Andrej Jonovic, administrerende direktør i XBP Global – intervjuserie

Andrej Jonovic er administrerende direktør i XBP Global, et multinasjonalt teknologi- og tjenesteselskap som spesialiserer seg på virksomhetskritiske arbeidsflyter. XBP Global tar i bruk agentisk KI i regulerte sektorer som helsevesenet, offentlig sektor og finansielle tjenester, der presisjon, sikkerhet, datasuverenitet og etterprøvbarhet er avgjørende. I dette intervjuet snakker Jonovic om adaptiv prosessorchestrering, modeller med åpne vekter, intelligent dokumentbehandling, menneskelig vurdering og hva som skal til for å gjøre KI om fra en teknisk kapasitet til målbare driftsresultater.

Du begynte karrieren som transaksjonsadvokat før du gikk over til fusjoner og oppkjøp, virksomhetstransformasjon og til slutt ledelsen av XBP Global. Hvordan har denne bakgrunnen påvirket måten du vurderer styring, kommersiell risiko og organisatoriske konsekvenser ved å ta i bruk kunstig intelligens i virksomhetskritiske arbeidsflyter?

Jeg ser gjerne på KI ut fra driftsmodellen først. Når man har bakgrunn fra transaksjoner og transformasjon, blir man vant til å spørre om strukturen faktisk holder når man går videre fra presentasjonen og begynner å gjennomføre.

Dette blir svært viktig med KI, fordi en modell kan prestere ekstremt godt isolert sett og likevel føre til et dårlig driftsresultat. I helsevesenet, offentlig sektor og bankvirksomhet er presis behandling, etterlevelse av regelverk og etterprøvbarhet ufravikelige krav. Man må forstå hvor dataene befinner seg, hva systemet har lov til å gjøre, hvordan beslutninger kontrolleres, og hvordan kostnadsbildet ser ut når arbeidsflyten kjøres i stor skala.

Styringen må bygges inn i arkitekturen. Jeg vil vite hvor modellen kjøres, hvilken informasjon som krysser virksomhetens grenser, hva som registreres i revisjonssporet, og hva som skjer når arbeidsflyten når en beslutning som krever et annet kontrollnivå.

Det er nok her bakgrunnen min har størst betydning. Jeg er generelt mindre opptatt av hva teknologien kan gjøre i en kontrollert demonstrasjon. Jeg vil vite om den kan tas i bruk i en virksomhetskritisk prosess og om man kan stole på den.

XBP Global beskriver agentisk KI som en videreutvikling av tradisjonell regelbasert automatisering og robotisert prosessautomatisering. Hva endres teknisk når en arbeidsflyt går fra å følge forhåndsdefinerte instrukser til å bruke KI-agenter som kan trekke slutninger, ta beslutninger og koordinere flere oppgaver?

Arkitekturen blir langt mer tilpasningsdyktig.

Tradisjonell automatisering av arbeidsflyter er deterministisk. Man har regler, vet hva som skjer i neste trinn og bygger inn mer logikk etter hvert som prosessen blir mer kompleks. Det fungerer svært godt for forutsigbare oppgaver. Utfordringene oppstår når antallet regler blir enormt, eller når prosessen endres raskere enn systemet kan bygges om.

Det vi gjør nå, er adaptiv prosessorchestrering. Man kan beholde deterministiske regelmotorer der presisjon og etterlevelse av regelverk krever det, og så innføre intelligente modeller i de delene av arbeidsflyten der slutninger gir merverdi. Agenter kan koordinere oppgaver, hente informasjon og velge neste handling uten at noen må hardkode alle mulige veier gjennom prosessen.

En annen endring er at den underliggende modellen blir enklere å bytte ut. Vi ser at modeller med åpne vekter på bedriftsnivå forbedres svært raskt. Hvis dataløpet er riktig utformet, kan man integrere en bedre modell etter hvert som økosystemet utvikler seg, uten å bygge hele driftsprosessen rundt den på nytt.

Jeg tror derfor at den viktigste tekniske ressursen i stadig større grad blir selve arbeidsflyten: orchestreringen, domenekunnskapen, kontrollene og dataene rundt modellen.

Mange selskaper eksperimenterer med KI, men sliter med å gå fra pilotprosjekter til produksjon. Hvilke arkitektoniske eller organisatoriske hindringer er det vanligst at står i veien for at virksomheter tar i bruk agentiske arbeidsflyter i stor skala? 

