Adam Field, Chief AI Officer di Tungsten Automation – Serie di interviste

Adam Field, Chief AI Officer di Tungsten Automation, è un leader di lunga data nel settore della tecnologia aziendale con una profonda esperienza in intelligenza artificiale, automazione intelligente e strategia di prodotto. Nel suo ruolo attuale, guida gli sforzi di trasformazione globale dell’AI dell’azienda, sovrintendendo all’integrazione dell’AI nel portafoglio di prodotti di Tungsten, guidando il Tungsten AI Lab e stabilendo framework di governance per l’adozione responsabile dell’AI. Prima di diventare Chief AI Officer, ha ricoperto il ruolo di Chief Product Officer, gestendo un portafoglio che generava oltre 550 milioni di dollari di entrate annuali. Prima di unirsi a Tungsten, Field ha trascorso quasi 17 anni in Pegasystems, dove ha guidato iniziative di innovazione e di esperienza clienti, ha contribuito a plasmare la strategia tecnologica emergente e si è guadagnato la reputazione di deliverer di grandi mostre di prodotti e programmi di innovazione aziendale. All’inizio della sua carriera, ha ricoperto ruoli tecnici e di consulenza in Staples, Publicis Sapient e Fidelity Investments.

Tungsten Automation, in precedenza noto come Kofax, è un’azienda di software aziendale che si concentra sull’automazione del flusso di lavoro basata sull’AI, sull’elaborazione intelligente dei documenti, sull’automazione robotica dei processi (RPA) e sull’orchestrazione dei processi aziendali. L’azienda fornisce strumenti di automazione utilizzati da organizzazioni di vari settori, come finanza, sanità, assicurazioni e governo, per ottimizzare le operazioni documentali e migliorare l’efficienza. La sua piattaforma combina tecnologie di intelligenza artificiale, automazione a basso codice e intelligenza dei documenti per aiutare le aziende a automatizzare attività ripetitive, estrarre informazioni da dati non strutturati e modernizzare i flussi di lavoro aziendali su larga scala.

Hai trascorso anni a guidare la strategia di prodotto e l’innovazione, compresa la creazione di laboratori di innovazione e l’ampliamento di un portafoglio di prodotti da oltre 500 milioni di dollari, prima di assumere il ruolo di Chief AI Officer di Tungsten Automation. Cosa ti ha convinto che fosse il momento giusto per passare completamente alla leadership dell’AI e come la tua esperienza precedente ha influenzato quella decisione?

Ho trascorso una grande parte della mia carriera a concentrarmi sul trasformare nuove tecnologie in qualcosa che funzioni effettivamente su larga scala all’interno degli ambienti aziendali. Negli ultimi anni, è diventato chiaro che l’AI non è solo un’altra capacità da integrare nei prodotti. Sta ridefinendo come il software viene costruito e come le decisioni vengono prese in tutta l’azienda, apparentemente eclissando e disturbando tutto ciò che è venuto prima. Questo passaggio da sperimentazione a reali aspettative di risultati, unito al fatto sempre più innegabile che l’AI è qui per restare, ha reso giusto il momento per passare completamente a un ruolo di leadership dell’AI.

È anche diventato ovvio che l’AI non si è rivelata la panacea che molti l’avevano pubblicizzata. Il successo dell’AI richiede persone che combinino competenze tecniche e conoscenze del settore. Tungsten vuole aiutare le aziende a fare l’AI nel modo giusto e ottenere risultati reali, ed è per questo che Tungsten ha creato l’Ufficio AI e il mio ruolo all’interno di esso.

Tungsten è evoluta da una semplice cattura di documenti e OCR a una piattaforma di automazione intelligente completa che alimenta flussi di lavoro mission-critici per migliaia di organizzazioni. Come vedi che questo lascito influenzi il tuo approccio all’AI agente oggi?

La storia di Tungsten è profondamente legata a come le aziende operano effettivamente. Abbiamo trascorso decenni a lavorare con documenti e flussi di lavoro che si trovano al centro dei processi aziendali critici. Ciò significa che comprendiamo come quei dati possano essere complessi e spesso non strutturati.

Quella base è molto rilevante per l’AI agente. Questi sistemi devono operare in ambienti reali, non solo interpretare informazioni in isolamento. La nostra esperienza nella gestione dei documenti ci consente di concentrarci sul contesto e sul fatto che l’AI agisca in modo coerente con il modo in cui l’azienda opera. Si tratta di costruire sistemi che possano essere affidabili in produzione, non solo esplorati in teoria.

Quest’ultima evoluzione dell’AI è così emozionante. Porta l’elaborazione intelligente dei documenti a luoghi in cui non potevamo portarla in precedenza — risolvendo problemi che erano troppo costosi o impossibili da affrontare in passato.

Hai sottolineato l’importanza di integrare l’AI in tutto il portafoglio di prodotti piuttosto che trattarla come una funzionalità autonoma. Cosa significa esattamente “trasformazione nativa dell’AI” in una piattaforma software grande e stabilita?

