Ashley Moser, medgründer og CCO i MelodyArc – Intervjuserie

Ashley Moser, medgründer og Chief Commercial Officer i MelodyArc, leder selskapets kommersielle strategi, og samarbeider med kunder for å omsette ambisiøse driftsmål til målbare resultater. Hun har en bakgrunn som spenner over drift, produktstrategi, logistikk, salg og finansielle tjenester, inkludert lederroller hos Wonder og Walmart’s Jetblack, hvor hun arbeidet med forsyningskjede, kontinuerlig forbedring, strategi og logistikk. Tidligere i karrieren var hun salgsdirektør i Stella Connect, som senere ble kjøpt opp av Medallia, arbeidet med den mobile detaljhandelsplattformen NewStore, og tilbrakte mer enn fire år i J.P. Morgan med institusjonell aksjesalg.

MelodyArc er en bedrifts‑AI‑orchestreringsplattform designet for å hjelpe driftsteam med å koordinere data, forretningsregler, AI‑systemer og menneskelige beslutninger innen ett styrt miljø. Plattformen er bygget rundt utførelse av komplekse driftsprosesser fra ende til ende, og gjør det mulig for team å definere arbeidsflyter, anvende forretningslogikk, distribuere AI‑operatører eller andre agenter, samt eskalere saker til personer når større skjønn er nødvendig. Dens Point Engine evaluerer mulige løsningsveier for hver sak mens den opererer innen organisasjonens regler og registrerer hvert trinn, noe som gir virksomheter bedre innsikt og kontroll over AI‑drevne arbeidsflyter innen områder som kundeservice, varehandel, nettsidemeldinger, forsyningskjede og sortiment.

Du har hatt en variert karriere som spenner over finans hos J.P. Morgan, enterprise‑SaaS hos Medallia, og operative roller i Walmart’s Jetblack. Hvilken spesifikk innsikt eller frustrasjon førte deg til å medgrunne MelodyArc, og hvordan har disse erfaringene formet selskapets kjernevisjon? 

Vi startet selskapet fordi min medgründer, James McHenry, og jeg begge hadde vært operatører og teknikere tidligere. Vi hadde sett på nært hold, og i mange tilfeller hjulpet med å bygge god teknologi for driftsteam. Men vi støtte stadig på det samme gapet: punktløsninger som enten adresserte en snever del av hva driften faktisk gjorde, eller som ikke samsvarte med hvordan arbeidet faktisk foregikk i praksis.

Med dette i bakhodet satte vi i gang med å bygge en plattform som kunne bringe ny teknologi til frontlinjedriftsteam på en måte de faktisk kunne bruke. I dag har dette materialisert seg som human‑in‑the‑loop‑orchestrering.

MelodyArc legger AI direkte i hendene på frontlinjeoperatører. Hvordan skiller denne tilnærmingen seg fra tradisjonelle top‑down‑implementeringer av enterprise‑AI, og hvorfor skjer dette skiftet nå? 

Med MelodyArc, når plattformen først er på plass, gir vi teamene muligheten til å sette i gang nye arbeidsflyter, idéer og menneske‑i‑sløyfen‑prosesser direkte, med minimal eller ingen påvirkning på den overordnede veikartet. Det betyr at teamene kan forbedre sine egne prosesser med AI uten å måtte gå opp og ned i kommandokjeden hver gang. Det er en grunnleggende annerledes måte å implementere denne teknologien på.

Dette er spesielt tydelig i våre største bedriftsimplementeringer. Hos én kunde startet vi med ett enkelt brukstilfelle i ett team. I dag er vi i drift med mer enn fem brukstilfeller på tvers av flere team.

Vi har også sett team bygge en AI‑assistert prosess på én dag, noe de tidligere hadde nedprioritert fordi det aldri nådde ROI‑kravet for det som ville ha vært en ingeniørintensiv utvikling.

Mange organisasjoner investerer tungt i AI, men sliter fortsatt med å operasjonalisere den. Hva er de mest vanlige gapene du ser mellom AI‑strategi og praktisk gjennomføring?

