Sam Jenkins, Managing Partner bij Punchcard Systems – Interview Serie

Sam Jenkins, Managing Partner bij Punchcard Systems, heeft meer dan twee decennia gewerkt aan de kruispunt van technologie, ondernemingszin en organisatorische transformatie. Sinds de co-founding van Punchcard Systems in 2016, heeft hij geholpen bij de groei van het bedrijf en heeft hij organisaties geadviseerd over digitale werkplekstrategie, aangepaste software, kunstmatige intelligentie en opkomende technologieën. Zijn eerdere ervaring omvat het co-founding van Startup Edmonton en Wellnext, het leiden van business development en Microsoft-werkplektechnologie-initiatieven bij iomer internet solutions, en het dienen in executive en bestuursfuncties in technologie, gezondheidszorg, openbare veiligheid en gemeenschapsorganisaties. Deze achtergrond heeft hem een brede perspectief gegeven op hoe technologie de manier verandert waarop mensen samenwerken, beslissingen nemen en hun werk uitvoeren.

Punchcard Systems is een Canadese software- en technologiepartner die werkt met scale-ups en middelgrote ondernemingen om digitale oplossingen te ontwerpen, ontwikkelen en implementeren die zijn gekoppeld aan meetbare bedrijfsdoelstellingen. Met meer dan 150 klanten in Canada en de Verenigde Staten, omvatten de capaciteiten van het bedrijf aangepaste web- en mobiele software, kunstmatige intelligentie, cloud-infrastructuur, data- en analytics, user experience-ontwerp en werkplektechnologieën zoals Microsoft 365, Azure, Copilot, Teams, SharePoint en Power Platform. Punchcard richt zich op het helpen van organisaties om hun operaties te moderniseren, de ervaringen van medewerkers en klanten te verbeteren en nieuwe technologieën te integreren in praktische bedrijfsprocessen.

Uw carrière heeft de evolutie van de werkplektechnologie gevolgd, van Microsoft SharePoint-gebaseerde medewerkersplatforms en het co-founding van Startup Edmonton tot het opbouwen van Wellnext en uiteindelijk Punchcard Systems. Hoe heeft die ervaring uw visie op de verschuiving van software die medewerkers zelf bedienen naar AI-agents die steeds meer werk namens hen uitvoeren, gevormd?

Toen ik voor het eerst begon te werken met digitale werkplektechnologieën zoals SharePoint (in 2003!), lag de focus op het creëren van betere manieren voor medewerkers om informatie te vinden, kennis te delen en samen te werken. Aan het eind van de dag deed de medewerker nog steeds het werk: ze navigeerden door systemen, produceerden de uitvoer. Tegenwoordig gaan we verder dan AI als een individueel productiviteitstool en komen we in een nieuwe tijdperk van agente AI, waarin systemen meer complexe, meerdere stappen kunnen uitvoeren namens medewerkers.

Dat is het deel dat verandert. Als ecosysteem gaan we voorbij AI als een persoonlijk productiviteitstool en komen we in een nieuwe tijdperk van agente systemen die complex werk namens echte mensen uitvoeren. Claude Cowork en ChatGPT Work maken die agente aanpak vrij mainstream.

Ik heb een paar van deze technologische verschuivingen gezien, en het patroon houdt elke keer stand. De organisaties die winnen, behandelen nieuwe technologie niet alleen als een implementatie. Ze behandelen het als een kans om na te denken over hoe mensen, processen en technologie samenwerken.

ChatGPT Work kan informatie verzamelen uit verbonden applicaties en bestanden, meerdere stappen taken voltooien en afgemaakte documenten, spreadsheets en presentaties produceren. Hoe zal dit de dagelijkse verantwoordelijkheden van kenniswerkers veranderen die eerder deze materialen zelf creëerden?

Ik denk dat het werk verschuift van “uitvoer produceren” naar “resultaten beheren”. Dit verandert fundamenteel de rol van kenniswerkers, maar dit vervangt niet de behoefte aan menselijke inzicht en toezicht. In plaats daarvan zullen medewerkers steeds meer verschuiven van het creëren van elke stuk werk zelf naar het beheren, controleren en orkestreren van AI-gegenereerde uitvoer.

