Denis Romanovskiy, Chief AI Officer i SOFTSWISS – Intervju-serie

Denis Romanovskiy, Chief AI Officer i SOFTSWISS, er en erfaren teknologisjef med over 25 års erfaring med å lede store tekniske programmer i spill-, bedriftsprogramvare-, IoT- og høylast-nettverk. Han har tilbragt de siste fem årene i iGaming-sektoren og var tidligere nestleder for teknisk ledelse i SOFTSWISS, med ansvar for teknisk styring over flere produktteam med fokus på kasino- og sportsbook-plattformer, før han gikk videre til sin nåværende rolle for å definere og implementere selskapets AI-strategi.

SOFTSWISS er et maltesisk basert selskap som tilbyr løsninger for online kasinoer og sportsbook, inkludert en kasinoplattform, spillaggregator, sportsbookløsning og administrerte tjenester. Selskapet støtter operatører verden over med infrastruktur designet for skalerbarhet, overholdelse og pålitelighet, og plasserer seg på grensen mellom spillteknologi og fremvoksende AI-drevet optimalisering.

Etter å ha ledet store tekniske programmer over flere bransjer og nå definere bedrifts AI-strategi i SOFTSWISS, hvordan har din bakgrunn i høylast-, høytilgjengelighetssystemer formet måten du nærmer deg å integrere AI i en organisasjon på over 2 000 personer?

Min erfaring med høylast-, høytilgjengelighetssystemer har lært meg en grunnleggende lære: enhver kompleks endring i skala krever en systemtilnærming. Du kan ikke bare distribuere en teknologi og håpe det fungerer – du må designe hele økosystemet rundt det og sikre at prosesser, struktur og teknologi alle fungerer sammen.

Vi anvender nettopp dette prinsippet på AI-adoptsjon i SOFTSWISS. Det starter på individnivå. Vi forklarer til hver enkelt ansatt hvordan man kan bruke AI på en trygg og effektiv måte – hva det kan gjøre, hvor grensene er og hva de tilhørende risikoene er. Kritisk er det at vi gjør det klart at deres ansvar for resultater ikke forsvinner når AI kommer inn i bildet. AI utvider dine evner, men ansvarligheten ligger fortsatt hos deg. Du eier fortsatt kvaliteten på utgangen, beslutningene og resultatene.

Deretter går vi over til laget og dette er der nye muligheter oppstår – raskere planleggingscykler, automatisert verifisering, forbedret analyse – men også nye risikoer: over-avhengighet av AI-utgang, erosjon av kritisk tenkning, inkonsistent adopsjon over laget. Dette er der ledere spiller en avgjørende rolle. De må tilpasse hvordan de gjennomgår arbeid, hva spørsmål de stiller og hva signaler de ser etter. Når noen leverer et resultat dobbelt så raskt, er lederens jobb å forstå om kvaliteten holdt seg og om personen faktisk forstår hva de leverte.

Dette lagdelte tilnærmingen – individuell bevissthet, lag-nivåtilpasning, lederoversikt – er det som lar oss skalerer AI over en stor organisasjon uten å kompromittere stabiliteten og påliteligheten som vår regulerte miljø krever. Det handler ikke bare om teknologi alene. Det handler om å bygge systemet rundt det som gjør adopsjonen bærekraftig.

Hva skiller AI som er distribuert som et produktivitetsverktøy fra AI som er integrert direkte i kjerneinfrastruktur og beslutningssystemer, og hvordan endrer denne forskjellen langsiktige forretningsresultater?

Produktivitets-AI – chat-assistenter og kode-kopiloter – er der folk først møter AI på jobben. Dette steget er viktig, og du kan ikke hoppe over det. Det bygger AI-litteratur, lærer folk å evaluere utgang og skaper vaner av ansvarlig bruk over hele organisasjonen.

Men det er en grunnleggende forskjell mellom AI som hjelper enkeltindivider og AI som er integrert i hvordan organisasjonen opererer. Infrastruktur-nivå-AI – integrert i dine bedriftssystemer gjennom AI-plattformer – blir en del av ledelsessystemet. Det omfatter planlegging, kontroll og revisjon. Det respekterer styringsrammer og matar direkte inn i beslutningskjeder.

