Chris Perry, grunnlegger og administrerende direktør i Andus Labs – intervjuserie

Chris Perry, grunnlegger og administrerende direktør i Andus Labs, er en leder innen kommunikasjon, digital strategi og innovasjon med nesten tre tiår med erfaring i å hjelpe organisasjoner med å navigere store endringer i teknologi og virksomhet. Før han grunnla Andus Labs i 2025, tilbrakte Perry mer enn 22 år i Weber Shandwick, hvor han hadde en rekke seniorlederroller, inkludert styreleder for Futures, innovasjonsdirektør, president for digital kommunikasjon, EVP for digital strategi og drift, samt SVP. Tidligere i karrieren arbeidet han med teknologikommunikasjon i General Motors og var visepresident i Edelman. Karrieren hans har fokusert på digital transformasjon, fremvoksende teknologier, organisatorisk endring og det utviklende forholdet mellom teknologi og menneskene som er ansvarlige for å sette den i arbeid.

Andus Labs hjelper virksomheter med å omsette AI‑kapasiteter til praktiske organisatoriske resultater ved å fokusere på de menneskelige systemene rundt teknologien. Selskapet beskriver sin misjon som å bygge «Human OS for AI» – et operativt lag designet for å orkestrere arbeid mellom mennesker og AI‑agenter – basert på premisset om at AI‑investeringer ofte faller kort når organisasjonsberedskap, arbeidsflyter og adopsjon henger etter teknologien selv. Arbeidet deres omfatter programmer for AI‑arbeidsorkestrering, produkter som skal styrke og forsterke organisatorisk læring, samt et bredere nettverk av praktikere, kunstnere og humanister som utforsker hvordan mennesker og AI kan samarbeide effektivt.

Du tilbrakte mer enn to tiår i Weber Shandwick, og avanserte fra senior digitale roller til Chief Innovation Officer og Chairman, Futures, før du grunnla Andus Labs i 2025. Hva observerte du i store organisasjoner i den perioden som overbeviste deg om at den største hindringen for AI‑transformasjon ville være det menneskelige og organisatoriske systemet rundt teknologien snarere enn selve teknologien?

Jeg lærte det først i farens grafiske verksted i Detroit, hvor jeg begynte, før Weber Shandwick. Desktop‑publisering flyttet arbeidet hans typografer og illustratører gjorde for hånd, over i programvare. Det ødela forretningsmodellen hans, og han så ikke skiftet før det var for sent.

I Weber Shandwick jobbet jeg med noen av verdens største selskaper gjennom nye teknologibølger: sosiale medier, blogger, video, mobil, data. Hver gang var mønsteret det samme. Teknologien kom. Folk merket endringen og begynte å bruke den på egen hånd. Ledelsen og selskapets struktur var de siste som endret seg.

I de tidligere bølgene betalte selskapene for den forsinkelsen ved å miste terreng, men folk fortsatte å utføre arbeidet. AI gjør for kunnskapsarbeid det desktop‑publisering gjorde for farens studio. Måten folk gjør arbeidet på blir bygget inn i programvaren.

Handelshøyskoler lærer deg ikke hvordan du driver et selskap der mennesker og agenter deler arbeidet. De fleste selskaper festet AI på toppen og får det gamle arbeidet gjort raskere. Den reelle avkastningen kommer når ledere gjør sine ansatte i stand til å gjenoppbygge arbeidet med AI. Arbeidet endrer form i stedet for bare å bli raskere.

Vi kalte det Andus Labs, som i «and us», fordi vi satset på at gevinsten ville avhenge av mennesker.

Andus Labs hevder at virksomheter kan ha avanserte AI‑kapasiteter samtidig som de mangler den «menneskelige beredskapen» som kreves for å hente verdi fra dem. Hva skiller et selskap som har lykkes med å implementere AI fra et som faktisk har transformert hvordan arbeidet blir gjort?

Jeg satt med et selskap som rapporterte 80 % AI‑adopsjon og noe nærmere 5 % endring i hvordan arbeidet ble gjort. Bare adopsjonsnummeret kom med i styrepresentasjonen. Det andre tallet ble ikke skjult. Dashbordet hadde bare ingen plass for det.

Implementering er lett å måle. Lisenser tildelt, agenter distribuert, pålogginger. Det er aktivitet, ikke påvirkning. Vi spør kundene hva selskapet kan gjøre nå som det ikke kunne gjøre før. Ofte er det ærlige svaret de samme rapportene, presentasjonene og analysene, bare raskere.