To store ting skiller seg ut. For det første, når selskaper ser på en prosess de vil anvende AI på, tar de ofte en alt‑eller‑intet‑tilnærming. De automatiserer enten alt i en fokusert prosess, eller berører den ikke i det hele tatt. Vi oppfordrer selskaper til i stedet å se på sammensetningen av en prosess og identifisere hvor automatisering passer, hvor AI passer, og hvor mennesker fortsatt må være involvert, ikke nødvendigvis i den rekkefølgen. Denne tilnærmingen åpner opp langt flere prosesser som kandidater for AI, og den frigjør også mer automatisering nedstrøms, fordi du har vært bevisst på hvor folk blir involvert.

For det andre, fra et strategisk perspektiv, har selskaper ofte hundrevis av kvalifiserte brukstilfeller å velge mellom. Nøkkelen er å evaluere dem basert på reell forretningspåvirkning, penger, timer og konkrete måleparametre, i stedet for å gå etter det mest flashy eller letteste. Å angripe de største, høyest‑påvirkende områdene først, selv om de er vanskeligere, er hvor selskaper får mest verdi. Dette viser også en positiv virvelvind av verdi som AI‑prosjekter kan skape i organisasjoner.

MelodyArc kombinerer AI med menneskelige arbeidsflyter i stedet for å erstatte dem. Hvordan bestemmer du den rette balansen mellom automatisering og menneskelig beslutningstaking i bedriftsmiljøer?

MelodyArc hjelper virksomheter med å nå sine automatiseringsmål ved å finne riktig balanse mellom KI og menneskelig beslutningstaking i sløyfen. Når MelodyArc starter implementeringsprosessen, kan organisasjonens endelige mål være at automatiseringen skal utføre 90 % av arbeidet, mens de resterende 10 % avhenger av teammedlemmers ekspertise. Men i stedet for kun å prioritere hastighet, utnytter MelodyArc menneskelig involvering i sløyfen fra starten av. For eksempel starter man med en 50‑50‑fordeling mellom automatisering og innspill fra teammedlemmer, og automatiserer deretter gradvis mer av prosessen. Denne tilnærmingen får arbeidsflyter på bedriftsnivå i produksjon raskere, fordi vi ikke prøver å perfeksjonere arbeidsflyten før vi integrerer KI.

En annen styrke ved denne tilnærmingen er at når vi går i produksjon, samler vi prosessdata som forteller oss nøyaktig hvilke deler av prosessen som bør automatiseres neste. Dette gjør at MelodyArc kan fortsette å øke automatiseringsgraden raskere og på en målrettet måte. I praksis betyr dette ofte at et selskap ser en kontinuerlig forbedring av automatiseringen uten å måtte forstyrre arbeidsflyten for feilrettinger eller justeringer.

Med din bakgrunn innen kundeservice og drift, hvordan tror du KI redefinerer hva «god service» ser ut som i et miljø hvor svar kan genereres umiddelbart?

Jeg tror «umiddelbart» vil bli en selvfølge og i hovedsak bli en varevare. God service har aldri handlet om å gi kunden et svar raskt, men om å gi dem det riktige svaret med minst mulig innsats. KI gir oss nye måter å redusere den innsatsen på, enten det er å utføre handlinger på vegne av kunden, foreslå neste steg, eller automatisk fylle inn felter – alt som gjør opplevelsen raskere og mer behagelig. Å generere et svar umiddelbart betyr ingenting hvis det ikke er relevant, og jeg vil hevde at kun å jage etter hastighet er hvordan selskaper ender opp med å optimalisere for feil mål.

Enterprise‑KI feiler ofte i den siste fasen, hvor adopsjon og brukervennlighet blir kritisk. Hvilke designprinsipper har vært avgjørende for å sikre at MelodyArc faktisk blir brukt av frontlinjeteamene?

Vi starter med forståelsen av at det finnes mye taus kunnskap hos våre team, og vi er veldig tydelige på hva vi kan og ikke kan automatisere. Å være ærlig om denne forskjellen gjør opplevelsen mye mer intuitiv. Det er ikke en svart boks hvor teamene er usikre på hva som skjer eller hvorfor.

Brukervennlighet handler om at teknologien fungerer sammen med frontlinjeteamene, i stedet for å bli noe de må tilpasse seg. Det henger sammen med hvorfor vi startet selskapet i utgangspunktet – for mange punktløsninger adresserte kun en smal del av driften, eller passet ikke med hvordan arbeidet faktisk foregikk i praksis. Vi oppdaget at dette er en stor årsak til at mange enterprise‑KI‑verktøy forblir ubrukt i måneder etter lansering.

