Michael Majster, Partner i Arthur D. Little – Intervju-serie

Michael Majster, Partner i Arthur D. Little, er en erfaren strategi- og teknologikonsulent med dypt ekspertise i digital transformasjon, IT-strategi og innovasjonsledet vekst. Basert i Brussel og arbeider i Benelux-regionen, bringer han mer enn to tiår med erfaring i å rådgive CIO-er og seniorledere på å drive storstilte endringer og levere målbare forretningsresultater. Før han ble med i Arthur D. Little, tilbrakte han 16 år i Accenture, der han hadde seniorlederroller, inkludert administrerende direktør for tekniske ressurser i Frankrike og Benelux, og utviklet sterk sektor-ekspertise over energi, utilsikt, kjemikalier og naturressurser.

Arthur D. Little er ett av verdens eldste management-konsulentselskaper, grunnlagt for over 135 år siden og vidt anerkjent for sin fokus på innovasjon, strategi og teknologidrevet transformasjon. Selskapet arbeider med globale organisasjoner for å løse komplekse forretningsutfordringer, kombinere strategisk innsikt med dypt bransje-ekspertise for å støtte områder som digital transformasjon, innovasjonsledelse og operasjonell forbedring. Med en sterk vekt på å kombinere strategi, teknologi og gjennomføring, har Arthur D. Little bygget en reputasjon for å hjelpe kunder å utvikle gjennombruddsinnovasjoner og tilpasse seg raskt endrende markedsdynamikk.

Du tilbrakte over 16 år i Accenture, og ledet til slutt teknologi og ressurser i BeNeLux og Frankrike, før du ble partner i Arthur D. Little. Hvordan har denne reisen formet din perspektiv på hva det virkelig tar for organisasjoner å gå fra AI-eksperimentering til storstilte operasjonelle transformasjoner?

Under min tid i Accenture, så jeg selskapet vokse fra 30 000 til over 500 000 ansatte. Jeg opplevde selv hvordan IT-leveranse kan industrialiseres til en ekstrem grad for å støtte storstilte transformasjoner for CIO-er.

Over årene har IT likevel blitt en mer og mer integrert del av forretningen, og det har blitt nødvendig for organisasjoner å gå bort fra å behandle det som en vare.

Da jeg gikk over til Arthur D. Little, ønsket jeg å utforske hvordan disse strategiske transformasjonene av kjernen i forretningen kunne håndteres fra innen, hvordan skreddersydd løsninger i stedet for standardiserte plattformer ville kunne enable differensiering, og hvordan felles ansvar for hele ExCo kunne hjelpe organisasjonen å gjøre et steg i verdiskaping.

I din nylige synspunkt, It’s not the agents, it’s the system, argumenterer du for at multi-agent AI er mindre om teknologi og mer om endringer i driftsmodellen. Hvorfor tror du at så mange organisasjoner fortsatt nærmer seg AI primært som et verktøyproblematikk?

Organisasjoner nærmer seg AI som et verktøyproblematikk fordi det passer godt inn i eksisterende strukturer, budsjetter og eierskap, og unngår kompleksiteten ved tverrfaglig endring. Dette muliggjør raskt pilotprosjekt og synlig fremgang, men ofte resulterer i initiativer som ikke skalerer eller leverer målbare ROI. Mange ledere靠 også på legacy software-mentale modeller, og antar at AI kan deployeres som tradisjonelle IT-systemer, i stedet for å kreve arbeidsflyt- og beslutningsgjennomføring. Samtidig er ansvar for endringer i driftsmodellen diffust og vanskelig å håndtere, noe som gjør teknologiledede initiativer mer attraktive. Som resultat, velger selskapene verktøy fordi det er enklere og tryggere enn å konfrontere den dypere transformasjonen som er nødvendig for å låse opp AI-s fullverdi.

Mange bedrifter eksperimenterer for tiden med agens AI, men sliter med å skalerer. Hva er de vanligste strukturelle barrierene som forhindrer organisasjoner fra å gå fra pilotprosjekt til produksjon?

Organisasjoner sliter med å skalerer agens AI fordi de fokuserer på isolerte brukstilfeller i stedet for å redesigne hele prosesser med klart eierskap. Driftsmodellene er ofte ikke tilpasset, med uklare roller, beslutningsrettigheter og utilstrekkelig integrasjon av menneske-agent-samarbeid i daglige arbeidsflyter. Mange initiativer mangler også sterke koblinger til målbare forretningsresultater, noe som får dem til å stoppe i pilotfasen uten å demonstrere ROI. I tillegg begrenser fragmentert data og legacy-systemer evnen til at agenter kan operere sammenhengende over funksjoner. Til slutt, svak endringsledelse og uavklarte styringsproblemer rundt risiko og pålitelighet hindrer ytterligere adopsjon og skalerer.

Du betoner at orkestrering, ikke enkeltagenter, er der den virkelige verdien ligger. Hva ser effektiv orkestrering ut som i en virkelig bedriftsmiljø?

Effektiv orkestrering betyr å designe AI rundt hele forretningsprosesser, ikke enkeltverktøy, med agenter tildelt klare roller over hele arbeidsflyten. Flere agenter samarbeider som et team – håndtering innlasting, beslutning, gjennomføring og overvåking – koordinert gjennom et sentralt orkestreringslag. Disse agentene er tett integrert med bedriftssystemer via API-er og datakilder, og muliggjør reelle handlinger i stedet for bare innsikt. Orkestreringslaget håndterer også oppgave-sekvensering, unntak og eskalering til mennesker, og sikrer jevn og kontrollert gjennomføring. Til slutt, sterke styringsmekanismer, valideringsmekanismer og tilbakemeldingsløkker er innbygget for å sikre pålitelighet og kontinuerlig forbedring.

