Lauri Kien Kotcher, administrerende direktør og medgründer av Different Day – Intervjuserie

Lauri Kien Kotcher, administrerende direktør og medgründer av Different Day, er en erfaren forretningsleder, merkevarebygger, styremedlem og strategisk rådgiver hvis karriere spenner over kunstig intelligens, forbrukerprodukter, detaljhandel, helsevesen, finansielle tjenester og private equity. Før hun grunnla Different Day, var hun administrerende direktør og styremedlem i quip, hvor hun ledet et bredere skifte fra munnhygiene til oral velvære, introduserte nye produkter, revurderte selskapets direkte‑til‑forbruker abonnementmodell, og reduserte driftskostnadene. Hun ledet tidligere The Shade Store og Hello Products, og veiledet sistnevnte gjennom betydelig vekst og oppkjøpet av Colgate i 2020. Tidligere lederstillinger inkluderer seniorroller i L Catterton, Godiva Chocolatier, Lehman Brothers og Pfizer Consumer Healthcare, samt 15 år i McKinsey & Company, hvor hun ble partner og medledet firmaets nordamerikanske forbruksvarer‑praksis. Kotcher sitter også i styret i Freshpet, og bidrar med omfattende erfaring innen vekststrategi, innovasjon, markedsføring, fusjoner og oppkjøp, samt organisatorisk transformasjon.

Different Day hjelper mellomstore organisasjoner med å omgjøre operasjonelle utfordringer til praktiske, tilpassede kunstig intelligens‑applikasjoner som integreres med deres eksisterende teknologimiljøer. I stedet for å fokusere på eksperimentelle AI‑prosjekter eller generelle programvarer, utvikler selskapet ende‑til‑ende‑løsninger designet for å redusere manuelt arbeid, forbedre synlighet, akselerere inntektsvekst, styrke marginer og avdekke nyttige forretningsinnsikter. Arbeidet deres dekker områder som etterspørselsprognoser, forsynings‑ og lagerplanlegging, salgsintelligens, avstemming av økonomisk støtte, etterlevelse, kontraktsanalyse, kundehåndtering (CRM) og resultatrapportering. Different Day posisjonerer teamet som en partner fra første problemoppdagelse gjennom implementering og kunnskapsoverføring, slik at kundene kan drive og fortsette å forbedre applikasjonene internt.

Du tilbrakte tiår med å lede transformasjon i McKinsey, Godiva, hello products, The Shade Store og quip før du medgründet Different Day. Hva overbeviste deg om at mellomstore selskaper trengte en ny type AI‑partner, og hvilke operasjonelle problemer mente du eksisterende teknologileverandører og konsulentselskaper ikke klarte å løse?

Overraskende lever mange bedriftsledere i mørket. Som administrerende direktør og markedsdirektør som driver høyvekstende mellomstore forbrukermerker og detaljister, klarte jeg aldri å få en klar oversikt over hele omfanget av alle de bevegelige delene i virksomheten. Dataene våre levde ofte i adskilte siloer etter kanal, geografi og funksjonell eier. Instinktet mitt var at AI endelig kunne koble disse punktene sammen og hjelpe oss å finne ut hva vi manglet, men jeg hadde ingen anelse om hvem jeg skulle kontakte eller hvor jeg skulle starte. Different Day ble svaret på det spørsmålet.

Mellomstore selskaper har færre ressurser enn store foretak, men de kan også ha mindre byråkrati og teknisk gjeld. Hvordan bør deres tilnærming til AI‑implementering avvike fra storebedriftenes spillbok?

Mellomstore selskaper har en ekstraordinær superkraft de må omfavne. De bør sikte på å hoppe over sine større konkurrenter siden hastighet er deres egentlige fordel. Vår oppfatning er at vi kan gjøre de fleste mellomstore virksomheter til AI‑native organisasjoner, som om de ble lansert i 2026 fra bunnen av. Store foretak er stille redde for at AI vil la mindre rivaler jevne ut spillefeltet, ved å bruke AI‑medarbeidere til å bevege seg raskere uten å øke bemanningen. Færre personer betyr færre beslutningstakere om hva som skal gjøres, hvordan det skal gjøres, og hvilke mål som gjelder, så et mindre organisasjonskart blir en ressurs, ikke en begrensning.

Når du evaluerer en bedrifts operasjoner, hvordan skiller du mellom en arbeidsflyt som virkelig drar nytte av AI og en som heller bør løses med konvensjonell automatisering, forbedret programvare eller prosessomdesign?

Jeg tror på den nakne tilnærmingen: strip arbeidsflyten ned til det grunnleggende. Forenkling av prosessen bør komme før AI. Start med et rent ark – hva ville du gjort her hvis den gamle programvaren og omveiene ikke fantes? De fleste eksisterende prosesser ble bygget for å omgå klønete verktøy, ikke fordi de er den riktige måten å jobbe på. Når kontrakter fornyes, spør hvilke funksjoner du bruker, og med få unntak kan AI bygge noe mer skreddersydd enn det du har i dag. Selv om det alltid finnes systemer som er verdt å beholde, som ERP‑ eller CRM‑systemet ditt, designer vi akkurat de tilleggsfunksjonene du trenger og ingenting mer.

Different Day sier de kan starte med en 72‑timers prototype og gå videre til en produksjonsklar overlevering innen uker. Hva gjør dette tempoet mulig, og hvilke tekniske, sikkerhets‑ eller organisatoriske forhold kan bremse en implementering?

