Jason Wojahn, administrerende direktør i KMS Technology – intervjuserie

Jason Wojahn er administrerende direktør i KMS Technology og har rundt tre tiår med erfaring fra å bygge opp og skalere virksomheter innen teknologitjenester for store selskaper. Han var med på å grunnlegge og lede Thirdera før selskapet ble kjøpt opp av Cognizant, ledet tidligere Accenture sin globale ServiceNow-virksomhet og hadde lederroller i Cloud Sherpas og IBM Global Services. Arbeidet hans dreier seg om omstilling i store virksomheter, driftsmodeller og å omsette fremskritt innen AI til målbare forretningsresultater.

KMS Technology er et selskap innen digital ingeniørkunst, data og AI som hjelper organisasjoner med å utvikle programvare, modernisere applikasjoner, styrke datagrunnlaget og ta i bruk AI i produksjonsmiljøer. Tjenestene omfatter teknisk rådgivning, produktutvikling, datateknikk og intelligent automatisering av arbeidsflyter. I dette intervjuet snakker Wojahn om «gjennomføringsøkonomien», gapet mellom AI-pilotprosjekter og produksjonssetting, beslutningsmyndighet for agenter og hvordan virksomheter kan måle fremgang gjennom resultater fra start til slutt.

Du har brukt tre tiår på å bygge opp og skalere teknologiorganisasjoner for store virksomheter, fra å utvikle Navigis og lede Accenture sin globale ServiceNow-virksomhet til å bygge opp Thirdera og nå være administrerende direktør i KMS Technology. Hvordan har disse erfaringene formet perspektivet ditt på omstilling i store virksomheter, og hva tiltrakk deg ved utfordringen med å hjelpe organisasjoner med å bli AI-native?

Jeg begynte i IBM Global Services, der jeg hadde ansvar for leveranser til store bedriftskunder. Derfra gikk veien videre til Navigis, Cloud Sherpas, Accenture, Thirdera og Cognizant, nesten alt sammen innenfor ServiceNow-økosystemet.

Her er mønsteret jeg stadig så: Hver nye plattformbølge lovet omstilling, men teknologien avgjorde sjelden hvem som vant. Vinnerne var selskapene som endret hvordan arbeidet faktisk fløt gjennom organisasjonen.

Årene med ServiceNow lærte meg at verdien ligger i arbeidsflytene, ikke i dashbordene. I tretti år ble programvare for store virksomheter stadig bedre til å fortelle oss hva som skjedde. Den var langt dårligere til å gjøre noe med det. Mennesker fylte dette tomrommet. De ble det ubetalte integrasjonsteamet som flyttet arbeidet fra ett system til det neste.

AI endrer dette. Intelligens blir stadig mer tilgjengelig. Det som nå er mangelvare, er evnen til å omsette den i koordinert handling. Det var dette som fikk meg til KMS: den dype ingeniørkompetansen som trengs for å bygge systemer som utfører arbeidet, i stedet for bare å følge det, og muligheten til å bli AI-native snarere enn bare AI-støttet.

Mange store virksomheter har gjennom pilotprosjekter vist at AI har potensial, men strever likevel med å omsette de første gevinstene i verdi i stor skala i produksjon. Hvilke hindringer møter organisasjoner oftest når de skal gå fra eksperimentering til praktisk bruk, og hvorfor dukker disse utfordringene ofte først opp etter at teknologien har vist seg å fungere?

En pilot viser at modellen fungerer. Produksjonssetting viser om organisasjonen fungerer.

Dette er to svært forskjellige prøver. En pilot kjøres på rene, nøye utvalgte data, med en engasjert sponsor og et lite team som finner løsninger rundt alle manglene. Den er laget for å unngå de vanskelige delene.

I produksjon kan man ikke unngå dem. Nå må agenten koble seg til fem systemer i stedet for ett. Noen må ta ansvar for resultatet når den gjør noe galt, avgjøre hva den har lov til å godkjenne, og betale for å drifte den hver dag.