Kundene er på vei forbi eksperimenteringsfasen. De har sett demonstrasjonene og hørt svært offensive løfter om avkastning på investeringen. Før eller siden må noen ta teknologien i bruk i en reell prosess og få den til å fungere.

Det er da arkitekturen blir krevende. En produksjonsarbeidsflyt må kobles til miljøet selskapet allerede har. Sensitive opplysninger må kanskje forbli i en privat sky eller lokalt. Man må fortsatt ha tilgang til eksisterende systemer. Regelverkskrav må oppfylles. Økonomien må også holde når løsningen brukes i stor skala i virksomheten.

Vi vant nylig et oppdrag knyttet til vedlikeholdsløpet for en global flyflåte. Hver vedlikeholdspost skal vektoriseres og lagres i en privat vektordatabase i kundens private sky. Den agentiske infrastrukturen styrer tilgangen til denne informasjonen og gjør det mulig å gjenskape dokumentasjonen når fly tas ut av leasing eller selges.

Dette er et helt annet problem enn å bevise at en modell kan svare på et spørsmål om et flyregister. Man håndterer et helt driftsmiljø, med datakontroller og en prosess som må fungere gang på gang.

Organisatorisk handler gapet som regel om eierskap. Noen må forstå prosessen godt nok til å definere hva det faktisk vil si å sette noe i produksjon. Uten denne operative disiplinen kan piloten fortsette å virke imponerende i svært lang tid uten å bli nyttig.

XBP Global kombinerer automatisering med menneskelig tilsyn, særlig når beslutninger kan få store konsekvenser. Hvordan avgjør dere hvilke beslutninger et KI-system kan utføre selvstendig, og når menneskelig skjønn fortsatt må være en del av prosessen? 

Vi utformer menneskets rolle rundt vurderingen av sakene.

I en arbeidsflyt der beslutninger kan få store konsekvenser, er det vanligvis mye arbeid som kan gå gjennom prosessen med høy grad av sikkerhet. Så har man grensetilfellene, der informasjonen er ufullstendig, omstendighetene er uvanlige eller konsekvensene av et feil svar er for store.

Når prosessen kommer til et slikt tilfelle, sendes saken videre til en fagekspert. Eksperten løser den, og vurderingen kan deretter føres tilbake til systemet, slik at modellen fortsetter å bli bedre.

Jeg mener denne tilbakekoblingssløyfen er viktig. Menneskelig tilsyn gir større verdi når det bidrar til å forbedre arbeidsflyten over tid. Eksperten tilfører fagkunnskap i de sakene der modellen fortsatt trenger den.

Hvor høy grad av selvstendighet som er forsvarlig, avhenger også i stor grad av omgivelsene. Behandling av helsesaker, offentlige registre og regulerte finansielle prosesser stiller andre krav enn en intern oppgave med små konsekvenser. Det akseptable sikkerhetsnivået må gjenspeile hva beslutningen faktisk fører til når systemet handler på grunnlag av den.

Kundene deres opererer i regulerte bransjer og offentlig sektor, der datasuverenitet, sikkerhet og muligheten for revisjon er avgjørende. Hvordan kan organisasjoner ta i bruk store språkmodeller i beskyttede miljøer uten å svekke egenskapene som gjør disse systemene nyttige? 

Modeller med åpne vekter endrer svaret på dette spørsmålet ganske betydelig.

I lang tid var det en utbredt oppfatning at man måtte sende informasjon til en annens miljø for å få best mulig modellresultater. Det skaper et åpenbart problem når dataene må forbli innenfor virksomhetens egne grenser.

Nå kan vi ta modeller med åpne vekter som holder bedriftsstandard, og integrere dem i operative, agentbaserte arbeidsflyter samtidig som dataene forblir i kundens miljø. Avhengig av kravene kan det bety privat sky eller lokal infrastruktur. Man får fortsatt nytte av fremskrittene i det bredere modelløkosystemet, samtidig som man opprettholder kontrollen virksomheten trenger over datasuvereniteten.

Arkitekturen må også kunne endres. Det er ingen grunn til å anta at dagens modell fortsatt vil være den beste modellen for en bestemt oppgave. Treningsprotokollene våre er utformet slik at vi raskt kan integrere nye modeller i en eksisterende arbeidsflyt.