Selskaper som transformerer måler noe annet. Produserte pilotprosjektet nok verdi til å være verdt å skalere? Kan vi legge frem noe for styret som vi ikke kunne ha produsert for ett år siden? Tar AI av byrden fra våre mest verdifulle medarbeidere slik at de kan utføre arbeidet som bare de kan? Ingen av disse er like lett å telle som antall lisenser, men det er målene som forteller om noe har beveget seg.

De spørsmålene trenger også en eier. Spør hvem det er i de fleste selskaper, så får du en liste. CIO eier plattformene. Et kompetansesenter eier pilotprosjektene. HR eier opplæringen. Påvirkningen på virksomheten sitter på ingen sin liste.

Det ene selskapet kan fortelle deg hvor mange som har tilgang. Det andre kan fortelle deg hva som endret seg og hvem som er ansvarlig for det.

Ground Truth-indeksen bygger nå på et bibliotek med 300 dokumenterte mønstre, observert gjennom samarbeid og samtaler med ledere i 595 organisasjoner. Fem uavhengige analytikeragenter vurderer hvert mønster før forskerne gjennomgår og avgjør den endelige rangeringen. Hvordan har denne metoden utviklet seg, hvor kommer menneskelig skjønn inn i prosessen, og hvordan hindrer dere at indeksen bare forsterker antakelser som allerede finnes i feltobservasjonene deres?

Metoden har endret seg etter hvert som biblioteket har vokst. Hvert mønster starter med det vi hører og ser i samtaler med forretningsledere. Vi sjekker hvert nytt signal mot biblioteket, tester det mot feltobservasjoner og ekstern forskning, og bestemmer om det er virkelig nytt, styrker et mønster vi allerede følger, eller hører hjemme et annet sted.

AI hjelper oss med å vurdere hele biblioteket hver kvartal, noe et forskningsteam ikke kunne gjort manuelt. Agenter leser hvert mønster gjennom et annet faglig perspektiv og vurderer det på de samme fem dimensjonene. De arbeider blindt, slik at ingen agent kan påvirke en annen. Vi tar medianen slik at ett enkelt avvik ikke kan endre poengsummen, og de 50 beste går til menneskelig gjennomgang.

Menneskelig dømmekraft gjennomsyrer alt. Vårt forskningsteam godkjenner hvert mønster som kommer inn i biblioteket, gjennomgår rangeringene og bestemmer de endelige 25. Vi ser hardest på de stedene hvor agentene er uenige, og hvor medieoppmerksomhet er i konflikt med det vi hører fra feltet. Vi kan justere en poengsum, men kun basert på dokumentert observasjon: hvem som fremmet den, hvor ofte vi hørte den, og om den holdt seg på tvers av organisasjoner. En magefølelse endrer ikke en poengsum.

Den nye Ground Truth Index rangerer «Empty Chairs» som den største hindringen for bedrifts‑AI, og beskriver organisasjoner som gir AI‑systemer innflytelse over beslutninger som ansettelse, prising og risikostyring uten tydelig å identifisere hvem som er ansvarlig eller har myndighet til å omgjøre disse beslutningene. Etter hvert som AI går fra å anbefale handlinger til faktisk å forme forretningsresultater, hvordan bør meningsfull menneskelig ansvarlighet se ut i praksis?

Jo flere funksjoner AI berører, desto flere beslutninger tar den på vegne av selskapet. Ansvarlighet blir et ledelsesspørsmål før det blir et teknologispørsmål.

Ansvar hviler vanligvis et sted mellom den som kjøpte AI‑systemet og den som bruker det, og ingen av dem eier det. Gapet forblir usynlig til en beslutning blir utfordret. Det er den tomme stolen.

Ansvarlighet innebærer en navngitt leder som ser hva systemet produserer og kan forklare resultatet, korrigere det eller stoppe systemet. Det krever myndighet over en prosess som vanligvis krysser flere avdelinger.

Vi ber ledere velge én betydningsfull beslutning AI-en deres hjalp med å ta i dette kvartalet, og fortelle oss hvem som er ansvarlig for den. Når svaret ikke er klart, har selskapet endret hvordan beslutninger tas uten å fastslå hvem som svarer for dem.

