Adam Field, Chief AI Officer at Tungsten Automation – Intervju-serie

Adam Field, Chief AI Officer at Tungsten Automation, er en erfaren leder innen bedriftsteknologi med dypt kjennskap til kunstig intelligens, intelligent automatisering og produktstrategi. I sin nåværende rolle leder han selskapets globale AI-omforming, inkludert integrering av AI i Tungstens produktportefølje, veiledning av Tungsten AI Lab og etablering av styringsrammer for ansvarlig AI-tilpasning. Før han ble Chief AI Officer, var han Chief Product Officer, med ansvar for en portefølje som genererte over 550 millioner dollar i årlig omsetning. Før han kom til Tungsten, tilbrakte Field nesten 17 år i Pegasystems, hvor han ledet innovasjon og kundeerfaring-initiativer, hjalp til å forme fremvoksende teknologistrategi og ble kjent for å levere store skalamodeller og bedriftsinnovasjonsprogrammer. Tidligere i sin karriere hadde han tekniske og konsulentroller i Staples, Publicis Sapient og Fidelity Investments.

Tungsten Automation, tidligere kjent som Kofax, er et bedriftsprogramvareselskap som fokuserer på AI-drevet arbeidsflytautomatisering, intelligent dokumentbehandling, robotisk prosessautomatisering (RPA) og forretningsprosess-orkesering. Selskapet tilbyr automatiseringsverktøy som brukes av organisasjoner over hele verden, inkludert finansielle, helse-, forsikrings- og regjeringstjenester, for å strømlinje dokumentbaserte operasjoner og forbedre effektiviteten. Plattformen kombinerer AI, lavkode-automatisering og dokumentintelligens-teknologier for å hjelpe bedrifter med å automatisere repetitive oppgaver, trekke ut innsikt fra ustrukturert data og modernisere forretningsflyter i stor skala.

Du har tilbrakt mange år med å lede produktstrategi og innovasjon, inkludert å bygge ut innovasjonslab og skalamodellere en produktportefølje på over 500 millioner dollar, før du gikk over til rollen som Chief AI Officer i Tungsten Automation. Hva overbeviste deg om at nå var rett tidspunktet til å gå fullt ut i AI-ledelse, og hvordan har din tidligere erfaring påvirket denne beslutningen?

Jeg har brukt en stor del av min karriere på å omdanne nye teknologier til noe som faktisk fungerer i stor skala i bedriftsmiljøer. De siste årene har det blitt klart at AI ikke bare er en annen funksjon som kan integreres i produkter. Det forandrer hvordan programvare bygges og hvordan beslutninger tas over hele bedriften, og det overskygger og forstyrer alt som kom før. Denne overgangen fra eksperimentering til faktiske forventninger til resultater, kombinert med den stadig mer uimotståelige faktum at AI er her for å bli, gjorde det rett tidspunktet til å gå fullt ut i en AI-lederrolle.

Det ble også tydelig at AI ikke var det universelle middel som mange markedsførte det som. AI-suksess krever mennesker som kombinerer teknisk ekspertise og bransje-kunnskap. Tungsten ønsker å hjelpe selskaper med å gjøre AI på riktig måte og oppnå faktiske resultater, og det er derfor Tungsten etablerte AI-kontoret og min rolle innen det.

Tungsten har utviklet seg fra tidlig dokumentfangst og OCR til en fullstendig intelligent automatiseringsplattform som driver kritiske arbeidsflyter for tusenvis av organisasjoner. Hvordan ser du på at denne arven påvirker din tilnærming til agens AI i dag?

Tungstens historie er dypt knyttet til hvordan bedrifter faktisk opererer. Vi har brukt tiår på å arbeide med dokumenter og arbeidsflyter som sitter i hjertet av kritiske forretningsprosesser. Det betyr at vi forstår hvor komplekse og ofte ustrukturerte denne informasjonen kan være.

Dette grunnlaget er svært relevant for agens AI. Disse systemene må fungere i virkelige miljøer, ikke bare tolke informasjon i isolasjon. Vår bakgrunn i dokumentintelligens lar oss fokusere på kontekst og på å sikre at AI handler på en måte som er konsistent med hvordan bedriften drives. Det handler om å bygge systemer som kan være tillitsfull i produksjon, ikke bare utforskes i teori.

Dette er hvorfor denne siste AI-utviklingen er så spennende. Den tar intelligent dokumentbehandling til steder vi aldri kunne ta det før — løser problemer som var for dyre eller umulige å løse tidligere.

Du har betonet å integrere AI over hele produktporteføljen, i stedet for å behandle det som en enkelt funksjon. Hva betyr “AI-nativ” omforming faktisk i en stor, etablert programvareplattform?