For kunder i regulerte bransjer er denne fleksibiliteten svært verdifull, fordi arbeidsflyten kan fortsette å bli bedre samtidig som dataene forblir innenfor de samme grensene. Slik kan man også begynne å innfri krav som dem i EUs KI-forordning, uten å behandle etterlevelse som noe man legger til etter at teknologien allerede er tatt i bruk.

En betydelig mengde informasjon i virksomheter er fortsatt fanget i dokumenter, bilder, eldre systemer og fysiske arkiver. Hvordan utvikler intelligent dokumentbehandling seg, og hvilken rolle spiller den når fragmenterte data skal omdannes til informasjon KI-agenter kan bruke på en pålitelig måte?

Jeg mener intelligent dokumentbehandling er i ferd med å bli en del av infrastrukturen for agentbaserte arbeidsflyter.

Historisk sett var mye dokumentbehandling malbasert. Man visste hvordan dokumentet så ut, hvilket felt man var ute etter, og systemet hentet ut informasjonen. Informasjonen i virksomheter er sjelden så ryddig. Bare i helsesektoren kan det dreie seg om EOB-er, komplisert korrespondanse, skadeopplysninger og dokumenter som kommer i ulike formater.

Den nyere tilnærmingen tar langt større hensyn til konteksten. Man kan hente inn ustrukturert informasjon, forstå hva som er relevant og omdanne den til strukturerte resultater som etterfølgende systemer faktisk kan bruke. Dette er viktig fordi en agent ikke kan koordinere arbeidet på en pålitelig måte hvis informasjonen den bygger på, er ufullstendig eller feiltolket.

Skalaen endrer også utfordringen. Vi drifter miljøer som behandler enorme mengder bilder, skadesaker, betalingstransaksjoner og andre dokumenter. I en slik skala blir selv en liten forskjell i uttrekkskvalitet en svært stor driftsmessig utfordring.

Derfor utgjør intelligent dokumentbehandling (IDP) i stadig større grad inngangen til den intelligente arbeidsflyten. Den omdanner fragmentert informasjon til brukbare data, gir neste del av prosessen et pålitelig grunnlag å handle på og legger grunnlaget for mer automatisering lenger ned i prosessen.

XBP Global har snakket om å flytte eldre, regelbaserte prosesser over i agentbaserte KI-arbeidsflyter og oppnå en høyere andel saker løst ved første gjennomgang. Hva må et KI-system forstå om en organisasjons prosesser, unntak og institusjonelle kunnskap før det kan levere pålitelige resultater?

Mye av den institusjonelle kunnskapen ble aldri nedfelt i et tydelig prosessdokument.

Den er forankret i gamle systemer, regelsett og vurderingsevnen til mennesker som har arbeidet med prosessen i årevis. De vet hvilken informasjon som er viktig, hvilken regel som gjelder under bestemte omstendigheter, og hva som skjer senere i prosessen hvis feil beslutning blir tatt.

Når dere flytter dette arbeidet, må dere ta vare på denne operative kunnskapen. I vår verden betyr det ofte å kombinere deterministisk logikk med KI, i stedet for å anta at alle regler bør fjernes umiddelbart. I deler av en regulert arbeidsflyt er en regelmotor svært nyttig fordi kravene er presise. I andre deler kan en intelligent modell håndtere variasjon langt mer effektivt.

Fagkunnskap på området viser hvor hver av dem hører hjemme.

Det er også derfor løsning ved første forsøk ikke kan vurderes ut fra modellens poengsum alene. Arbeidsflyten må gi et resultat som holder mål i neste trinn av prosessen. Hvis den fører til en ny eskalering et annet sted senere i prosessen, har dere flyttet problemet i stedet for å løse det.

Systemet må forstå prosessen godt nok til å vite hvordan en vellykket transaksjon ser ut fra start til slutt.

XBP Global bruker automatisering ikke bare i kundeoperasjonene, men også i sin egen overgang til en KI-først-modell for driften. Hva har dere lært av å bruke selskapet som intern testarena, og hvordan balanserer dere produktivitetsforbedringer med kompetanseutvikling blant ansatte og endringsledelse?

Vi har gått ganske offensivt til verks med å ta dette i bruk internt, fordi jeg tror man lærer svært raskt når resultatet får direkte økonomiske konsekvenser for en selv.

Det forventes nå at KI-først-arbeidet vårt med automatisering skal gi operasjonelle effektivitetsgevinster på 65–75 millioner dollar på årsbasis, med en forventet gevinst på omtrent 35 millioner dollar i løpet av 2026. Omsetningen per ansatt nådde rundt 89 000 dollar i andre kvartal, opp fra omtrent 82 000 dollar kvartalet før, og vi forventer at den nærmer seg 100 000 dollar innen utgangen av året.

