Holly Grant, SVP, Strategi & Innovasjon, DXC Technology – Intervju-serie

Holly Grant, SVP, Strategi & Innovasjon i DXC Technology, er en teknologi- og operasjonsleder med dypt erfaring som omfatter bedrifts AI-strategi, fintech, startup-ledelse og operasjonell transformasjon. Hos DXC hjelper hun med å forme selskapets AI-først innovasjonsinitiativer, inkludert bedrifts-skala AI-orkestrering, rådgivningstjenester og produktinkubasjonstiltak designet for å hjelpe organisasjoner med å gå fra eksperimentelle AI-piloter til operasjonell utrulling. Før DXC hadde hun flere ledelsesroller i Long-Term Stock Exchange (LTSE), hvor hun til slutt var Chief Operating Officer, hvor hun fokuserte på operasjonell skaling og strategisk vekst innen fintech-sektoren.

DXC Technology er et globalt IT-tjeneste- og konsulentselskap som fokuserer på å hjelpe bedrifter med å modernisere kritiske systemer over skytjenester, cybersikkerhet, kunstig intelligens, datainfrastruktur og bedriftsoperasjoner. Selskapet ble dannet gjennom en fusjon av Computer Sciences Corporation og Hewlett Packard Enterprises Enterprise Services-avdeling, og arbeider med organisasjoner over industrier, inkludert helse, banking, produksjon, forsikring og regjering. De siste årene har DXC stadig mer posisjonert seg rundt AI-nativ bedriftstransformasjon, og tilbyr tjenester som integrerer generativ AI, intelligent automatisering, observasjon, digital tvilling og stor skala IT-modernisering i komplekse bedriftsmiljøer. Selskapet legger også vekt på “AI-først” operasjonsmodeller designet for å hjelpe bedrifter med å deployere AI på en sikker måte innen eksisterende infrastruktur, i stedet for å erstatte legacy-systemer fullstendig.

Du har bygget en karriere i skjæringspunktet mellom strategi, operasjoner og innovasjon – fra å skalle organisasjoner tidligere i din karriere til å nå lede Strategi & Innovasjon i DXC. Hvordan har disse erfaringene formet din tilnærming til å lansere LabX og designe en AI-inkubasjonsmiljø fokusert på reell forretningsvirkning?

Min karriere har tatt meg over familiekontorer, startup, venture capital og nå et Fortune 500-selskap i midten av en omstrukturering. Det jeg har sett over alle disse miljøene er at ideer ikke lander på egen hånd. De som faktisk skaper verdi, tenderer til å dele tre ting: en ekte kunde som trekker for dem, riktig øyeblikk i markedet og et omfang som er klart og passende smalt. Savner du noen av disse, og selv en briljant idé stagnerer.

Denne mønsteren har formet hvordan jeg tenkte om LabX. Du trenger en teori om seier – en ekte strategi – men du trenger også operasjonell muskel til å bringe det til live, og disiplin til å tilpasse når du lærer og forhold endrer seg. Strategi uten eksekvering er et dekk. Eksekvering uten strategi er bevegelse uten fremgang. LabX er designet for å holde begge på samme tid.

Under vår CEO Raul Fernandez’ ledelse har DXC plassert AI-fluens og innovasjon i sentrum av vår omstruktureringstrategi. LabX er hvordan vi oversetter denne overbevisningen til produkter, kapasiteter og kundeutfall – raskt nok til å bety noe.

Mange bedrifter eksperimenterer med AI, men sliter med å gå fra piloter til produksjon. Fra det du ser i DXC, hva er de største barrierene som forhindrer organisasjoner fra å skalle AI utover proof-of-concept-prosjekter?

To barrierer dukker opp igjen og igjen, og ingen av dem er virkelig om teknologien.