Det kan virke som et overløfte, men det er en refleksjon av vår unike fordel som et selskap grunnlagt av folk som forstår både forretning OG teknologi. Teamet vårt er AI‑native, så byggingen går langt raskere enn tradisjonell programvareutvikling. Det som ikke endres er oppdagelsen: hvem som eier prosessen, hvem som ellers må kjøpe inn, hvilket resultat du sikter mot og med hvor mye, hva som har feilet tidligere. Hopp over dette arbeidet i forkant, og det dukker opp senere; i integrasjoner, i implementering, til en mye høyere kostnad. Tempoet er kun mulig fordi vi legger forståelsen først i stedet for å kode.

Mange mellomstore bedrifter opererer på tvers av adskilte regneark, gamle systemer og inkonsistente datakilder. Hvor mye datapreparasjon er vanligvis nødvendig før AI kan levere pålitelige operasjonelle resultater?

De adskilte dataene de fleste mellomstore selskaper lever med er faktisk muligheten, ikke hindringen. Verktøyene våre viser nøyaktig hvor hullene er, og selskapet bestemmer om og hvordan de skal fylles. Før AI var disse hullene usynlige; noen bare tvang regnearkene inn i en beslutning eller baserte seg på ufullstendige data uten å innse det. Nå kan team se hullet og vurdere beslutningen deretter i stedet for å anta at dataene var solide.

Hvilke måleparametere bør ledere fastsette før de starter et AI‑prosjekt, og hvor raskt bør de forvente å se bevis på at implementeringen gir en meningsfull avkastning på investeringen?

AI kan være nytt, men de klassiske forretningsdisiplinene gjelder fortsatt. Hvor AI støter på problemer er når folk tror at alle de gamle reglene er borte. Hvert AI‑prosjekt trenger ett klart mål fra starten, enten det er salg, merkevaresynlighet, margin, beslutningshastighet eller mer output uten flere ansatte, sammen med en realistisk tidsplan for å nå det. Tidslinjer varierer med antall datatilkoblinger, interne og eksterne systemer som er involvert, og hvor mye verktøyet må lære før resultatet er solid. Du bør se en form for resultat innen tre måneder; mer komplekse prosjekter tar lengre tid. Nøkkelen er å designe prosjektet i faser, slik at du ikke venter på ett stort sluttresultat.

Different Day fremhever applikasjoner som spenner fra etterspørselsprognoser, forsyningsplanlegging, kontraktsintelligens, avstemming av økonomisk støtte og sanntids salgs‑signaler. Hvilke bruksområder gir de mest repeterbare resultatene i dag, og hvilke forblir sterkt avhengige av selskapets bransje og driftsmodell?

Undervurder ikke AI‑s repeterbarhetsfaktor. På mange måter er bedrifter strukturelt mer like enn vi tror, fra universelle kontrakter til å matche kundebehov med interne kapasiteter. Kontraktsintelligens og avstemming av økonomisk støtte er de mest repeterbare i dag; begge har klare parametere og klare utdata, så verktøyet vet nøyaktig hva det skal løse. Etterspørselsprognoser og forsyningsplanlegging er vanskeligere: flere datasett, flere kanaler og langt mer variasjon fra én bedrifts driftsmodell til en annen. Noe som sanntids kundemelding faller midt i mellom, avhengig av selskapets nåværende teknologisk stack og kanaler.

Hvordan skal en bedrift bestemme seg for om den skal kjøpe et ferdig AI‑produkt, bygge internt eller utvikle en tilpasset applikasjon med en ekstern partner? Hvilke spørsmål hjelper med å avdekke unødvendig kompleksitet eller leverandørlås?

Unngå AI‑clickbait og vær skeptisk til LinkedIn‑innlegg som får bygging av sofistikerte verktøy internt til å høres enkelt ut. Bygg internt kun når verktøyet er genuint enkelt, for eksempel et dashbord som henter noen få regneark til én ren visning for et lite antall kolleger. Så snart du trenger sanntidsdatainnhenting fra interne og eksterne systemer, er det utenfor rekkevidde for et ikke‑teknisk team med gjør‑det‑selv‑verktøy. Ferdig AI har samme tak som ferdig SaaS alltid har hatt. Det gir deg en lesning av generiske data, men det gir deg ikke nyansen som er spesifikk for din virksomhet og dine konkurrenter.

Hva er de vanligste feilene du ser selskaper gjøre når de går fra en imponerende AI‑demonstrasjon til et system som ansatte må stole på og bruke hver dag?

Jeg ser en epidemi av «prototype‑itis»: selskaper som faller for den synlige 10 % av isfjellet. Prototypen ser imponerende ut, men det virkelige arbeidet skjer under overflaten: datatesting og tilbake‑testing, testing av hver systemkobling, og sikring av dataene. Deretter kommer endringsledelse: lære folk hvordan de skal bruke den, hvor grensene er, når et menneske må holde seg i løkken, og hvilke spørsmål de skal stille til resultatene. AI bør være egnet for et formål, ikke en erstatning for menneskelig dømmekraft, spesielt i et mellomstort selskap hvor den dømmekraften har tatt år å bygge.

Når AI blir integrert i kjerneoperasjoner, hvordan forventer du at rollene til ledere og frontlinjeansatte vil endre seg, og hva bør mellomstore ledere gjøre nå for å sikre at AI løfter teamene deres i stedet for bare å legge til et ekstra lag med teknologi?

«Ledere» gjaldt en gang å lede mennesker. Raskt har det blitt ledelse av agenter og systemer. Start med å kartlegge teamets største smertepunkter og isolere det manuelle, repeterende arbeidet; det er der AI først hører hjemme, før du gir den mer komplekse beslutninger. Gå før du løper, spesielt i et mellomstort selskap hvor tillit må bygges opp én seier av gangen.

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