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

Holly Grant, SVP, Strategi og Innovasjon i DXC Technology (DXC ), er en teknologi- og operasjonsleder med dypt erfaring fra bedrifts AI-strategi, finansteknologi, start-up 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 gå fra eksperimentelle AI-piloter til operasjonell drift. (HPE )

DXC Technology er et globalt IT-tjeneste- og konsulentselskap som fokuserer på å hjelpe bedrifter modernisere kritiske systemer over skytjenester, cybersikkerhet, kunstig intelligens, data-infrastruktur og bedriftsoperasjoner. Dannet gjennom sammenslåingen av Computer Sciences Corporation og Hewlett Packard Enterprises Enterprise Services-avdeling, arbeider selskapet med organisasjoner over industrier, inkludert helse, bank, 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, overvåkning, 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 trygt innen eksisterende infrastruktur, i stedet for å erstatte legacy-systemer fullstendig.

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

Min karriere har tatt meg over familiekontorer, start-ups, venturekapital og nå et Fortune 500-selskap midt i en omstrukturering. Det jeg har sett over alle disse miljøene er at ideer ikke lander på egen hånd. De som faktisk skaper verdi, deler tre ting: en ekte kunde som trekker for dem, riktig øyeblikk i markedet og et omfang som er klart og passende smalt. Savner du ett av disse, så stopper selv en briljant idé.

Denne mønsteren har formet hvordan jeg tenkte om LabX. Du trenger en teori om å vinne – en ekte strategi – men du trenger også den operasjonelle muskelen til å bringe det til live, og disiplinen til å tilpasse når du lærer og forhold endrer seg. Strategi uten gjennomføring er et dekk. Gjennomføring uten strategi er bevegelse uten fremgang. LabX er designet for å holde begge deler på én gang.

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, evner og kundeutfall – raskt nok til å bety.

Mange bedrifter eksperimenterer med AI, men sliter med å gå fra piloter til produksjon. Hva er de største hindrene for å skalerer AI utover proof-of-concept-prosjekter, ifølge det du ser i DXC?

To hindrer dukker opp igjen og igjen, og ingen av dem handler egentlig om teknologien.

Det første er endringsledelse. AI endrer hvordan folk arbeider, hva de er ansvarlige for og hvordan beslutninger tas. Hvis du ikke tar med deg arbeidsstokken, så vil den mest elegante modellen i verden stå ubrukt. Det andre er at selskaper begynner å skalerer 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 seg over funksjoner, data og arbeidsflyter. Når driftsmodellen ikke endrer seg, så blir verdien fanget lokalt i stedet for å akselerere over 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 tankesett, styring eller utviklingsprosesser er nødvendige for store bedrifter for å flytte i denne hastigheten?

Det største tankesettsskiftet er å være villig til å bestemme tidligere med mindre perfekt informasjon – og disiplinen til å kutte det som ikke fungerer. Store bedrifter blir komfortable med lange planleggingscykluser fordi de føler seg trygge. De er ikke. I en markedssituasjon som beveger seg så raskt, er både et langsomt “ja” og et langsomt “nei” dyre.

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

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

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

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

En tradisjonell start-up kan flytte raskt, men de kan ikke lett replikere den levde erfaringen av å operere innenfor en slik kompleksitet. Når vi tester et produkt på oss selv først, finner vi stedene hvor det bryter på virkelig data, virkelige arbeidsflyter og virkelige regulatoriske begrensninger – ting som ville dukket opp i en kunde-miljø seks måneder senere. Når vi bringer et tilbud til en kunde, er vi ikke i ferd med å pitche en teori. Vi kan si: “Her er hva det gjorde innen 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, så kvalifiserer det seg ikke. 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 virkelige kompleksiteten?

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 wire-rer deg til en enkelt modell, leverandør eller ramme, så er du i ferd med å satse på at dagens leder fortsatt vil være lederen om 18 måneder. Det er et dårlig veddemål. En dekomponerbar arkitektur lar oss bytte komponenter mens fronten beveger seg, holde oss flytende med hva som faktisk er beste-i-klassen og stress-teste verktøy mot virkelige kundeutfordringer i stedet for leverandør-markedsføring.

På den regulatoriske og data-siden er overholdelse 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 – som viser seg å være en funksjon, ikke en feil, når vi bringer produkter til kunder med de samme begrensningene.

Tradisjonell IT-konsultering avhengig av lange planleggingscykluser og stive implementerings-rammer. 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 skruen, så er det verdiproposisjonen. Industrien har brukt tiår på å selge leveranser – dekninger, veikart, implementeringsplaner – og bli betalt for innsats. I en AI-nativ verden vil kunder ikke ha en leveranse. De vil ha et utfall. De vil ha at arbeidsflyten faktisk kjører, at kostnadene faktisk kommer ned, at inntekten faktisk viser seg.

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

Det er en stor kulturell endring for vår industri, og ikke alle kommer til å klare 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-proff som for noen som er to år ute av skolen.

Vi har nylig kjørt 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 den til å vokse.

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

DXC rammer sin tilnærming som Human+, med vekt på at AI skal 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 det mest verdifulle en bedrifts AI kan gjøre for et selskap, er å redusere antall ansatte. Jeg mener at det er en feil av forestilling.

Kostdisiplin betyr noe, men den virkelige muligheten er vekst: nye inntektsstrømmer, nye produkter, nye tjenestetilbud som ikke var mulig før. AI sin høyest-verdifulle brukssak er å muliggjøre for folk å gjøre arbeid som skaper ny forretningsverdi, ikke bare å optimere hva som allerede eksisterer. Selskapene som får dette rett, vil overstige 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, kreativt problem-løsing, 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 hos kunder, og det er hvordan du låser opp varig konkurransefordel.

Når organisasjoner prøver å integrere AI i eksisterende arbeidsflyter, hva er de vanligste feilene du ser dem gjøre som bremser ned AI-adoopsjon eller begrenser virkelig forretningsverdi?

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

Antidoten mot begge er enkel å si og hard å gjøre: start med forretningsproblemet, sett 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 konsulering, ingeniørarbeid og sikre bedriftstjenester, nå benyttet 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 du fremover, hvordan forventer du at AI-inkubasjonsmiljøer som LabX vil forme hvordan bedrifter utvikler, tester og deployer nye teknologier de neste årene?

Her er hva jeg tror vil være åpenbart i etterkant: vinnerne i denne æraen vil ikke være selskapene med de mest imponerende punktløsningene. De vil være integratorene – de som kan sy AI sammen 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.

AI-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 evnekurve om tre år enn de som fortsatt bestemmer seg for om det er verdt å strebe etter. Og de av oss som bygger i dette rommet, vil fortsette å finne nye problemer verdt å løse, fordi teknologien ikke bremses ned og heller ikke muligheten.

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