Dette er nyttige måltall fordi de viser oss om driftsmodellen faktisk blir mer produktiv.

Konsekvensene for arbeidsstyrken er reelle. Vi anslår en reduksjon i den globale bemanningen på omtrent 20 % innen utgangen av 2026, etter hvert som vi går over til en driftsmodell med høyere produktivitet. Endringsledelsen må ta høyde for at produktivitetsendringer påvirker bemanningsbehovet.

Samtidig må de som fortsetter å arbeide med disse arbeidsflytene, bli mer kompetente. Vi trenger fageksperter, arkitekter og operatører som kan strukturere arbeidet, evaluere resultater og ta ansvar for beslutninger med større verdi.

Å gjennomføre denne omstillingen i vårt eget selskap har gjort diskusjonen langt mer praktisk. Man ser raskt hvilken automatisering som gir varige effektivitetsgevinster, og hvilken aktivitet som bare innebærer at noen bruker KI oftere.

KI-prosjekter i næringslivet markedsføres ofte gjennom demonstrasjoner snarere enn målbare forretningsresultater. Hvilke måltall bør ledere bruke for å evaluere en intelligent arbeidsflyt, og hvordan bør de ta hensyn til nøyaktighet, andelen saker som løses ved første forsøk, behandlingstid, driftskostnader og risikoreduksjon?

Jeg ville målt arbeidsflyten på to nivåer.

På driftsnivå vil jeg vite hvor nøyaktig den er, hvor stor andel som løses ved første forsøk, behandlingstiden, antallet unntak og kostnaden ved å behandle arbeidet. I et regulert miljø er jeg også opptatt av om transaksjonen kan revideres, og om kontrollene fungerer pålitelig også ved store volumer.

Deretter vil jeg se om disse forbedringene får utslag i virksomhetens økonomiske resultater.

Hos XBP nådde vår justerte bruttomargin 24,9 % i andre kvartal, det høyeste nivået hittil, samtidig som omsetningen per ansatt økte til omtrent 89 000 dollar. Målet for årlige operasjonelle effektivitetsgevinster ble også hevet til 65–75 millioner dollar da vi identifiserte flere muligheter for automatisering.

Disse måltallene forteller noe annet enn en referansepoengsum. De viser om teknologien endrer kostnadsstrukturen i driften.

En arbeidsflyt kan ha svært høy modellnøyaktighet og likevel være en dårlig utrulling hvis den er for dyr å drifte eller fører til for mye manuelt etterarbeid. Jeg mener ledere må følge resultatet hele veien. Teknologien må gi en driftsmessig gevinst som faktisk kan måles.

Ser du framover, forventer du at agentisk KI fortsatt vil være et lag som legges til eksisterende systemer i virksomheter, eller vil det bli det primære orkestreringslaget som mennesker, programvare, data og forretningsprosesser samhandler gjennom?

Jeg tror en større del av arbeidsflyten vil bli agentisk.

Virksomheten vil fortsatt ha systemer, datalagre og applikasjoner som utfører bestemte funksjoner. Det som endrer seg, er hvordan arbeidet beveger seg mellom dem. En agentisk arbeidsflyt kan hente informasjon, koordinere verktøy, utløse handlinger og avgjøre når en transaksjon krever en annen type inngrep.

Det ser vi allerede i eksemplet med flyselskapet. Vedlikeholdsregistrene ligger i en privat vektordatabase i kundens miljø, mens det agentiske laget styrer hvordan informasjonen åpnes og brukes gjennom hele vedlikeholdsløpet.

Jeg forventer at denne typen orkestrering blir langt vanligere.

De underliggende modellene vil fortsette å endre seg. Modeller med åpne vekter blir raskt bedre, og det vil komme en ny generasjon etter modellene vi bruker i dag. Derfor blir orkestreringslaget stadig viktigere, fordi virksomheter trenger noe robust rundt disse modellene.

Hvis du bygger datapipelinen rundt prosessen, domenekunnskapen, sikkerhetskravene og virksomhetskontrollene, kan du fortsette å dra nytte av bedre modeller etter hvert som de kommer. Jeg tror det er her mye av den langsiktige verdien vil ligge.

Takk for et flott intervju. Lesere som ønsker å lære mer, kan besøke XBP Global.