Det ble klart tidlig at generativ- og agens AI-drevne funksjoner raskt ble en forventet funksjon, noe som betyr at kunder ikke alltid var villige til å betale ekstra for dem. Vi innsett også at disse teknologiene tillot oss å modernisere hva Tungsten har gjort i årevis: hjelpe selskaper med å forstå sin dokumentdata.

Vi endret ikke vårt merke-løfte. Vi skapte ikke enkelt-produkter eller påbyggingsfunksjoner. Vi omstrukturerte hvordan produktet brukes, og når denne grunnstrukturen er på plass, kan AI fungere på en måte som føles naturlig innenfor produktet, i stedet for å være adskilt fra det. Og bruksområdene våre kunder begynte å adresse flyttet fra strukturerte dokumenter til ustrukturerte informasjonskilder. Og vi omdefinerte “dokument” underveis. Ikke lenger er et dokument et bilde av papir eller en digital fil. Ustrukturert data bor i ting som skade-justeringsnotater, kontaktsentersamtale-transkripter, sosiale medie-innlegg, web-artikler og mye mer.

Å ta denne tilnærmingen lar våre kunder utvide grunnlaget og åpne modeller med deres egen proprietære data, som er den virkelige differensieren.

Som selskapets første Chief AI Officer, hvordan balanserer du innovasjonshastighet med behovet for styring, sikkerhet og ansvarlig AI-utplassering i stor skala?

Det er alltid et press for å flytte raskt med AI, men i bedriftsmiljøer teller tillit like mye som hastighet. Styring og sikkerhet kan ikke behandles som en ettertanke. De må bygges inn i systemet fra starten.

Måten vi gjør dette på er ved å sette forventninger opp front. For eksempel, er halvparten av min rolle fokusert på intern AI-strategi, evangelisering og styring. Vi samlet en tverrfaglig rådgivende komité tidlig. Vi oppmuntret deling, eksperimentering og kommunikasjon. Det var ganger da teknologien var klar til å rulle ut til alle ansatte koblet til flere interne systemer. Prototypene var kraftfulle og fikk alle opphisset, men vi lot vår rådgivende komité vite når vi løp inn i potensielle sikkerhets- eller regulatoriske hindre. De apprecierer innsiktene og deltar ofte i løsningen.

Jeg tror det også er viktig å ikke la perfeksjon komme i veien for fremgang. Vi setter forventninger med våre ansatte om at de skal forvente endringer, og mye av det. De skal forvente at vi skal rulle ut verktøy og funksjoner når de er klare, få tilbakemeldinger, endre kurs hvis nødvendig, og så rulle ut mer.

Agens AI er raskt på vei til å bli en stor fokus over hele industrien. I din mening, hva skiller ekte bedriftsgraderte agens-systemer fra eksperimentelle eller overhypede implementeringer?

Nøkkelforskjellen er hvordan systemene fungerer i virkelige forhold. Mange eksperimentelle tilnærminger fungerer bra i kontrollerte miljøer, men sliter når de møter ustrukturert data eller komplekse arbeidsflyter. Bedriftsgraderte systemer må kunne håndtere denne variasjonen og fortsatt levere konsistente resultater.

De fleste systemer de siste 30 årene er bygget for menneskelig interaksjon eller via kontrollert API-tilgang. System-integrasjon må omtenkes i agens-æraen. Alt fra hvordan håndtere unntak, feil og revisjon er forskjellig når agenter interagerer i stedet for et menneske gjennom en tradisjonell brukergrensesnitt.

En annen viktig faktor er ansvar. Organisasjoner må forstå hvordan beslutninger tas og kunne stole på resultatene. Denne nivået av transparens er det som lar agens-systemer flytte fra interessante demonstrasjoner til faktisk operasjonell bruk.

Du leder Tungsten AI Lab som et senter for forskning og anvendt innovasjon. Hvordan sikrer du at eksperimentell AI-arbeid oversettes til målbare forretningsresultater for kunder?

Jeg tok faktisk en motsatt tilnærming med Tungsten AI Lab. Jeg lot teamet vite tidlig at det var greit å eksperimentere, å lære og å prøve nye tilnærminger, selv om resultater aldri kom inn i våre produkter. Ofte er det bedre å lære hva ikke å gjøre. Jeg tror at dette har gitt dem friheten til å tenke fritt og eksperimentere nye måter å gjøre ting på.

Som et eksempel, mens jeg ikke kan avsløre den eksakte funksjonen, er en av våre nåværende forskningssprint en helt ny tilnærming til en eksisterende produktkomponent. Forskerne fant nye metoder for å løse et problem, noe som ledet til et “lysbølge”-øyeblikk som vi kanskje kan tilby en fullstendig ny tilleggs-løsning til våre kunder. Hvis vi bare forsket på hvordan å implementere hva som allerede var i veikartet, ville vi aldri kommet hit.