Den første er endringsledelse. AI endrer hvordan folk arbeider, hva de er ansvarlige for, og hvordan beslutninger tas. Hvis du ikke bringer arbeidsstokken med deg, vil den mest elegante modellen i verden bli ubrukt. Den andre er at selskaper begynner å skalle AI uten å endre den underliggende driftsmodellen. De monterer intelligens på en bestemt system eller applikasjon, så en bruker kan bruke det, men resten av teamet kan ikke. AI er en horisontal intelligens – den skaper mest verdi når den kan flytte over funksjoner, data og arbeidsflyter. Når driftsmodellen ikke endrer seg, blir verdien fanget lokalt i stedet for å påvirke hele bedriften.

Så piloten fungerer, alle feirer, og ingenting skalerer faktisk. Det er mønsteret vi prøver å bryte i LabX ved å designe for bedrifts-omfattende låser fra dag én.

LabX opererer på en rask konsept-til-MVP-syklus på omtrent 90 dager eller mindre. Hva slags endringer i mentalitet, styring eller utviklingsprosesser er nødvendige for store bedrifter for å flytte med denne type hastighet?

Den største endringen i mentalitet er å være villig til å bestemme tidligere med mindre perfekt informasjon – og disiplinen til å kutte hva som ikke fungerer. Store bedrifter blir komfortable med lange planleggingscykluser fordi de føler seg trygge. De er det ikke. I en marked som beveger seg så raskt, er en langsom “ja” og en langsom “nei” begge dyre.

Inne i LabX tilordner vi en liten triade – design, produkt og ingeniør – til å kjøre en sprint mot et ekte kundeproblem. De bygger en minimum viable produkt, tester det for verdi og skalerbarhet, og vi fullfører ideer som viser kommersiell løfte innen 90 dager. Hva gjør at denne hastigheten er mulig, er ikke fraværet av styring, men nærværet av riktig styring. Sikkerhet, personvern, samsvar og ansvarlig AI-godkjenning er bygget inn i prosessen fra dag én, ikke boltet på til slutt. Hvert produkt går gjennom en formell styringsgjennomgang før det skalerer.

For de fleste bedrifter krever det å komme til denne type kadensen å beskytte et rom hvor det er legitimt å flytte på denne måten – uten å tvinge hver eksperiment gjennom samme syklustid som et multi-årig plattformbygg.

DXC beskriver LabX som en måte å validere høy-potensielle AI-konsepter med kunder før de skaleres. Hvordan hjelper denne “Kunde Null”-tilnærmingen til å sikre at AI-løsninger er grunnlagt i reelle operasjonelle behov i stedet for teoretiske brukstilfeller?

Kunde Null er, ærlig talt, vår kant. Før et LabX-produkt noen gang går til markedet, må det overleve innen DXC først. Vi håndterer 115 000 ansatte over 70 land, regulerte industrier, komplekse kundeavtaler, legacy-systemer og reelle operasjonelle innsats. Det er ikke et sanitert demo-miljø – det er bedriftsrealitet.

En tradisjonell startup kan flytte raskt, men de kan ikke lett replikere den levde erfaringen av å operere innenfor denne type kompleksitet. Når vi tester et produkt på oss selv først, finner vi stedene hvor det bryter på ekte data, ekte arbeidsflyter og ekte regulatoriske begrensninger – ting som ville ha kommet til overflaten i en kunde-miljø seks måneder senere. Når vi bringer et tilbud til en kunde, er vi ikke i ferd med å presentere en teori. Vi kan si: “Her er hva det gjorde i våre egne operasjoner, her er hva vi endret, her er hva vi målte.”

Det holder oss også ærlige. Hvis et produkt ikke kan bevise seg internt, kommer det ikke til å fullføres. Det er en mye høyere barriere enn å si “det fungerte i en demo.”

Bedriftsmiljøer er ofte fylt med legacy-systemer, fragmentert data og regulatoriske begrensninger. Hvordan designer du AI-arbeidsflyter som kan operere effektivt innen denne type kompleksitet?

Vi starter med antagelsen at miljøet er komplekst – det er baseline, ikke unntaket.