Derfor dukker disse utfordringene opp etter at teknologien har vist seg å fungere. De var aldri teknologiproblemer. De handler om data, integrasjon, eierskap og myndighet, og piloten var utformet for å omgå hver eneste av dem.

Løsningen er å slutte å behandle piloter som demonstrasjoner. Se på piloten som første fase av produksjonssettingen. Velg en viktig arbeidsflyt, koble den til de faktiske systemene, utpek en ansvarlig og definer hva agenten kan avgjøre fra første dag. Det tar lengre tid å komme i gang, men går mye raskere å skalere.

Du har beskrevet en dreining mot en «gjennomføringsøkonomi», der konkurransefortrinn i økende grad avhenger av organisasjonens evne til å omsette intelligens i koordinert handling. Hva betyr dette i praksis, og hvordan endrer det måten store virksomheter bør investere i AI på?

Alt arbeid følger den samme kjeden: informasjon, innsikt, beslutning og gjennomføring.

Programvare for store virksomheter har brukt flere tiår på de to første leddene, og AI forbedrer raskt de tre første. De fleste organisasjoner står fortsatt fast når det gjelder gjennomføring, og det er her konkurransefortrinnet er i ferd med å flytte seg.

I praksis betyr gjennomføringsøkonomien at intelligens ikke lenger er en knapp ressurs. Det er evnen til å få ting gjort som er det. To selskaper kan ha de samme modellene, de samme dataene og den samme innsikten. Vinneren er det selskapet som omsetter innsikten i koordinert handling, med tydelig myndighet og et revisjonsspor.

Det endrer hvordan man bør investere. I dag går mesteparten av AI-budsjettene til verktøy: copiloter, assistenter og bedre søk. De gjør enkeltpersoner mer effektive. Men et forslag som AI utarbeider på ti minutter, kan fortsatt bli liggende til godkjenning i tre dager. Raskere oppgaver gir ikke nødvendigvis raskere resultater.

Invester derfor i arbeidsflyter, ikke verktøy, og begynn med et annet spørsmål. Ikke «Hvordan gjør vi denne medarbeideren 20 % mer produktiv?», men «Hvilket arbeid bør ikke lenger kreve koordinering mellom mennesker?».

Etter hvert som KI går fra å hjelpe ansatte med enkeltoppgaver til å utføre hele arbeidsflyter autonomt, hvordan må organisasjoner tenke nytt om eksisterende prosesser, beslutningsstrukturer og ansvarlighetsmodeller?

De fleste prosesser i virksomheter ble utviklet med utgangspunkt i menneskelige begrensninger. Informasjon beveget seg sakte, så vi innførte møter. Beslutninger krevde tilsyn, så vi opprettet godkjenningskjeder. Mye av det vi kaller prosesser, er egentlig overleveringer mellom mennesker.

Automatiserer du prosessen slik den er i dag, automatiserer du organisasjonskartet. Du får raskere overleveringer, ikke færre.

Nytenkningen må begynne med beslutningene, ikke oppgavene. Kartlegg beslutningene i hver arbeidsflyt. Hva kan en agent anbefale? Hva kan den avgjøre? Hva kan den utføre på egen hånd? Når må et menneske gripe inn?

Fullmakter knyttes til beslutninger, ikke til hele arbeidsflyter. En agent kan for eksempel få full tillit til å avstemme en faktura, men likevel måtte be et menneske godkjenne alle betalinger over en fastsatt grense.

Ansvarligheten forsvinner ikke. Den blir tydeligere. Mennesker og agenter har et felles ansvar for gjennomføringen: Agentene utfører arbeidet, mens mennesker fastsetter fullmaktene, håndterer unntakene og står ansvarlige for resultatet. Hver agent må ha en navngitt ansvarlig, og alle handlinger bør kunne spores og, der det er mulig, reverseres.

