Don Schuerman, CTO i Pegasystems – Intervju-serie

Don Schuerman er chief technology officer og visepresident for produktmarkedsføring i Pegasystems, ansvarlig for Pegas plattform og kund-relasjonsstyring (CRM)-applikasjoner.

Han har 20 års erfaring med å levere bedriftsprogramvareløsninger for Fortune 500-organisasjoner, med fokus på digital transformasjon, mobilitet, analyse, forretningsprosesser, sky og CRM.

Pegasystems tilbyr en robust plattform designet for å hjelpe organisasjoner å oppnå forretnings-transformerende resultater gjennom sanntids-optimering. Plattformen muliggjør at kundene kan løse nøkkel-forretningsutfordringer ved hjelp av bedrifts-AI-beslutning og arbeidsflyt-automatisering, inkludert personalisering av kundeengasjement, automatisering av tjenester og forbedring av operasjonell effektivitet. Etableringen i 1983 har Pegasystems utviklet en skalerbar og fleksibel arkitektur som støtter bedrifter i å møte nåværende kundebehov samtidig som de tilpasser seg fremtidige behov.

Gitt din omfattende erfaring som CTO i Pegasystems, hvordan skiller Pega GenAI seg ut i det raskt utviklende landskapet av generativ AI for bedrifter?

Pega har vært innovativ med AI-løsninger i flere år, inkludert utforskning av generativ AI lenge før det brøt gjennom i mainstream. Jeg tror det er tre ting som skiller oss ut:

Først, vi driver ikke bare prosesser, vi driver innovasjon. De fleste bedriftsprogramvareleverandører har rullet ut ulike gen AI-boter, -agenter eller -co-pilot-funksjoner, men sannheten er at disse liknende verktøyene ikke vil drive konkurransefordel. Vi muliggjør at våre kunder kan tenke om igjen hvordan hele deres forretning kjører med unike verktøy som Pega GenAI Blueprint, som gir beste-praksis-app-design i sekunder. Vi automatiserer ikke bare oppgaver; vi tenker om igjen hvordan bedrifter opererer og innoverer.

Andre, vi automatiserer ikke bare i isolasjon, vi orkestrerer hvordan arbeid utføres fra start til slutt. Andre leverandører sprekker inn disse gen AI-bot-funksjonene og håper at det er nok til å øke effektiviteten. Vår plattform er rotfestet i vår bransjeledende sakbehandling og orkestrering, som muliggjør oss å ikke bare automatisere med gen AI, men også orkestrere og optimere hele prosessen fra ende til ende.

Tredje, vi er ikke bare en generisk gen AI-motor – vi fokuserer på å drive bedre kundeengasjement og arbeidsflyt-automatisering gjennom AI. Av og til krever problemet en kreativ kraft fra generativ AI, mens andre problemer kan kreve prediktiv AI eller beslutnings-AI for å infusere mer logikk i prosessen.

I din Forbes-artikkel, “Unlocking The Potential Of Advanced AI For Business Innovation,” nevner du potensialet for generativ AI til å tenke om igjen forretningsoperasjoner. Hva er noen spesifikke eksempler hvor AI kunne katalysere legacy-transformasjon i etablerte selskaper?

Deutsche Telekoms SVP for Design Authorities, Daniel Wenzel, beskrev til publikum på PegaWorld iNspire denne sommeren hvordan han nå bruker Pega GenAI Blueprint for å hjelpe ham tenke om igjen over 800 separate forretningsprosesser i HR-tjenesten. Han sier at den største flaskehalsen i å forsøke å forbedre disse prosessene var at forretningsfolk og IT ikke snakker samme språk, noe som fører til urealiserte forventninger. Pega GenAI Blueprint hjelper både interessenter å forstå prosessen og hvordan den kan forbedres mye raskere enn tradisjonelle metoder, noe som fører til mer effektive løsninger.

Den samme artikkelen diskuterer begrensningene i nåværende generative AI-applikasjoner. Hvordan kan selskaper gå beyond inkrementelle produktivitetsforbedringer til å utnytte AI sin fullt transformative potensiale?