Når organisasjoner redesigner arbeidsflyter rundt AI, hvordan bør beslutningsrettigheter utvikle seg mellom mennesker og autonome systemer for å unngå både over-automatisering og flaskhalser?

Beslutningsrettigheter bør utvikle seg til en risikobasert modell hvor lav-risiko, høy-volum-decisjoner automatiseres, mens høy-impakt eller usikre tilfeller forblir under menneskelig kontroll. Agenter bør håndtere persepsjon, analyse og gjennomføring, mens mennesker fokuserer på dømmekraft, unntak og definering av riktige resultater. Klare eskaleringsspor er essensielle, så agenter vet når de skal avvise beslutninger i stedet for å gå over sine fullmakter. For å unngå flaskhalser, bør menneskelig involvering være selektiv og fokusere på unntak i stedet for fullt tilsyn over hver enkelt steg. Samtidig, sterke vegger, valideringsmekanismer og overvåking sikrer kontroll og forhindrer over-automatisering.

En av dine viktigste poenger er at pålitelighet må være konstruert fra ende til ende. Hva er de største feilmodusene du ser i dag når selskaper deployer multi-agentsystemer uten tilstrekkelige sikkerhetstiltak?

En nøkkel-feilmodus er feilpropagasjon, hvor små feil fra en agent kan forplante seg gjennom systemet og bli forsterket. Et annet problem er hallusinasjon og feil trygghet, da AI kan generere plausibelt, men feilaktig utgang uten å signalisere usikkerhet. Organisasjoner sliter også når for mye autonomi gis til agenter i høy-impakt-decisjoner uten tilstrekkelig validering eller godkjenning. Svak unntakshåndtering forsterker problemet, da agenter ikke kan eskalere tvetydige eller randtilfeller til mennesker. Overordnet, skjer feil fordi pålitelighet ikke er konstruert over hele systemet av koordinasjon, verifisering og overvåking.

Styring blir ofte behandlet som et kompatibilitetslag i stedet for et designprinsipp. Hvordan bør selskaper tenke om styring når de bygger AI-naturlige driftsmodeller?

Styring bør skifte fra et etterfølgende kompatibilitetslag til et kjerne-designprinsipp som er innbygget direkte i AI-arbeidsflyter. Dette betyr å integrere vegger, valideringssteg og godkjenning i nøkkel-beslutningspunkter i stedet for å legge til kontroller etter deployering. Selskaper bør adoptere en risikobasert tilnærming, og justere nivåer av autonomi og menneskelig tilsyn avhengig av beslutningsimpakt og usikkerhet. Klart ansvar og beslutningsrettigheter må være definert, og sikre at agenter vet når de skal handle og når de skal eskalere. Til slutt, kontinuerlig overvåking, tilbakemeldingsløkker og konstruert pålitelighet-mekanismer er essensielle for å opprettholde tillit, ytelse og kontroll på skala.

Fra ditt arbeid med å rådgive CIO-er og CDO-er, hva skiller organisasjoner som oppnår målbare ROI fra AI fra de som forblir fast i permanent eksperimentering?

Organisasjoner som oppnår ROI fokuserer på hele prosess-transformasjon i stedet for isolerte AI-brukstilfeller. De kobler initiativer til klare finansielle KPI-er og innbygger AI i arbeidsflyter, roller og beslutningsstrukturer. De investerer også i endringsledelse, adopsjon og styring for å sikre at løsningene skalerer effektivt. I motsetning, organisasjoner som er fast i eksperimentering kjører isolerte pilotprosjekt, fokuserer på verktøy i stedet for prosesser, og mangler klart eierskap og ansvar. Som resultat, kan de ikke oversette AI til målbare forretningsverdi og forblir fanget i pilotfasen.

Når multi-agentsystemer blir mer komplekse, hvordan bør organisasjoner tenke om overvåking, eskalering og tillit for å opprettholde tillit til AI-drevne beslutninger?

Organisasjoner bør behandle overvåking, eskalering og tillit som kjerne-system-design-elementer, ikke ettertanke. Dette inkluderer å sikre full sporbarhet gjennom logging, audit-spor og valideringskontrollpunkter, så beslutninger kan forstås og verifiseres. Overvåking bør fokusere ikke bare på ytelse, men også på resultatkvalitet, feil og hvordan problemer forplanter seg over agenter. Klare eskaleringregler er nødvendige, så agenter kan avvise til mennesker i høy-risiko- eller tvetydige situasjoner uten å skape flaskhalser. Til slutt, tillit kommer fra systemer som er transparente, målbare og designet for menneskelig tilsyn som standard.

I fremtiden, hvordan ser du for deg at bedriftsdriftsmodeller vil utvikle seg over de neste 3 til 5 årene, når multi-agentsystemer blir mer dypt integrert i kjernen av forretningen?

Bedriftsdriftsmodeller vil utvikle seg mot hybrid menneske-AI-arbeidsstyrker, hvor agenter fungerer som digitale ansatte innbygget i kjernen av prosessene. Organisasjoner vil skifte fra funksjonelle siloer til prosess-sentriske strukturer med hele arbeidsflyt-eierskap og orkestrering over arbeidsflyter. Beslutningstaking vil bli mer dynamisk, med rutineoppgaver automatisert og mennesker fokusert på unntak og overvåking. Styrings- og pålitelighet-mekanismer vil bli bygget inn i daglige operasjoner i stedet for å bli behandlet som separate lag. Til slutt, konkurransefordel vil avhenge av hvor godt selskaper redesigner sine driftsmodeller rundt AI, ikke bare på teknologien i seg selv.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Arthur D. Little.