È diventato chiaro fin dall’inizio che le funzionalità dell’AI generativa e agente stavano diventando rapidamente una caratteristica standard, il che significa che i clienti non erano sempre disposti a pagare in più per loro. Abbiamo anche capito che queste tecnologie ci consentivano di modernizzare ciò che Tungsten ha fatto per anni: aiutare le aziende a comprendere i loro dati documentali.

Non abbiamo cambiato la nostra promessa di marca. Non abbiamo creato prodotti o funzionalità autonome. Abbiamo rifatto come il prodotto viene utilizzato e, quando quella base è in place, l’AI può operare in modo che sembri naturale all’interno del prodotto piuttosto che separato da esso. E i casi d’uso che i nostri clienti hanno iniziato ad affrontare sono passati da documenti strutturati a fonti di informazione non strutturate. E, abbiamo ridefinito “documento” lungo la strada. Non è più solo un’immagine di carta o un file digitale. I dati non strutturati vivono in cose come le note degli aggiustatori di sinistri, le trascrizioni delle chiamate del centro di contatto, i post sui social media, gli articoli web e molto altro.

Questo approccio consente ai nostri clienti di aumentare la base e i modelli aperti con i loro dati proprietari, che è il vero differenziatore.

Come primo Chief AI Officer dell’azienda, come bilanci la velocità di innovazione con la necessità di governance, sicurezza e distribuzione responsabile dell’AI su larga scala?

C’è sempre una spinta a muoversi rapidamente con l’AI, ma negli ambienti aziendali la fiducia conta quanto la velocità. La governance e la sicurezza non possono essere trattate come un pensiero successivo. Devono essere costruite nel sistema fin dall’inizio.

Il modo in cui facciamo questo è stabilendo aspettative fin dall’inizio, educando gli utenti finali. Ad esempio, metà del mio ruolo è concentrata sulla strategia interna dell’AI, sull’evangelizzazione e sulla governance. Abbiamo riunito un consiglio consultivo multifunzionale molto presto. Incentiviamo la condivisione, la sperimentazione e la comunicazione. Ci sono stati momenti in cui la tecnologia era pronta per essere distribuita a tutti gli dipendenti collegati a diversi sistemi interni. I prototipi erano potenti e hanno entusiasmato tutti, ma abbiamo fatto sapere al nostro consiglio consultivo ogni volta che abbiamo incontrato potenziali ostacoli di sicurezza o normativi. Apprezzano l’approfondimento e spesso partecipano alla soluzione.

Credo che sia anche importante non permettere che la perfezione si frapponga al progresso. Abbiamo stabilito l’aspettativa con il nostro personale che dovrebbero aspettarsi cambiamenti, e molti di essi. Dovrebbero aspettarsi che noi distribuiamo strumenti e funzionalità man mano che sono pronti, otteniamo feedback, cambiamo direzione se necessario e poi distribuiamo di più.

L’AI agente sta diventando rapidamente un focus importante in tutto il settore. Secondo te, cosa distingue i sistemi di AI agente di livello aziendale dai sistemi sperimentali o sovrastimati?

La differenza chiave è come i sistemi si eseguono in condizioni reali. Molti approcci sperimentali funzionano bene in ambienti controllati, ma lottano quando incontrano dati confusi o flussi di lavoro complessi. I sistemi di livello aziendale devono gestire quella variabilità e comunque produrre risultati coerenti.

La maggior parte dei sistemi costruiti negli ultimi 30 anni è stata progettata per l’interazione umana o per l’accesso API molto controllato. L’integrazione dei sistemi deve essere ripensata nell’era dell’AI agente. Tutto, dalle eccezioni, agli errori, alla gestione degli audit, è diverso quando gli agenti interagiscono invece di un essere umano attraverso un’interfaccia utente tradizionale.

Un altro fattore importante è l’accountability. Le organizzazioni devono comprendere come vengono prese le decisioni e devono poter fidarsi dei risultati. Quel livello di trasparenza è ciò che consente ai sistemi di AI agente di passare da dimostrazioni interessanti all’uso operativo reale.

Stai guidando il Tungsten AI Lab come un hub per la ricerca e l’innovazione applicata. Come assicuri che il lavoro sperimentale dell’AI si traduca in risultati aziendali misurabili per i clienti?

In realtà, ho adottato un approccio opposto con il Tungsten AI Lab. Ho detto al team fin dall’inizio che era okay sperimentare, imparare e provare nuovi approcci anche se i risultati non sarebbero mai stati inseriti nei nostri prodotti. Spesso è meglio imparare cosa non fare. Credo che questo abbia dato loro la libertà di pensare liberamente e sperimentare nuovi modi di fare le cose.

Ad esempio, non posso divulgare la funzionalità esatta, ma una delle nostre attuali ricerche coinvolge un nuovo approccio a un componente di prodotto esistente. I ricercatori hanno trovato nuovi metodi per risolvere un problema, il che ha portato a un momento di “illuminazione” in cui potremmo offrire una soluzione aggiuntiva completa ai nostri clienti. Se avessimo solo ricercato come implementare ciò che era già nella roadmap, non saremmo mai arrivati qui.