De fleste generative AI i bedriftsprogramvare brukes som enkeltfunksjoner som hjelper å påskynde bestemte aspekter av prosessen. Men disse typene funksjoner er vanlige nå, og gir liten konkurransefordel. Produktivitets-hacks som sammenfatting og tekstgenerering er basis-krav – hva bedrifter trenger for å fremme i markedet er å bruke generativ AI til å innovere helt nye måter å drive forretning på et høyt nivå. For eksempel har Gartner identifisert en ny teknologikategori de kaller Business Orchestration and Automation Technologies (BOAT) som ser på å drive forretningsresultater mer helhetlig, fra å strømlinje kostnader til å forbedre beslutning, til å redusere operasjonelle kostnader og bruke riktig automatiseringsteknologi for jobben. Enkeltfunksjoner med gen AI har sin plass, men det er bare en del av puslespillet og ikke den magiske kula til å løse alle problemer.

Hva er de mest lovende bedriftsbruksfallene for generativ AI som går beyond typiske produktivitetsforbedringer, og hvordan kan bedrifter best implementere disse?

Det mest spennende generative AI-muligheten er potensialet for å injicere beste praksis i en prosess. De som bare bruker gen AI til å skrive mer kode, kan sette seg opp for mer teknisk gjeld lengre ned linjen. Injiceringen av IP i programvare-designprosessen er en game-changer, som muliggjør organisasjoner å komme til en optimal løsning mye raskere basert på års erfaring. Og fordi det er utviklet som en visuell modell og ikke bare kode, er det lettere å samarbeide og finjustere det over tid over tekniske og ikke-tekniske interessenter. Tidligere kunne finalisering av en app-design ta uker og kreve svært spesialiserte ferdigheter; nå muliggjør disse gen AI-drevne verktøyene at forretningsbrukere kan skrive inn sine spesifikke behov på vanlig språk og raskt gå fra konsept til komprehensiv design. Forrester har nylig publisert noen forskning som forutsier at bruk av AI til å injicere IP i lavkode- eller modellbasert designsystemer, vil fundamentalt endre hvordan bedrifter bruker programvare – og tillate dem å bygge mer og kjøpe færre «av hyllen»-apper. Jeg tror dette er en stor transformasjon, og vi tror at med Pega GenAI Blueprint er vi godt posisjonert til å være plattformen av valg for våre bedriftskunder.

Du har tidligere foreslått at generativ AI kan hjelpe med produktutvikling ved å identifisere markedsgapper. Kan du utdype hvordan denne prosessen fungerer og dele et eksempel fra virkeligheten?

Vår Pega Customer Decision Hub er en prediktiv AI-løsning som hjelper våre kunder å gjøre neste-best-aksjon med sine kunder, enten det betyr å selge et produkt, fikse en tjeneste-problem eller noen ganger ikke gjøre noe som helst. Dette muliggjør oss å koble til kunder 1:1 med aksjoner som best tjener deres individuelle behov. Men å operere på en 1:1-måte betyr at du trenger en stor mengde tilpassede tilbud – det er langt bedre enn å spamme alle med samme melding, men det krever at markedsføringsorganisasjoner skaper flere meldinger som er unike for forskjellige kundegrupper. Nå med gen AI, kan vi avdekke hvilke kunder som har blitt underserviced og deretter foreslå nye aksjoner og bygge nye behandlinger som ville være mer benefiske for disse gruppene. Dette har potensialet til å hjelpe organisasjoner å utvide seg inn i markedsmål de vanligvis ikke har kunnet nå.

Hvordan kan etablerte selskaper med legacy-systemer effektivt integrere generativ AI for å forbli konkurransedyktige mot mer agile startups, særlig i å tenke om igjen deres kjerneprosesser?

Jeg tror vi er i ferd med å nå et vendepunkt for legacy-systemer. I årevis har store bedrifter sparket teknisk-gjeld-kassen nedover veien. Vi har brukt år på å bruke plasterløsninger som RPA som ikke har løst det grunnleggende problemet som legacy-systemer påfører bedrifter – de suger ut IT-utgifter som kunne gått til innovasjon, de introduserer risiko og de forhindrer bedrifter fra å flytte raskt i endrende markeder. Heldigvis tror jeg at en av superkreftene til gen AI er at den vil la oss dramatisk akselerere hastigheten som vi redesigner og pensjonerer våre legacy-systemer – ikke bare ved å rekode dem, men ved å tenke om igjen arbeidsflyt og prosesser selv til å kjøre på moderne sky-arkitekturer og levere de digitale opplevelser kunder og ansatte forventer.