Ledelsens rolle går fra å koordinere arbeidet til å utforme systemene som utfører det.

Du er opptatt av å omstille tradisjonell digital produktutvikling til KI-native gjennomføring i virksomheter hos KMS Technology. Hvordan arter denne omstillingen seg internt, og hvordan går KMS frem for å integrere KI, dataplattformer og intelligent orkestrering av arbeidsflyter slik at det gir målbare forretningsresultater?

Vi begynner med å bruke den samme tankegangen på oss selv. KMS har vokst frem som et selskap innen digital produktutvikling. Neste kapittel handler om KI-native gjennomføring i virksomheter: utvikle, modernisere og drifte, med mennesker og agenter som har et felles ansvar for gjennomføringen. Resultatene måles i tid og innsats:

Utvikle. Evergreen Telehealth ønsket en telehelseplattform basert på agentisk KI og FHIR-standarden for helsedata, men det fantes ikke noe tilsvarende på markedet. Teamet vårt og ingeniørene hos Evergreen jobbet KI-native, med Claude integrert i kravarbeid, design, utvikling og testing, og tok kjerneplattformen fra idé til produksjon på 75 arbeidsdager. Dette omfattet tre apper (nett, iOS og Android), fire aktive integrasjoner (EPJ, identitetsverifisering, betalinger og apotek) og to agenter i produksjon. Mennesker ledet arbeidet, mens KI satte opp farten. Agentene utarbeidet brukerhistorier, genererte kode og kjørte tester. Ingeniørene hadde ansvaret for arkitekturen, kartleggingen av kliniske data og alle viktige beslutninger.

Moderniser. Et annet eksempel: Et programvareselskap innen maritim sektor måtte erstatte en plattform det hadde driftet lokalt i mer enn 20 år. Selskapet kunne ikke forsvare en langvarig, tradisjonell gjenoppbygging før investorene så fremgang, så vi gjennomførte et seks uker langt, tidsavgrenset agentbasert utviklingsløp. Kundens krav ble lagt inn som kontekst, slik at agentene bygget i tråd med spesifikasjonen i stedet for bare å generere kode. Teamet leverte 35 til 45 prosent av MVP-omfanget på omtrent 800 teamtimer, sammenlignet med et opprinnelig anslag på 6 000 til 8 000 timer. Agentene skrev koden og mer enn 5 000 enhetstester. Ingeniørene satte rammene og vurderte kvaliteten.

Drifte. Evergreen har siden utvidet agentarkitekturen til hele virksomheten, med overvåkingsagenter som følger med på systemet og mennesker i løkken som vurderer og retter opp.

Vi skriver ikke bare kode raskere. Vi endrer hvor mye arbeid et team kan utføre.

I alle de tre områdene har mennesker og agenter et felles ansvar for gjennomføringen. Agentene håndterer det rutinepregede arbeidet. Ingeniørene våre og teamene hos kundene våre har ansvaret for beslutningene, unntakene og resultatet.

Den samme endringen gjør at vi kan få mer ut av leveransekapasiteten. Det er forskjellen mellom KI-native leveranser og KI-støttede leveranser.

KI-systemer for virksomheter er i økende grad avhengige av tilgang til informasjon på tvers av fragmenterte eldre applikasjoner, skyplattformer og datamiljøer. Hvor stor er utfordringen med å koble disse systemene sammen, og hvilket arkitektonisk fundament bør organisasjoner etablere før de forsøker å ta i bruk KI-drevne arbeidsflyter i stor skala?

Dette er den største utfordringen. De fleste virksomheter har ikke et KI-problem. De har et fragmenteringsproblem som KI har gjort umulig å overse.