Arkitektonisk arbeider vi med en dekomponerbar tilnærming til våre plattformer. De ledende AI-verktøyene endrer seg månedlig, ikke årlig. Hvis du hard-koder deg til en enkelt modell, leverandør eller ramme, er du i ferd med å satse på at dagens leder fortsatt vil være leder om 18 måneder. Det er et dårlig veddemål. En dekomponerbar arkitektur lar oss bytte komponenter når fronten beveger seg, holde oss flytende med hva som faktisk er best-i-klassen, og stressteste verktøy mot ekte kundeutfordringer i stedet for leverandør-markedsføring.

På den regulatoriske og datasiden er samsvar designet inn fra dag én. Hvert produkt går gjennom en styringsgjennomgang, og ansvarlig AI-godkjenning er en del av prosessen, ikke en ettertanke. Å operere i høyt regulerte industrier over 70 land tvinger denne disiplinen på oss – hvilket viser seg å være en funksjon, ikke en feil, når vi bringer produkter til kunder med de samme begrensningene.

Tradisjonell IT-konsulenter har avhengig av lange planleggingscykluser og stive implementeringsrammer. Mens AI utvikler seg raskere enn disse syklusene kan tilpasse, hvordan må konsulentmodellene endre seg?

Det ærlige svaret er at hele modellen må skifte, men hvis jeg måtte velge den viktigste faktoren, er det verdiproposisjonen. Industrien har brukt tiår på å selge leveranser – dekk, veikart, implementeringsplaner – og bli betalt for innsats. I en AI-nativ verden vil kunder ikke en leveranse. De vil et utfall. De vil at arbeidsflyten faktisk skal kjøre, at kostnadene faktisk skal komme ned, og at inntekten faktisk skal dukke opp.

Når du committerer deg til å selge utfall, må alt annet endre seg for å støtte det. Team-sammensetning blir mer teknisk. Engasjement flytter fra råd og forlater til bygging og drift. Prising skifter bort fra timer. Folkene som gjør arbeidet, må være like komfortable med å levere kode som å kjøre en styringskomité.

Det er en stor kulturell endring for vår industri, og ikke alle kommer til å gjøre det. Selskapene som gjør det, vil se veldig annerledes ut om fem år enn de gjør i dag.

LabX fungerer også som et eksperimenteringsmiljø for ansatte og teknologipartnere. Hvor viktig er intern eksperimentering når det gjelder å bygge organisasjonsomfattende AI-fluens?

Det er hele spillet. Du bygger ikke AI-fluens ved å lese om AI – du bygger det ved å prøve ting, se dem bryte, og prøve igjen. Det er like sant for en 30-årig IT-profesjonell som for noen som er to år ute av skolen.

Vi kjørte nylig en AI-utfordring innen en av våre forretningsenheter og fikk over 1 300 unike ideer på to uker. Det er ikke en statistikk om et verktøy – det er en statistikk om hva som skjer når du gir folk tillatelse til å tenke utenfor boksen. Kreativiteten eksisterer allerede innen organisasjonen. Vår jobb er å skape rommet for det til å vokse.

LabX kjører også et rotasjonsprogram: tekniske eksperter fra hele DXC tilbringer seks til tolv uker innbedt med oss, bygging ekte produkter med de siste AI-verktøyene. Når de går tilbake til sine hjemme-lag, bringer de en ny ferdighetssett og, viktigere, en annen måte å tenke på. De begynner å stille andre spørsmål til kollegaer og kunder. De blir forkjempere for hva som er mulig. Den kumulative effekten over arbeidsstokken er verdt mer enn noen enkelt produkt vi sender.

DXC rammer sin tilnærming som Human+, understreker at AI bør utvide menneskelige evner i stedet for å erstatte dem. I praktiske termer, hvordan påvirker denne filosofien hvordan AI-løsninger designes og deployes innen bedrifter?