Impaktgapet er betydelig. Produktivitetsverktøy leverer 20-30% effektivitetsgevinster på enkeltoppgaver – verdifullt, men inkrementelt. Infrastruktur-AI akselererer hele prosesser med 3-5 ganger. Og over tid, former det om organisasjonen selv – eliminerer noen roller delvis eller fullstendig, skaper nye og komprimerer arbeidsflyter som en gang krevde flere overleveringer.

Dette er hvorfor disse to kategoriene krever forskjellige tilnærminger. Produktivitets-AI er en muliggjøringsutfordring. Infrastruktur-AI er en organisatorisk transformasjon som krever omhyggelig planlegging, endringsledelse og kontinuerlig tilsyn.

Hva arkitektoniske og kulturelle endringer er nødvendige for å gå over fra isolerte AI-eksperimenter til en sentralisert, organisasjonsomfattende AI-plattform?

Arkitektonisk er en sentralisert plattform essensiell – en som gir sikker tilgang til flere modellleverandører samtidig som det opprettholder streng datagovernance. Uten denne laget skalerer eksperimentering fragmentering istedenfor verdi.

Kulturelt er den større endringen å gå over fra utføringssentrert tenkning til design-sentrert tenkning. Etterhvert som utføring blir billigere og raskere med AI, skifter konkurransefordel til hvordan team designet arbeidsflyter. Ansattes verdi ligger i å styre AI og optimalisere utgangen, ikke i å gjøre arbeidet manuelt.

Hvordan kan store bedrifter systematisk øke sin læringshastighet når de distribuerer AI, og hva operasjonelle mekanismer gjør det målbart?

Læringshastighet øker når eksperimentering er strukturert. I SOFTSWISS utnevner vi AI-ambassadører innenfor produktteam som identifiserer bruksområder, finjusterer beste praksis og deler dem over hele organisasjonen. Workshops akselererer ytterligere kunnskaps-overføring.

Måling er knyttet til forretnings-KPI-er. Vi sporer indikatorer som tid til løsning i support eller automatiseringsnivå i kode-gjennomgang. Hvis AI-adoptsjon ikke forbedrer målbare metrikker, er det overfladisk.

Hvilke arvende prosesser begrenser vanligvis impakten av AI-adoptsjon i etablerte teknologiselskaper?

Hovedbegrensningen er å forsøke å integrere AI i stive ledelsesstrukturer med lange planleggingscykler og fast ressursallokering. AI sin fordel er hastighet, og gamle styringsmodeller bremser denne fordelen ned.

En annen begrensning er svak dataklassifisering. Uten strukturert og godt styrt data blir sikker og skalerbar AI-integrasjon ekstremt vanskelig.

Kan du dele eksempler der integrering av AI direkte i kjerne-systemer produserte målbare gevinster i effektivitet, omsetning eller operasjonell ytelse?

I teknisk support analyserer AI i Jira billetthistorikk og dokumentasjon for å foreslå løsningsveier, noe som betydelig reduserer løsningstid.

I HR sparer automatiserte assistenter som håndterer fordels- og permisjonsforespørsler hundrevis av timer hver måned.

I utvikling når AI-drevet kode-gjennomgangsautomatisering 60–80%, akselerer utviklingslivssyklusen med to til fire ganger. Disse gevinster er operasjonelt målbare og påvirker direkte effektiviteten.

Hvordan designer du styringsrammer som sikrer kontroll, sikkerhet og ansvarligheit når AI er dypt integrert i bedrifts-arbeidsflyter?

Styring må skape en kontrollert miljø istedenfor å begrense innovasjon. Vi baserer oss på bedrifts-graderte leverandøravtaler og anvender datamasking før vi sender informasjon til sky-modeller.

Ansvarligheit bygges inn i systemdesign. AI-drevne handlinger opererer innen definerte tilbakestillingsvinduer, som tillater menneskelig overtakelse. Ansvarligheit ligger til slutt hos teamlederen som designer og eier arbeidsflyten.

Hva strukturelle fordeler lar små AI-naturlige team skalerer raskere enn tradisjonelle bedrifter, og hvordan kan større organisasjoner tilpasse seg uten å tape stabilitet?