Veel van het repetitieve werk zal naar de agent gaan: informatie verzamelen, presentaties of documenten bouwen, of gegevens samenvatten. Dit bevrijdt mensen voor het werk dat echt een persoon nodig heeft: strategie, creativiteit, kritisch denken en samenwerking.

De vaardigheid die steeds waardevoller wordt, is weten hoe je AI goed moet sturen, door het de juiste context te geven en te herkennen wanneer het antwoord er goed uitziet maar niet is.

U heeft een groeiende behoefte aan “AI-managers” beschreven. Wat zou deze rol in de praktijk inhouden en hoe zou het verschillen van de verantwoordelijkheden van een IT-beheerder, productmanager of traditionele mensenmanager?

AI-managers zullen een belangrijke rol spelen bij het helpen van organisaties om AI op een verantwoorde en effectieve manier te adopteren. Hun verantwoordelijkheid zal zijn om AI-uitvoer te beheren en te controleren, ervoor te zorgen dat AI-gegenereerd werk nauwkeurig, betrouwbaar en afgestemd is op bedrijfsdoelstellingen.

Dit is een andere baan dan traditionele IT, die infrastructuur en technische systemen bezit, of een productmanager, die zich richt op het ontwikkelen en verbeteren van producten. Elk departement zal iemand nodig hebben die begrijpt hoe AI van toepassing is op hun specifieke gebied, of dat nu financiën, juridisch, HR, of operaties is.

De echte verschuiving is eigendom. Op dit moment hebben de meeste organisaties nog niet iemand aangewezen die duidelijk verantwoordelijk is voor of deze systemen waarde leveren en binnen aanvaardbare risico’s blijven. Die kloof, in termen van het identificeren van direct verantwoordelijke personen, is wat deze soort rollen zal opvullen.

KPMG Canada vond dat AI-agents al invloed hebben op hoe organisaties zowel startende als ervaren medewerkers aannemen. Welke vaardigheden zullen waardevoller worden als werkgevers beginnen met het beoordelen van kandidaten op hun vermogen om werk toe te wijzen aan AI, de uitvoer te evalueren en in te grijpen wanneer nodig?

De vaardigheden die steeds waardevoller zullen worden, zijn die welke uniek menselijk blijven, zoals kritisch denken, oordeel, communicatie, creativiteit, probleemoplossing en leiderschap.

Technische AI-geletterdheid zal blijven tellen, maar werkgevers zoeken naar mensen die begrijpen hoe AI past in de bredere bedrijfsomgeving. Dat omvat vaardigheden zoals veranderingsbeheer, risicobeheer en strategisch denken.

De grens tussen technische en niet-technische rollen vervaagt. Organisaties bewegen zich weg van het aannemen van mensen alleen op basis van de vaardigheden die ze al hebben en naar mensen die bereid zijn te leren, aan te passen en voortdurend bij te scholen. De meest waardevolle medewerkers zullen zijn die AI-mogelijkheden kunnen gebruiken terwijl ze begrijpen waar menselijk oordeel nog steeds essentieel is.

Veel medewerkers ontwikkelden traditioneel professioneel oordeel door repetitieve startniveau-taken te voltooien. Als AI-agents veel van dat fundamentale werk opnemen, hoe kunnen organisaties de training en carrièreontwikkeling opnieuw ontwerpen zodat jongere medewerkers nog steeds de ervaring krijgen die nodig is om effectieve beslissers te worden?

Dit is een waarheid die me een beetje zorgen baart. Mensen bouwden vroeger oordeel en ervaring op door repetitieve startniveau-taken te voltooien. Als agents dat werk doen, verliest de ladder een paar sporten.

Organisaties zullen meer dan ooit moeten nadenken over het opbouwen van junior-talent door middel van mentorship, coaching, beslissingsoefeningen en blootstelling aan hogere-waarde projecten vroeg in iemands carrière.

Er is ook een kans voor reverse-mentorship, waarbij jongere medewerkers die meer vertrouwd zijn met AI-hulpmiddelen, teams kunnen helpen begrijpen hoe deze technologieën kunnen worden toegepast, terwijl ervaren medewerkers blijven voorzien in de bedrijfscontext en oordeel dat AI niet kan repliceren.

