yang kami mungkin dapat menawarkan solusi tambahan lengkap kepada pelanggan kami. Jika kami hanya meneliti cara mengimplementasikan apa yang sudah ada di jalan, kami tidak akan pernah sampai di sini.

Itu dikatakan, ini bukanlah kebebasan untuk melakukan apa saja. Kami berpikir tentang di mana kami menghabiskan waktu dan berapa banyak waktu yang kami habiskan pada setiap proyek penelitian.

Banyak organisasi masih berjuang untuk berpindah dari pilot AI ke produksi. Apa yang menjadi hambatan terbesar yang Anda lihat, dan bagaimana perusahaan dapat mengatasi mereka?

Salah satu hambatan terbesar adalah data gelap. Sebagian besar organisasi memiliki akses ke volume informasi yang sangat besar, tetapi sebagian besar dari itu hidup dalam dokumen, email, PDF, dan format tidak terstruktur lainnya yang sulit untuk sistem AI untuk menafsirkan. Itu berarti bahkan model yang dirancang dengan baik sering bekerja dengan pandangan bisnis yang tidak lengkap dan inkonsisten, yang mengarah ke output yang tidak dapat diandalkan dan inisiatif yang terhambat.

Untuk melampaui itu, perusahaan perlu fokus pada mengubah data gelap menjadi sesuatu yang dapat digunakan. Itu melibatkan tidak hanya mengekstrak informasi, tetapi menciptakan struktur, konteks, dan tata kelola di sekitarnya sehingga sistem AI dapat benar-benar bertindak dengan keyakinan. Begitu fondasi itu ada, AI menjadi jauh lebih dapat diandalkan dan lebih mudah untuk diskalakan dari pilot terisolasi ke lingkungan produksi nyata.

Tungsten bekerja di seluruh industri yang berat dokumen dan intensif alur kerja. Bagaimana AI mengubah cara perusahaan memikirkan data tidak terstruktur dan pengambilan keputusan?

AI mengubah cara organisasi memikirkan nilai informasi yang mereka miliki. Selama bertahun-tahun, sejumlah besar pengetahuan perusahaan berada di dalam dokumen, email, PDF, dan konten tidak terstruktur lainnya yang sulit diakses atau dioperasikan. Sekarang organisasi menyadari bahwa data ini mengandung konteks dan logika bisnis yang sistem AI butuhkan untuk menghasilkan hasil yang dapat diandalkan. Model itu sendiri adalah komoditas; informasi propietary organisasi yang digabungkan dengan model itu adalah pembeda.

Pada saat yang sama, ada kesadaran yang tumbuh sekitar kedaulatan data, tata kelola, dan di mana informasi perusahaan mengalir. Banyak perusahaan berlomba untuk menarik lebih banyak data eksternal atau bereksperimen dengan akses model yang luas, ketika sebenarnya mereka sudah duduk di atas sejumlah besar kecerdasan tidak terstruktur di dalam organisasi mereka sendiri. Fokus mulai bergeser ke arah mengaktifkan data tidak terstruktur internal dengan cara yang aman dan terkelola sehingga AI dapat mendukung keputusan yang lebih baik tanpa menciptakan risiko yang tidak perlu.

Anda telah membangun Dewan Penasihat Pelanggan dan bekerja erat dengan klien perusahaan sepanjang karir Anda. Seberapa penting umpan balik pelanggan dalam membentuk strategi AI, terutama ketika teknologi berkembang sangat cepat?

Umpan balik pelanggan adalah hadiah, terutama dalam ruang yang bergerak secepat AI. Ini membantu memastikan bahwa strategi tetap berakar pada kebutuhan bisnis nyata daripada kemungkinan teoretis.

Ini juga membantu dengan prioritisasi. Ada banyak arah yang AI dapat ambil, tetapi input pelanggan memberikan kejelasan tentang di mana nilai terbesar dapat dibuat. Itu menjaga fokus pada hasil yang berarti dan memastikan bahwa inovasi tetap sejalan dengan cara organisasi benar-benar beroperasi.

Saya ingat di hari-hari awal AI gen, seorang pelanggan di dewan penasihat kami mengatakan kepada saya bahwa sementara dia menyukai arah produk, dia tidak akan pernah membayar ekstra untuk fitur LLM-powered baru di jalan kami. Itu membuka mata karena dia sejalan dengan industri lainnya.

Menghadap ke depan, di mana Anda melihat kesempatan terbesar untuk otomatisasi yang ditenagai AI selama 3 hingga 5 tahun ke depan, dan apa yang harus disiapkan perusahaan sekarang?

Kesempatan terbesar ada dalam menghubungkan AI lebih dalam ke alur kerja ujung ke ujung. Daripada fokus pada tugas terisolasi, organisasi akan melihat bagaimana AI dapat mendukung proses lengkap dan memperbaiki cara kerja bergerak di seluruh bisnis. Saat ini, banyak sistem agenik ditargetkan pada tugas diskrit tetapi bisnis beroperasi pada proses ujung ke ujung yang sesuai.

Untuk mempersiapkan perubahan itu, perusahaan perlu berinvestasi dalam fondasi data mereka dan dalam sistem yang mendukung transparansi dan kontrol. Dan mereka harus memikirkan “bangun vs. mitra” daripada “bangun vs. beli.” Kami telah melihat AI DIY dari awal gagal terlalu banyak. Organisasi yang paling diuntungkan akan menjadi mereka yang menemukan mitra AI yang tepat untuk mempercepat solusi mereka daripada mencoba membangun semuanya dari awal.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Tungsten Automation.