I en separat artikkel om etablering av en AI-manifest, understreker du viktigheten av å knytte AI-strategi til handlebare resultater. Kan du gi veiledning på hvordan bedrifter kan justere sine AI-mål med tangibile forretningsresultater?

For mange selskaper starter med å fokusere på et skinnende nytt verktøy som AI, i stedet for å starte med å finne ut hva deres forretningsmål er og hva problem de må løse. Ved å fokusere på verktøyet i stedet for problemet, setter de seg selv i en løpebane som kanskje ikke er optimal for deres forretning. I stedet må de gå tilbake og spørre seg selv hva de virkelig prøver å oppnå. Av og til er gen AI ikke den riktige løsningen og kan være bedre tjent med å bruke AI-beslutning i stedet. De må huske at det finnes ulike typer AI som er bedre egnet til å løse ulike forretningsproblemer.

Hvordan kan bedrifter utnytte generativ AI til å revolusjonere deres operasjoner i stedet for bare å automatisere rutineoppgaver? Hvilke strategier bør de bruke for å maksimere ROI i dette området?

Ikke bare fokusere på enkeltoppgaver – dette vil forhindre deg fra å se skogen for trærne. Gå tilbake og forstå dine overordnede forretningsprosesser og resultater du prøver å drive fra dem. Generativ AI kan brukes til å analysere dine prosesser og infusere beste praksis i ulike industrier. Dette kan drive dyptgående endringer ved å muliggjøre selskaper å tenke om igjen og redesigne deres kjerneprosesser. For eksempel kan AI hjelpe med å designe nye operasjonelle modeller fra scratch eller ombygge eksisterende til å forbedre effektivitet og innovasjon. Etablere klare mål for å måle suksess og regelmessig finjustere din tilnærming basert på disse innsiktene. Ved å utnytte AI til å drive meningsfull endring i stedet for inkrementelle forbedringer, kan bedrifter låse opp betydelig verdi og forbli foran konkurransen.

Hvilke industrier tror du er best posisjonert til å dra nytte av å redesigne arbeidsflyt med AI, og hvordan bør de begynne å implementere denne tilnærmingen?

Nærmest enhver organisasjon kan universelt dra nytte av å forbedre sine arbeidsflyt, særlig i raskt endrende markeder. Tjenesteytende industrier som finansielle tjenester, telekommunikasjon og helsevesen kan kanskje realisere de største gevinstene for å strømlinje hvordan de engasjerer med sine kunder. Disse sektorene håndterer komplekse, dataintensive prosesser og er under økende press for å forbedre effektivitet, redusere kostnader og levere bedre resultater. I tillegg kan enhver industri med store mengder legacy-tjenester – som bankvesen – dra nytte av å undersøke sine prosesser etablert for år siden for å modernisere dem og sikre at de holder tritt med nyere konkurranse.

Hvordan forbedrer «human-in-the-loop»-tilnærmingen effektiviteten og den etiske utrullingen av AI, særlig i kunde-orienterte roller?

Generativ AI, selv om kraftig, kan produsere utdata som ikke alltid er nøyaktige eller passende. Ved å integrere menneskelig tilsyn, kan vi mildne risikoer som AI-generert innholdusikkerhet eller etiske problemer.

For eksempel, i kundeservice, kan AI generere svar og anbefalinger, men å ha en menneskelig gjennomgang av disse utdataene sikrer at de er i tråd med selskapets verdier og kundebehov. Dette tilsynet er avgjørende for å opprettholde transparens og ansvar, særlig når AI-modeller produserer plausibelt, men feil eller misvisende informasjon.

Interessant nok, å ha en menneskelig i løkken, lar deg ta en av svakhetene til gen AI – det er innebygget ikke-prediktivt eller ikke-deterministisk, noe som betyr at det ikke gir deg samme svaret to ganger – og omdanne det til en styrke. Med Pega GenAI Blueprint, bruker vi gen AI som en brainstorming-partner, foreslår nye tilnærminger til arbeidsflyt-design. Mennesket er alltid den endelige avgjørelse, men ved å konstant foreslå nye tilnærminger, skyver gen AI originalt tenkning og hjelper mennesker å unngå «å asfaltere kuveien».

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