Het doel moet zijn om het leerproces opnieuw te ontwerpen voor een werkplek waar mensen en AI samenwerken.

Punchcard heeft uitgebreide ervaring met het implementeren van Microsoft 365 en gerelateerde werkplektechnologieën. Hoe verandert ChatGPT Work het concurrerende landschap voor Microsoft Copilot en Google Gemini, en welke factoren moeten organisaties overwegen bij het selecteren van een AI-platform voor dagelijks werk?

Het landschap evolueert snel, en organisaties hebben meer opties dan ooit. De beslissing moet komen door te kijken naar welke oplossing het beste aansluit bij de bestaande technologie-omgeving, workflows, beveiligingsvereisten en bedrijfsdoelstellingen van een organisatie.

Voor organisaties die al geïnvesteerd hebben in Microsoft 365, kunnen tools zoals Copilot voordelen bieden door integratie met bestaande applicaties en gegevens. Anderen kunnen andere platforms beter geschikt vinden voor hun behoeften.

Ik denk dat de sleutelvraag die leiders moeten stellen, niet is “welk gereedschap?” maar “welk probleem lossen we op, en welk platform helpt ons dat op een verantwoorde manier op te lossen?”

Wat we hebben geleerd uit de eerste hand: succesvolle adoptie gaat over meer dan het gereedschap. We hebben bedrijfsbrede AI-platforms geïmplementeerd, met aangepaste modellen afgestemd op hoe we daadwerkelijk werken. Elk personeelslid gebruikt het, maar dat kwam niet van het kiezen van het juiste product; het kwam van sterke gegevensfundamenten, governance en het opbouwen van AI in hoe het bedrijf draait.

Modelprestaties domineren vaak de gesprekken over werkplek-AI, maar organisaties moeten ook rekening houden met machtigingen, gegevenstoegang, auditability en aansprakelijkheid. Welke governance-controles moeten worden ingesteld voordat een AI-agent wordt toegestaan om te werken op e-mail, documenten, interne databases en bedrijfsapplicaties?

Een van de grootste fouten die organisaties maken, is het behandelen van AI-governance als een afterthought. Terwijl AI-systemen meer capabel en verbonden zijn met bedrijfsgegevens, moeten organisaties duidelijke principes vaststellen over hoe deze tools worden gebruikt voordat ze breed worden geïmplementeerd.

Dat begint met het begrijpen van welke informatie AI-systemen kunnen benaderen, ervoor te zorgen dat machtigingen correct zijn gespecificeerd en controles in te stellen rondom monitoring en aansprakelijkheid.

Organisaties moeten ook duidelijke richtlijnen hebben over waar AI onafhankelijk kan werken en waar menselijk toezicht vereist is.

Door de juiste fundamenten rondom gegevens en beveiliging van tevoren op te bouwen, kunnen bedrijven de waarde van AI ontsluiten terwijl ze de risico’s die komen met steeds autonoomere systemen, beheren.

Als AI-agents acties ondernemen in plaats van alleen antwoorden te geven, kunnen fouten operationele gevolgen hebben. Hoe moeten bedrijven AI-gegenereerd werk valideren, bepalen welke acties menselijke goedkeuring vereisen en verantwoordelijkheid toewijzen wanneer een agent een onnauwkeurig resultaat produceert of een onbedoelde actie onderneemt?

Wanneer AI van antwoorden naar acties gaat, verandert het risicoprofiel. Niet elke taak heeft hetzelfde belang, dus de lat voor menselijke goedkeuring moet schalen met wat er op het spel staat.

Simpele put, dit vereist duidelijke eigendom. AI moet besluitvorming ondersteunen, niet verantwoordelijkheid vervangen. Organisaties moeten definiëren wie AI-prestaties monitort, uitvoer valideert en uiteindelijk verantwoordelijk is voor resultaten. Het doel is om AI-gedreven efficiëntie te combineren met menselijk oordeel, waardoor systemen zowel schaalbaar als betrouwbaar zijn.