Når KI‑agenter blir mer autonome, hvilke styrings‑ og kontrollutfordringer bør virksomheter forberede seg på før de skalerer disse systemene?

Observabilitet i enhver bedriftskontekst er essensiell, spesielt evnen til å se hvilke beslutninger som ble tatt og hvorfor. For prosesser som bedrifter kunne automatisere, men som de ikke føler seg komfortable med å automatisere fullt ut, anbefaler jeg å beholde et menneske i sløyfen. Det er kritisk både for å opprettholde tilsyn og for å teste nye systemer for best mulig forståelse av hvordan de fungerer og hvilke virkninger de har, både positive og negative.

Fra et kommersielt perspektiv, hvordan har salget av KI til bedrifter utviklet seg de siste årene etter hvert som kjøpere blir mer informerte, men også mer forsiktige?

Alle har blitt mye smartere, både kjøpere og leverandører. Vi er omtrent fire år inn i det som egentlig er en flerårig syklus, så vi lærer fortsatt. Etter hvert som KI blir mer kapabel og mer tilgjengelig, itererer vi raskt på hva vi kan tilby klienter samtidig som de lærer hva de kan oppnå i sine egne organisasjoner, noe som er genuint spennende fordi det er mye verdibytte.

Organisasjoner fokuserer mer enn noen gang på informasjonssikkerhet, på å bevare det som gjør dem unike, og på den faktiske effektiviteten KI leverer. De nærmer seg prosjekter mer rasjonelt, villige til å gå inn i adopsjon gradvis i stedet for å satse alt på en gang. Bygge‑eller‑kjøpe‑vurderingen er fortsatt en levende beregning internt, og i økende grad ser vi hybride tilnærminger som bygge og kjøpe, eller «bygge via kjøp», i stedet for kun den ene eller den andre.

Du har jobbet både i høy‑vekst startups og i store organisasjoner som Walmart. Hvordan skiller det seg å bygge KI for bedriftsdrift avhengig av selskapets størrelse og organisatoriske kompleksitet?

Det er egentlig to dimensjoner her: organisasjonens omfang, og den historiske dybden i deres teknologiske stack og prosesser.

I høy‑vekst startups har du ikke så mange folk eller så mye organisatorisk kompleksitet, og du jobber ikke rundt systemer bygget for 20 år siden eller team som har gjort det samme i et tiår. Jo større og mer etablert organisasjonen er, desto mer må du revurdere måter å gjøre ting på fra bunnen av. Det betyr å bestemme hvordan du vil operere i fremtiden, og så gradvis bevege deg dit på en måte som passer organisasjonen. Noen ganger innebærer det også å kjøre uavhengige eksperimenter i utkanten, noe som er noe adskilt fra eller parallelt med eksisterende prosesser.

Når vi ser fremover, hvordan ser du på rollen til frontlinjearbeidere når AI blir integrert i hverdagslige arbeidsflyter? Beveger vi oss mot forsterkning, orkestrering eller noe helt nytt? 

For hverdagslige arbeidsflyter er et orkestreringslag kritisk. Å få alle dine medarbeidere og teknologi til å samarbeide sømløst er retningen vi går mot. Men implementering av denne typen teknologi kan være kompleks, da det ikke er et enkelt silo hvor organisasjoner kan automatisere ett trinn og deretter overlate det til en medarbeider. Det er en kombinasjon av AI, automatisering og en medarbeider som jobber i tandem.

Det er mange muligheter for frontlinjeteam å implementere arbeidsflyter. Hver gang vi snakker med kunder, er det dusinvis, om ikke hundrevis, av prosjekter de gjerne vil takle, men som de ikke kan, enten det skyldes budsjett, teknologisk veikart, teamstørrelse eller ROI som holder dem tilbake. Det er nettopp her AI og orkestrering kommer inn; de hjelper teamene med å gjøre mye mer med det de allerede har, samtidig som de senker kostnadene ved oppstart. Dette fører til slutt til en positiv avkastning på investeringen for fremtidige prosjekter.

Takk for det gode intervjuet, lesere som ønsker å lære mer bør besøke MelodyArc.