Se på hvordan arbeidet utføres i dag. Noen finner informasjon i én applikasjon, følger opp en godkjenning i en annen og kopierer resultatet inn i en tredje. Mennesker utgjør integrasjonslaget. En agent kan ikke utføre dette arbeidet uten tilgang til systemene, forståelse av konteksten og de nødvendige tillatelsene til å handle.

Derfor er fundamentet viktigere enn modellen. Fire ting må på plass først:

• en moderne dataarkitektur som gir agentene pålitelig kontekst
• et integrasjonslag som lar agentene utføre handlinger på tvers av systemer, ikke bare lese fra dem
• identitets- og tillatelsesløsninger som er utformet for agenter, ikke bare for mennesker
• overvåking, slik at du kan se hva hver agent gjorde, og hvorfor

Teknologistakken blir også mer sammenpresset. Dataplattformer blir operative, arbeidsflytplattformer blir intelligente, og applikasjoner blir hodeløse. Hvis arbeidsflyten kan gå på tvers av stakken, hvorfor skal brukeren måtte gjøre det?

Ikke vent på den perfekte arkitekturen. Velg én viktig arbeidsflyt, og moderniser det den berører. Ta deretter den neste.

Når KI-agenter begynner å ta beslutninger og utføre handlinger på tvers av virksomhetens drift, blir spørsmål om styring, ansvarlighet og menneskelig tilsyn stadig viktigere. Hvordan bør virksomheter avgjøre hvilke beslutninger som kan delegeres til KI, og hvilke som må forbli under menneskelig kontroll?

Jeg ville begynt med å endre spørsmålet. Ikke «Kan KI gjøre dette?» Svaret er i økende grad ja. Det bedre spørsmålet er «Hvem ga den tillatelse til å handle?»

Evne og tilgang er ikke det samme som myndighet. Når en agent kan godkjenne en refusjon, endre en produksjonsplan eller forplikte virksomheten til en utgift, må noen sette grensene.

En praktisk vurdering handler om kostnad og muligheten til å gjøre om beslutningen. En beslutning som gjelder et stort volum, følger regler og er enkel å reversere, egner seg godt for delegering. En beslutning med store konsekvenser, som ikke kan gjøres om, eller som definerer forholdet til en kunde, bør fortsatt tas av et menneske.

Delegering må også fortjenes. Begynn med at agentene kommer med anbefalinger, og at et menneske godkjenner dem. Etter hvert som dokumentasjonen blir sterkere, kan mennesket gå fra å godkjenne hver handling til å føre tilsyn med systemet og håndtere unntakene.

Målet er ikke et menneske i hver sløyfe, men et menneske i de riktige sløyfene. Data gir kontekst. Modeller resonnerer. Agenter utfører. Mennesker definerer myndigheten og tar ansvar for konsekvensene.

Du har ledet store virksomheter innen bedriftsplattformer hos Accenture og Cognizant, der skalering av driften krevde at teknologi, mennesker og prosesser ble samordnet på tvers av globale organisasjoner. Hvilke erfaringer fra den tiden er relevante for dagens KI-transformasjon, særlig når motstand i organisasjonen eller utdaterte driftsmodeller blir større hindringer enn selve teknologien?

Integrering lærte meg mer enn noe annet. I Cloud Sherpas, deretter Accenture og senere Cognizant brukte jeg flere år på å slå sammen organisasjoner. Ulike kulturer, leveransemodeller, insentiver og regioner måtte alle fungere som én plattformvirksomhet.

Teknologien var sjelden begrensningen. Det var driftsmodellen.

Tre erfaringer er direkte relevante for KI-transformasjon.

For det første er motstand som regel rasjonell. Folk beskytter det de blir målt på. Innfører du agenter samtidig som teamene fortsatt måles på timer, antall ansatte og aktivitet, får du etterlevelse, ikke endring. Endre måleparametrene, så følger atferden etter.

For det andre må beslutningsmyndigheten være tydelig definert. I alle integreringsprosesser var de vanskeligste samtalene knyttet til hvem som bestemmer hva. KI gjør dette spørsmålet uunngåelig, fordi noen av dem som tar beslutningene, ikke lenger er mennesker.