Kjerneforskjellen er arkitektonisk. Tradisjonelle selskaper bryter arbeid ned i sekvensielle faser – hver eid av en separat rolle, med overleveringer og køer mellom dem. AI-naturlige team kan utføre over alle faser samtidig. Det er ingen køer, ingen venting på neste person i kjeden. Hele prosessen er automatisert fra ende til ende, noe som gir dem en massiv hastighetsfordel.

For større organisasjoner er veien fremover gradvis. Først – byg AI-litteratur og utrust team med AI-verktøy. Gi folk tid til å lære, eksperimentere og integrere AI i eksisterende arbeidsflyter. På dette stadiet skjer innovasjon innenfor eksisterende prosesser, ikke istedenfor dem.

Når team får erfaring og tillit, kan du sette mer ambisiøse mål – optimalisere hele prosesser istedenfor enkelttrinn. Dette er der den virkelige transformasjonen begynner, men det fungerer bare når folk og prosesser er klare for det.

Nøkkelen er tempo. Beveg for raskt og du bryter stabilitet. Beveg for langsomt og markedet lar deg bak. Riktig tilnærming er bevisst, sekvensiell fremgang – så organisasjonen utvikler seg uten å tape det som allerede fungerer.

Hvordan påvirker det å operere i iGaming-sektoren, med dens regulatoriske og pålitelighetskrav, måten AI-infrastruktur er arkitektert og distribuert?

iGaming er en unik miljø. Det involverer ekte penger, sanntids-transaksjoner og regulatorisk tilsyn over flere jurisdiksjoner. I SOFTSWISS opererer vi under flere lisenser – hver med sine egne overholdelseskrav. Dette betyr at hver teknologisk beslutning, inkludert AI, må ta hensyn til et komplekst regulatorisk landskap som går langt utover standard datavern.

Regulerte markeder krever streng overholdelse av data-lagring, sletting og prosessering-regler, inkludert GDPR. Men i iGaming er omfanget bredere – anti-pengetvett-regler, ansvarlige spill-krav, lisensbetingelser som dikterer hvordan data flyter og hvor det kan prosesseres. Infrastruktur må garantere at sensitiv data ikke brukes for eksterne modell-trening og at hver AI-drevet beslutning forblir kontrollerbar.

Samtidig er pålitelighetsstandarder eksepsjonelt høye. Systemer opererer 24/7 med massive transaksjonsvolumer. Hver AI-system vi distribuerer må møte samme standarder – alltid tilgjengelig, fullstendig kontrollerbar og i stand til å håndtere datavolumer vi ser i support og overholdelsesoperasjoner. I denne industrien er AI-feil ikke bare en ulempe – det er en regulatorisk og finansiell risiko.

Når bedrifts-AI modnes, hva kapasiteter vil skille selskaper som virkelig integrerer AI i deres driftsmodell fra de som forblir overfladiske adoptører?

I modne AI-organisasjoner vil hver enkelt ansatt ha AI til sine fingertopper – med sikker tilgang til bedriftsdata over systemer, uten barrierer eller manuelle forespørsler. Prosesser vil være automatisert fra ende til ende, uten køer eller overleveringer mellom roller. Arbeid vil flyte kontinuerlig, ikke i faser.

Men automatisering alene er ikke nok. Hva skiller ledere fra resten er evnen til å kontrollere AI-drevet arbeid i skala. Team og organisasjoner vil tilpasse seg automatisert kvalitetskontroll – detektere problemer tidlig og korrigere dem før de forverres.

Rollen til den enkeltlige ansatte skifter grunnleggende. Istedenfor å utføre oppgaver, definerer de spesifikasjoner for AI – gir tilstrekkelig kontekst, klare mål og kvalitetskontrollmetoder. Deres verdi ligger i å styre AI og optimalisere utgangen, ikke i å gjøre arbeidet manuelt.

Rollen til ledere endrer seg også. Ledere og eksklusive blir arkitektene for systemtenkning over hele organisasjonen. Deres jobb er å koble sammen ulike arbeidsstrømmer, verktøy og artefakter i verdikjeder som løser kunde-problemer bedre enn konkurrentene kan, ikke optimalisere enkelt-oppgaver – men designe hvordan alt henger sammen.

Denne dybde-integrasjonen – AI i hver hånd, automatiserte prosesser, systematisk kvalitetskontroll og ledelse fokusert på sluttilslutning-verdi – vil definere langsiktige konkurransefordel.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke SOFTSWISS.