«Learning While Drowning» rangerer som nummer to i den nye indeksen, og fremhever selskaper som pålegger AI‑opplæring mens de lar de ansattes eksisterende arbeidsbelastning forbli uendret. Samtidig viser «Optimization Temptation» hvor lett selskaper kan kvantifisere besparelser i bemanning sammenlignet med den vanskeligere å måle verdien av å omplassere folk til arbeid med høyere verdi. Undervurderer selskaper i grunnleggende grad den organisatoriske investeringen som kreves for å gjøre arbeidsstyrken mer produktiv med AI, i stedet for bare å bruke AI til å kutte kostnader?

Ja. Besparelsene ved å eliminere en rolle er enkle å sette inn i et regneark. Verdien av den personens kunnskap, relasjoner og dømmekraft er mye vanskeligere å fange. Besparelsene vises dette kvartalet. Tapene kan bygge seg opp over år.

Antakelsen bak kuttet er også ofte feil. AI gjør dagens arbeid mer effektivt, og den avdekker også nytt arbeid som må gjøres. Det vi ser er at team rebalanserer, med folk som går over i andre jobber i stedet for at hele funksjoner blir kuttet.

Et opplæringsmandat er en beslutning om arbeidsbelastning. Selskaper legger AI‑opplæring oppå eksisterende arbeid, og tolker lav gjennomføring som et motivasjonsproblem. Investeringen de hopper over er den som aldri får plass i budsjettet.  Å bestemme hvilket arbeid som skal stoppes, reduseres eller flyttes for å skape plass, og navngi hvem som godkjente det. Læring tar tid. Å anvende den tar mer, fordi folk må teste ukjente verktøy, sjekke resultatene og endre måten de alltid har arbeidet på.

Svaret er ikke et annet punkt på listen. Sett et team på et levende prosjekt, så skjer læringen i arbeidet.

Indeksen identifiserer også «Devalueringsangst», og reflekterer bekymringer om hva som skjer med ansatte når AI blir i stand til å utføre stadig mer verdifulle deler av deres jobber. Hvor mye av det ledere kaller motstand mot AI egentlig er rasjonell angst for karriereverdien, og hva bør ledere gjøre annerledes når de introduserer disse systemene?

Det meste er rasjonelt. Ansatte hører om AI-effektivitet i én kunngjøring og om oppsigelser i den neste. De trekker sine egne konklusjoner.

Ledelsen behandler dem som separate meldinger. Teamene gjør det ikke. De fullfører opplæringen og holder tilbake eksperimenteringen som ville gjort den nyttig.

Beroligelse vil ikke løse det. Ledere må si hva som er besluttet om jobber, hva som fortsatt er usikkert, og hvilken støtte folk kan forvente.

Det samme gjelder for gevinsten. Bedrifter beskriver hva virksomheten forventer av AI og lar den ansattes side stå tom. Hvis noen blir raskere, hva får de ut av det? Mer rom for bedre arbeid, en vei til avansement, tid tilbake? Det hører hjemme i utrullingsplanen.

Ledere ber sine team om å jobbe annerledes med AI. Teamene venter på å se lederne gjøre det først.

Et annet mønster du identifiserer er «Active Inertia», hvor organisasjoner bruker AI til å akselerere eksisterende prosesser uten å endre dem fundamentalt. Hvordan ser ekte AI‑native arbeidsflytredesign ut, og kan du gi et eksempel på forskjellen mellom å gjøre en gammel prosess raskere og å bygge prosessen på nytt rundt det AI nå gjør mulig?

De fleste selskaper retter AI mot det som er lettest å automatisere, noe som ofte er arbeid som egentlig ikke burde eksistere. Rapporter blir ferdige raskere. Godkjenninger beveger seg i samme tempo som alltid. Det er Active Inertia.

Redesign fastsetter på forhånd hva AI‑modellene skal gjøre og hva teamet skal håndtere, og bygger deretter for dette i stedet for å arve den gamle strukturen.

Ta en ukentlig rapport. Den raskere versjonen lar AI utarbeide den, og de samme personene gjennomgår det samme dokumentet på samme tidsplan. Den ombygde versjonen spør hva rapporten var til for. Hvis den eksisterer slik at noen kan oppdage problemer tidlig, kan systemet flagge et problem i det øyeblikk det oppstår, og rapporten forsvinner.

Du har skrevet at «value equals capability times absorption» og argumentert for systemer i stedet for kun programvare. Etter hvert som frontmodeller blir stadig mer kommersialiserte og tilgjengelige for alle, kan en organisasjons evne til å absorbere og reorganisere rundt AI bli en mer varig konkurransefordel enn selve tilgangen til modellene?