For det tredje må dere være tydelige på hva som forblir uendret. Folk håndterer endringer bedre når de forstår hvorfor de skjer, og vet hva som ikke skal endres.

KI-transformasjon er en endring av driftsmodellen som også involverer teknologi. Ledere som behandler den som en utrulling av programvare, vil bli skuffet.

Tradisjonelle måltall for KI-suksess legger ofte vekt på adopsjonsgrad, produktivitetsforbedringer og spart tid. Hvilke måltall bør ledere prioritere for å avgjøre om KI faktisk forbedrer virksomhetens gjennomføringsevne, og hvordan kan organisasjoner skille mellom gradvise effektivitetsgevinster og en reell omstilling av driften?

Adopsjon og spart tid er innsatsmål. De forteller deg at folk bruker verktøyet, ikke om virksomheten beveger seg raskere.

Hvis en ingeniør sparer to timer, men lanseringen fortsatt må vente en uke på gjennomgang, har ingenting endret seg for kunden. Raskere oppgaver gir ikke nødvendigvis raskere resultater.

Jeg ville prioritert tre typer måltall:

• Tid fra behov til resultat: hvor lang tid det tar fra en forespørsel kommer inn, til den gir et resultat – fra start til slutt.
• Hvor arbeidet blir stående: hvor lang tid beslutninger tar, overleveringene og køene mellom teamene.
• Arbeid uten koordinering: hvor stor del av en arbeidsflyt som gjennomføres uten at mennesker koordinerer den, samtidig som folk kan konsentrere seg om skjønnsmessige vurderinger og unntak.

Knytt deretter disse måltallene til virksomheten: kostnad per leveranse, kvalitet og inntekter.

Det er enkelt å avgjøre om noe er en omstilling: Gikk oppgaven raskere, eller endret arbeidsflyten form? Gradvis forbedring gjør den samme prosessen raskere. Omstilling fjerner trinnene, overleveringene og godkjenningene som ikke lenger er nødvendige.

Mål tiden fra behov til resultat. Finn ut hvor arbeidet blir stående. Endre det som holder det tilbake.

Hvordan tror du forholdet mellom KI, bedriftsprogramvare og menneskelige arbeidstakere vil utvikle seg de neste tre til fem årene? Ser du for deg en framtid der KI-baserte systemer grunnleggende erstatter tradisjonelle arbeidsflyter i virksomheter, og hva bør ledere gjøre i dag for å forberede seg på denne overgangen?

I tretti år har programvare for virksomheter fortalt oss hva som skjedde. I løpet av de neste tre til fem årene vil den i stadig større grad utføre arbeidet.

Det AI vil erstatte, er koordinering: masingen, kopieringen, overleveringene og oppfølgingen som fyller dagen til de fleste. Folk vil i større grad bruke tiden på vurderinger, unntak, relasjoner og å ta ansvar for resultatene. Det er en bedre bruk av menneskelig ekspertise, men det krever nye ferdigheter, og ledere må utvikle dem bevisst.

Hva bør ledere gjøre i dag? Velg én arbeidsflyt med store konsekvenser, og kartlegg beslutningene den omfatter. Få orden på de underliggende dataene. Definer hva agenten har lov til å avgjøre, og utpek personen som har ansvar for resultatet. Gå deretter videre til neste arbeidsflyt.

Selskaper som behandler AI som et verktøy, vil oppnå effektivitet. Selskaper som omorganiserer seg rundt AI, vil få større effekt av innsatsen. AI er ikke strategien. Det er gjennomføringen.

Takk for et flott intervju. Lesere som ønsker å utforske AI-basert gjennomføring i virksomheter, intelligente arbeidsflyter og overgangen fra AI-pilotprosjekter til produksjon, bør besøke KMS Technology.