Jeg vil være direkte: det er en oppfatning som tar hold i industrien om at den mest verdifulle ting bedrifts-AI kan gjøre for et selskap, er å redusere antall ansatte. Jeg mener at det er en feil i forestillingen.

Kostdisiplin betyr noe, men den virkelige muligheten er vekst: nye inntektsstrømmer, nye produkter, nye tjenestetilbud som ikke var mulig før. AI sin høyest-verdifulle brukstilfelle er å muliggjøre at folk kan gjøre arbeid som skaper ny forretningsverdi, ikke bare optimalisere hva som allerede eksisterer. Selskapene som får dette rett, vil overgå de som behandler AI som en ren kostnadøvelse.

I praksis betyr Human+ at vi designer AI for å håndtere høy-volum, rutineprosesser så våre folk kan fokusere på høyere-verdi-arbeid: strategisk tenkning, kreativ problemløsning, kunde-relasjoner og komplekse avgjørelser. Vi holder menneskelig ekspertise og tilsyn sentralt i hver deployering, spesielt der avgjørelser bærer virkelige konsekvenser. Det er hvordan du bygger tillit med kunder, og det er hvordan du låser opp varig konkurransefordel.

Når organisasjoner prøver å integrere AI i eksisterende arbeidsflyter, hva slags vanlige feil ser du dem gjøre som bremser ned adopsjon eller begrenser reell forretningsverdi?

To feil ser jeg konstant. Den første er å starte med teknologien i stedet for problemet. Noen faller i kjærlighet med en modell eller en leverandør-demo, og initiativet blir om å deployere den ting i stedet for å løse noe som faktisk betyr noe for bedriften. Den andre er å behandle AI som et IT-prosjekt i stedet for en forretnings-transformasjon. Hvis du overlater AI fullstendig til CIO og ber resten av bedriften om å fortsette uendret, vil du få et verktøy ingen bruker og en budsjett ingen vil forsvare neste år.

Motmiddelet mot begge er enkelt å si og hardt å gjøre: start med forretningsproblemet, plasser riktig tverrfaglig team på det – folk, prosess, teknologi – og bygg bakover fra utfallet du prøver å skape. Det er holdningen vi tar i LabX, og det er hvordan vi arbeider med kunder som Ferrovial, hvor vi har hjulpet med å deployere AI Workbench – et generativt AI-tilbud som kombinerer konsulenter, ingeniører og sikre bedriftstjenester, nå brukt av over 24 000 ansatte med over 30 AI-agenter som tar virkelige avgjørelser. Den type skala skjer ikke hvis du behandler det som et IT-prosjekt.

Ser fremover, hvordan forventer du at AI-inkubasjonsmiljøer som LabX vil forme hvordan bedrifter utvikler, tester og deployer nye teknologier over de neste årene?

Her er hva jeg tror vil være åpenbart i etterkant: vinnerne i denne æraen vil ikke være selskapene med de flotteste punktløsningene. De vil være integratorene – de som kan sy AI over driftsmodeller, over funksjoner og over arbeidsflyter så intelligensen ikke blir fanget i ett enkelt verktøy eller en enkelt brukers skjerm.

Det er et harder problem enn å deployere en modell. Det krever dyp bedriftskontekst, evnen til å arbeide over legacy og moderne systemer, og disiplinen til å endre hvordan arbeid faktisk blir gjort. Det er også muligheten jeg er mest spennende.

Inkubasjonsmiljøer som LabX er hvordan vi får repetisjoner. De er hvor du lærer hva som bryter i skala, hva styring faktisk ser ut som i praksis, og hva kunder vil og ikke vil adoptere. Bedriftene som investerer i slike rom nå – internt eller gjennom partnere – vil ha en veldig annerledes evne-kurve om tre år enn de som fortsatt bestemmer seg for om det er verdt innsatsen. Og oss som bygger i dette rommet, vil fortsette å finne nye problemer verdt å løse, fordi teknologien ikke bremses, og heller ikke muligheten.