Detto questo, non è un liberoforall. Siamo pensierosi su dove spendiamo il tempo e su quanto tempo spendiamo su ogni progetto di ricerca.

Molte organizzazioni stanno ancora lottando per passare dai piloti di AI alla produzione. Quali sono i più grandi ostacoli che stai vedendo e come possono le aziende superarli?

Uno dei più grandi ostacoli è il dato oscuro. La maggior parte delle organizzazioni ha accesso a enormi volumi di informazioni, ma una grande parte di essi vive in documenti, email, PDF e altri formati non strutturati che sono difficili per i sistemi di AI da interpretare. Ciò significa che anche i modelli ben progettati spesso lavorano con una visione incompleta e incoerente dell’azienda, il che porta a output non affidabili e iniziative bloccate.

Per superare questo, le aziende devono concentrarsi sul trasformare i dati oscuri in qualcosa di utilizzabile. Ciò comporta non solo estrarre informazioni, ma creare struttura, contesto e governance intorno ad esso in modo che i sistemi di AI possano agire su di esso con fiducia. Una volta che questa base è in place, l’AI diventa molto più affidabile e facile da scalare da ambienti di pilotaggio isolati a ambienti di produzione reali.

Tungsten opera in settori documentali e di flusso di lavoro intensivo. Come l’AI sta cambiando il modo in cui le aziende pensano ai dati non strutturati e alla presa di decisioni?

L’AI sta cambiando il modo in cui le organizzazioni pensano al valore delle informazioni che già possiedono. Per anni, grandi quantità di conoscenze aziendali sono state sepolte all’interno di documenti, email, PDF e altri contenuti non strutturati che erano difficili da accedere o utilizzare. Ora le organizzazioni stanno capendo che quei dati contengono il contesto e la logica aziendale che i sistemi di AI necessitano per produrre risultati affidabili. I modelli stessi sono una commodity; le informazioni proprietarie delle organizzazioni combinate con quei modelli sono il differenziatore.

Allo stesso tempo, c’è una crescente consapevolezza intorno alla sovranità dei dati, alla governance e a dove fluiscono le informazioni aziendali. Molte aziende stanno correndo per raccogliere più dati esterni o sperimentare con l’accesso ai modelli più ampi, quando in realtà sono già sedute su enormi quantità di intelligenza non sfruttata all’interno della propria organizzazione. L’attenzione sta iniziando a spostarsi verso l’attivazione di quei dati non strutturati interni in modo sicuro e governato in modo che l’AI possa supportare decisioni migliori senza creare rischi non necessari.

Hai costruito consigli consultivi dei clienti e lavorato a stretto contatto con i clienti aziendali durante tutta la tua carriera. Quanto è importante il feedback dei clienti nel plasmare la strategia dell’AI, specialmente quando la tecnologia sta evolvendo così rapidamente?

Il feedback dei clienti è un dono, specialmente in uno spazio che si muove così rapidamente come l’AI. Aiuta a garantire che la strategia rimanga radicata in reali esigenze aziendali piuttosto che in possibilità teoriche.

Aiuta anche con la priorità. Ci sono molte direzioni in cui l’AI può andare, ma il feedback dei clienti fornisce chiarezza su dove può essere creato il maggior valore. Ciò mantiene la focalizzazione sugli esiti che contano e assicura che l’innovazione rimanga allineata con il modo in cui le organizzazioni operano effettivamente.

Ricordo ai primi giorni dell’AI generativa, un cliente nel nostro consiglio consultivo mi ha detto che, mentre amava la direzione del prodotto, non avrebbe mai pagato in più per una nuova funzionalità LLM-powered nella nostra roadmap. È stato un momento di apertura degli occhi perché era allineato con il resto dell’industria.

Guardando avanti, dove vedi la più grande opportunità per l’automazione guidata dall’AI nei prossimi 3-5 anni e cosa le aziende dovrebbero prepararsi adesso?

La più grande opportunità è nel collegare l’AI più profondamente ai flussi di lavoro end-to-end. Piuttosto che concentrarsi su attività isolate, le organizzazioni guarderanno a come l’AI possa supportare interi processi e migliorare il modo in cui il lavoro si muove attraverso l’azienda. Al momento, molti sistemi di AI agente sono mirati a compiti discreti, ma le aziende operano su processi end-to-end conformi.

Per prepararsi a quel cambiamento, le aziende devono investire nelle loro fondamenta di dati e in sistemi che supportino la trasparenza e il controllo. E dovrebbero pensare a “costruire vs. partner” piuttosto che “costruire vs. comprare”. Abbiamo visto che l’AI DIY dalla scratch fallisce troppo spesso. Le organizzazioni che trarranno il maggior beneficio saranno quelle che troveranno i giusti partner alimentati dall’AI per accelerare le loro soluzioni piuttosto che cercare di ricostruire tutto da zero.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Tungsten Automation.