Ja. Å distribuere modeller er enkelt sammenlignet med å endre arbeidet rundt dem. De kommer med ekstraordinær kraft og blir billigere hvert kvartal. De samme modellene er tilgjengelige for alle. Det du ikke kan kjøpe er unik kontekst innen selskapet og team som er klare til å bruke dem til sitt fulle potensial.

Det vi kaller «receiving capacity» er en gammel idé. Det er et teams evne til å ta inn noe nytt og sette det i arbeid, og det består av beslutningsrettigheter, insentiver, arbeidsflyt, stillingsutforming og nok tillit til at folk forteller deg hva som gikk galt. Ingenting av dette kan leies.

Jeg beskriver verdi som evne ganger absorpsjon fordi de to multipliserer. De adderer ikke. En briljant modell som introduseres i en organisasjon som ikke kan ta den inn, er en feilfri del festet til en mislykket forsegling. Evnen er reell. Avkastningen er fortsatt null.

Agentisk AI introduserer et nytt lag av kompleksitet fordi systemer i økende grad kan utføre handlinger, bruke verktøy og forfølge mål i stedet for bare å generere svar. Hvor bør bedrifter trekke grensen mellom agentens autonomi og menneskelig beslutningstaking, og hvilke nye styringsstrukturer vil bli nødvendige når agenter får større myndighet?

Begynn med ett spørsmål: hvem svarer når agenten tar feil?

Tegn grensen mellom hva agenten bestemmer og hva en person bestemmer før noe settes i drift. De fleste selskaper finner den grensen etter at noe allerede har gått i stykker.

Der en feil er billig å rette opp og oppdages raskt, la agenten operere. Når beslutningen påvirker hva noen tjener, om de beholder jobben eller deres juridiske status, tar en person avgjørelsen og agenten forbereder den.

Instinktet er å sentralisere. Opprett et komité, skriv et rammeverk, vent til det føles håndterbart. Når veiledning fra toppen når arbeidet, er den utdatert, og folk som ikke får svar begynner å bruke verktøy selskapet aldri har godkjent.

Styring må ligge tett på arbeidet. Team må vite hva hver agent kan bestemme, hvem som eier den og hvordan den kan stoppes. Og de trenger en oversikt over hva den har gjort.

Organisasjonskartet ble aldri laget for agenter som jobber på tvers av funksjoner, så ingen enkeltfunksjon eier feilen. Avklar dette før utrulling, ikke etter.

Når vi ser fremover, hvis de største begrensningene for bedrifts‑AI i økende grad blir organisatoriske snarere enn tekniske, hvordan forventer du at selskapene selv vil endre seg? Hvilke deler av dagens organisasjonskart, ledelsesstruktur, stillingsutforming og beslutningsprosesser er minst sannsynlig å overleve overgangen til organisasjoner bygget rundt mennesker og AI‑agenter som samarbeider?

Det funksjonelle organisasjonskartet er det minst sannsynlige til å overleve. De fleste selskaper drives fortsatt etter funksjon, med arbeid som går fra en avdeling til den neste og en godkjenning ved hver overlevering. AI produserer arbeid på minutter mens godkjenningene rundt det tar uker. Ledere blir bedt om å bevege seg raskere i systemer som er bygget for å bremse ting ned.

Det kartet ble laget for at folk gir arbeid til folk, ikke for beslutninger delt mellom mennesker og agenter.
Et komité vil ikke løse dette.

Det som erstatter kartet ser ut som små team organisert rundt et problem. En leder navngir et problem som er verdt å løse, bestemmer hva som må være sant for å løse det, og setter sammen et team av mennesker og agenter. Det teamet får sin egen finansiering og beskyttelse, fordi det ikke kan operere på samme måte som resten av virksomheten. Personene i teamet tar de faglige beslutningene og eier det agentene produserer.

Elektriske motorer nådde amerikanske fabrikker på 1880‑tallet, men produktivitetsgevinsten viste seg først på 1920‑tallet. I begynnelsen satte fabrikkene én stor motor der dampturbinen hadde vært, drev de samme linjeskivene og lot hver maskin stå der den var. Gevinstene kom da de ga hver maskin sin egen motor og la gulvet rundt arbeidet.

Omorganiseringen var revolusjonen.

Takk for et flott intervju. Lesere som ønsker å lære mer, kan besøke Andus Labs eller lese mer om Ground Truth-indeksen.