Veel organisaties experimenteren met AI zonder nog verbinding te maken met meetbare bedrijfsresultaten. Hoe moeten leiders waardevolle agente-gebruikscases identificeren, de return on investment meten en bepalen of een proef klaar is om over de hele organisatie te worden geschaald?

De kloof kan meestal worden herleid tot sequencing. Teams kiezen eerst een technologie en zoeken dan naar een plek om het te plaatsen, wanneer de duurzame overwinningen komen van het beginnen met een workflow die al pijnlijk en duur is en vragen of een agent echt het juiste gereedschap is.

De beste filter is variabiliteit. Als een proces voorspelbaar genoeg is voor een regelengine, hebt u geen agent nodig. Als het zo open-eindig is dat niemand een goed resultaat kan beschrijven, zal de agent worstelen en zult u het niet kunnen vertrouwen. De waarde zit ertussenin, in werk dat oordeel nodig heeft over meerdere systemen, maar nog steeds binnen begrensde, controleerbare regels.

Ik zou één filtervraag toevoegen die het risicoprofiel meer verandert dan alles anders. Is de kosten van een verkeerde actie begrensd en omkeerbaar? Waar het dat is, laat de agent handelen en ga snel. Waar een fout duur of moeilijk te herstellen is, houd een persoon in de beslissing.

Bij return, is de gebruikelijke fout het meten van de verkeerde dingen te laat. Uren bespaard is de standaardmeting, maar het onderschat de impact. De grotere rendementen verschijnen als cyclustijdcompressie, lagere fouttarieven en capaciteit die eerder was gerantsoeneerd en nu beschikbaar komt. Een ondersteuningsteam dat slechts de helft van de tickets kon bereiken, wordt een ander bedrijf als het alle tickets kan bereiken. Vang een schone baseline op voordat de proef begint, want zonder dat bent u vastgelopen in het argument over anekdotes. En wanneer u de kosten telt, telt u het volledige beeld. Integratiewerk en menselijke toezichtstijd zijn echte regelitems, en toezicht wordt chronisch onderschat.

De beslissing of het schalen is waar discipline het meest telt, en het is de stap die teams haasten. Een demo op schone inputs vertelt u weinig. Een proef is klaar wanneer het standhoudt op de lange staart van rommelige, echte inputs, wanneer de foutmodi zijn begrepen en begrensd, wanneer observatie op zijn plaats is zodat een stille fout wordt gevangen in plaats van ontdekt door een klant, en wanneer een genoemde persoon verantwoordelijk is in productie.

Voer een unit-economiecontrole uit ook, omdat agentkosten schalen met gebruik op een manier die softwarestoelen niet doen.

Agente-systemen falen op een andere manier dan traditionele software. Ze falen probabilistisch en vaak stil, dus de organisaties die voorop lopen, bouwen evaluatie en monitoring vanaf de eerste dag in plaats van het er later aan te koppelen.

Punchcard Systems helpt organisaties om van het experimenteren met AI te gaan naar het integreren ervan in echte bedrijfsprocessen. Hoe beoordeelt u de gereedheid van een organisatie voor AI, identificeert u de workflows waarin het meetbare waarde kan leveren, en helpt u teams bij het implementeren van deze systemen op een verantwoorde manier zonder bestaande operaties te verstoren?

Het is belangrijk om te beginnen met het begrijpen van de huidige staat van een organisatie. Een van de grootste misverstanden is dat AI-adoptie alleen maar gaat over het kiezen van het juiste gereedschap. In werkelijkheid hangt succesvolle implementatie af van het hebben van sterke fundamenten: kwaliteitsgegevens, duidelijke processen en gedefinieerde eigendom.

Van daaruit helpen we organisaties om te bepalen waar AI de meeste waarde kan creëren, vaak in workflows die onevenredig veel tijd in beslag nemen in verhouding tot hun impact, of in beslissingen die worden genomen zonder de juiste informatie op handen.

Organisaties moeten nadenken over hoe rollen en besluitvorming zullen evolueren naast de technologie. Door de juiste technologie te combineren met medewerkeradoptie en veranderingsbeheer, kunnen bedrijven AI integreren op een manier die meetbare waarde creëert zonder te breken wat al werkt.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen bezoeken Punchcard Systems.