Det er sagt, det er ikke en fritt-for-all. Vi er omhyggelige med hvor vi bruker tid og hvor mye av det vi bruker på hvert forskningsprosjekt.

Mange organisasjoner sliter fortsatt med å flytte fra AI-piloter til produksjon. Hva er de største hindrene du ser, og hvordan kan selskaper overvinne dem?

En av de største hindrene er mørk data. De fleste organisasjoner har tilgang til enorme mengder informasjon, men en stor del av det bor i dokumenter, e-poster, PDF-er og andre ustrukturerte formater som er vanskelige for AI-systemer å tolke. Det betyr at selv godt designede modeller ofte arbeider med en ufullstendig og inkonsistent visning av bedriften, noe som fører til ugyldige utdata og stansede initiativer.

For å flytte beyond det, må selskaper fokusere på å omdanne mørk data til noe som kan brukes. Det involverer ikke bare å trekke ut informasjon, men å skape struktur, kontekst og styring rundt det, så AI-systemer faktisk kan handle på det med tillit. Når denne grunnstrukturen er på plass, blir AI mye mer pålitelig og lettere å skala fra isolerte piloter til faktiske produksjonsmiljøer.

Tungsten arbeider over hele dokumentbaserte og arbeidsflyt-intensive industrier. Hvordan endrer AI måten bedrifter tenker om ustrukturert data og beslutningstaking?

AI endrer måten organisasjoner tenker om verdien av informasjonen de allerede har. I årevis har store mengder bedriftskunnskap sittet inne i dokumenter, e-poster, PDF-er og andre ustrukturerte innhold som var vanskelige å aksessere eller operasjonalisere. Nå innser organisasjoner at denne dataen inneholder konteksten og forretningslogikken AI-systemer trenger for å produsere pålitelige resultater. Modellene selv er kommoditiserte, organisasjoners egen informasjon kombinert med disse modellene er differensieren.

Samtidig er det en økende bevissthet rundt datasuverenitet, styring og hvor bedriftsinformasjon flyter. Mange selskaper kappler for å trekke inn mer ekstern data eller eksperimentere med bred modell-tilgang, når i virkeligheten de allerede sitter på massive mengder ubehandlet intelligens innenfor sin egen organisasjon. Fokuset begynner å skifte mot å aktivere denne interne ustrukturerte dataen på en sikker og styrt måte, så AI kan støtte bedre beslutninger uten å skape unødvendig risiko.

Du har bygget kunde-rådgivende styrer og arbeidet tett med bedriftskunder gjennom hele din karriere. Hvor viktig er kunde-tilbakemelding i å forme AI-strategi, spesielt når teknologien utvikler seg så raskt?

Kunde-tilbakemelding er en gave, spesielt i et område som beveger seg så raskt som AI. Det hjelper med å sikre at strategien forblir grunnfestet i virkelige forretningsbehov, i stedet for teoretiske muligheter.

Det hjelper også med prioritering. Det er mange retninger AI kan gå, men kunde-innsikt gir klart svar på hvor den største verdien kan skapes. Det holder fokus på resultater som teller og sikrer at innovasjon forblir tilpasset hvordan organisasjoner faktisk opererer.

Jeg husker i de tidlige dagene av generativ AI, en kunde på vår rådgivende komité fortalte meg at mens hun elsket produktretningen, ville hun aldri betale ekstra for en ny LLM-drevet funksjon i vårt veikart. Det var øyneåpnende fordi hun var i linje med resten av industrien.

Ser du for deg de største mulighetene for AI-drevet automatisering de neste 3 til 5 årene, og hva bør bedrifter forberede seg på nå?

Den største muligheten ligger i å koble AI dyptere inn i sluttpunkt-arbeidsflyter. I stedet for å fokusere på isolerte oppgaver, vil organisasjoner se på hvordan AI kan støtte hele prosesser og forbedre hvordan arbeid flyter over hele bedriften. Nå er mange agens-systemer rettet mot diskrete oppgaver, men bedrifter opererer på kompatible sluttpunkt-prosesser.

For å forberede seg på denne skiftningen, må bedrifter investere i sine data-grunnlag og i systemer som støtter transparens og kontroll. Og de bør tenke på “bygg vs. samarbeid” i stedet for “bygg vs. kjøp”. Vi har sett AI-DIY fra scratch feile for ofte. De organisasjonene som får mest ut av det, vil være de som finner riktige AI-drevne partnere for å akselerere sine løsninger, i stedet for å prøve å bygge alt fra scratch.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Tungsten Automation.