Sam Jenkins, Managing Partner i Punchcard Systems – Intervju-serie

Sam Jenkins, Managing Partner i Punchcard Systems, har tilbragt mer enn to tiår med å arbeide på grensen mellom teknologi, entreprenørskap og organisatorisk transformasjon. Siden han var med å grunnlegge Punchcard Systems i 2016, har han hjulpet til å lede selskapets vekst samtidig som han har rådgitt organisasjoner om digital arbeidsplass-strategi, tilpasset programvare, kunstig intelligens og nye teknologier. Hans tidligere erfaring inkluderer å være med å grunnlegge Startup Edmonton og Wellnext, å lede forretningsutvikling og Microsoft (MSFT ) -arbeidsplass-teknologier i iomer internet solutions, og å inneha ledende og styreverv i teknologi-, helse-, offentlig sikkerhet og samfunnsorganisasjoner. Denne bakgrunnen har gitt ham en bred perspektiv på hvordan teknologi endrer måten mennesker samarbeider, tar beslutninger og utfører arbeid.

Punchcard Systems er en kanadisk programvare- og teknologipartner som arbeider med scale-ups og mellomstore bedrifter for å designe, utvikle og implementere digitale løsninger knyttet til målbare forretningsobjektiver. Ved å betjene over 150 kunder i Canada og USA, omfatter selskapets evner tilpasset web- og mobilprogramvare, kunstig intelligens, skyinfrastruktur, data og analyser, brukeropplevelsedesign og arbeidsplass-teknologier som Microsoft 365, Azure, Copilot, Teams, SharePoint og Power Platform. Punchcard fokuserer på å hjelpe organisasjoner modernisere drift, forbedre medarbeider- og kundeopplevelser og integrere nye teknologier i praktiske forretningsprosesser.

Din karriere har fulgt utviklingen av arbeidsplass-teknologi, fra Microsoft SharePoint-baserte ansattplattformer og å være med å grunnlegge Startup Edmonton til å bygge Wellnext og til slutt Punchcard Systems. Hvordan har denne erfaringen formet din syn på skiftet fra programvare som ansatte opererer selv til AI-agenter som stadig utfører arbeid på deres vegne?

Når jeg først begynte å arbeide med digitale arbeidsplass-teknologier som SharePoint (tilbake i 2003!), var fokuset på å skape bedre måter for ansatte å finne informasjon, dele kunnskap og samarbeide. Til slutt utførte ansatte selv arbeidet: de navigerte systemer, de produserte utdata. I dag går vi forbi AI som et individuelt produktivitetsverktøy og inn i en ny æra med agens-ai, hvor systemer kan ta på seg mer komplekse, flertrinnsoppgaver på vegne av ansatte.

Dette er det som endrer seg. Som et økosystem, går vi forbi AI som et personlig produktivitetsverktøy og inn i agens-systemer som tar på seg kompleks arbeid på vegne av virkelige mennesker. Claude Cowork og ChatGPT Work gjør allerede denne agens-tilnærmingen ganske mainstream.

Jeg har sett noen av disse teknologiskiftene nå, og mønsteret holder hver gang. Organisasjonene som vinner, behandler ikke ny teknologi bare som en utrullering. De behandler det som en mulighet til å tenke om hvordan mennesker, prosesser og teknologi arbeider sammen.

ChatGPT Work kan samle informasjon fra koblete applikasjoner og filer, fullføre flertrinnsoppgaver og produsere ferdige dokumenter, regneark og presentasjoner. Hvordan vil dette endre de daglige ansvarene til kunnskapsarbeidere som tidligere selv lagde disse materialet?

Jeg tror at arbeidet skifter fra “å produsere utdata” til “å styre resultater”. Dette endrer fundamentalt rollen til kunnskapsarbeidere, men dette erstatter ikke behovet for menneskelig innsikt og tilsyn. I stedet vil ansatte stadig skifte fra å lage hver enkelt arbeidsdel selv til å styre, gjennomgå og koordinere AI-genererte utdata.

Mye av det repetitive arbeidet vil flytte til agenten: samle informasjon, bygge presentasjoner eller dokumenter, eller sammenfatte data. Dette frigjør mennesker for arbeid som virkelig trenger en person: strategi, kreativitet, kritisk tenkning og samarbeid.

Ferdigheten som blir stadig mer verdifull, er å vite hvordan man rettleder AI på riktig måte, ved å gi det riktig kontekst, og å gjenkjenne når svaret ser riktig ut, men ikke er.

Du har beskrevet en økende behov for “AI-ledere”. Hva ville denne rollen innebære i praksis, og hvordan ville den forskjellige seg fra ansvarlige roller som IT-administrator, produktleder eller tradisjonell leder?

AI-ledere vil spille en viktig rolle i å hjelpe organisasjoner å adoptere AI på en ansvarlig og effektiv måte. Deres ansvar vil være å styre og kontrollere AI-utdata, og sikre at AI-generert arbeid er nøyaktig, pålitelig og i samsvar med forretningsobjektiver.

Dette er en annen jobb enn tradisjonell IT, som eier infrastruktur og tekniske systemer, eller en produktleder, som fokuserer på å utvikle og forbedre produkter. Hvert avdeling vil trenge noen som forstår hvordan AI anvendes i deres spesifikke områder, enten det er finans, juridisk, HR eller drift.

Den virkelige skiftet er eierskap. Nå har de fleste organisasjoner ikke utpekt noen som er klart ansvarlig for om disse systemene leverer verdi og holder seg innen akseptable risiko. Denne gapen, i å identifisere direkte ansvarlige personer, er hva disse rollene vil fylle.

KPMG Canada fant ut at AI-agenter allerede påvirker hvordan organisasjoner ansetter både nyansatte og erfarne ansatte. Hvilke ferdigheter vil bli mer verdifulle når arbeidsgivere begynner å vurdere kandidater på deres evne til å delegere arbeid til AI, evaluere utdata og gripe inn når nødvendig?

Ferdighetene som vil bli stadig mer verdifulle, er de som forblir unikt menneskelige, som kritisk tenkning, dømmekraft, kommunikasjon, kreativitet, problemløsning og ledelse.

Teoretisk AI-litteratur vil fortsette å være viktig, men arbeidsgivere ser etter mennesker som forstår hvordan AI passer inn i det bredere forretningsmiljøet. Dette inkluderer ferdigheter som endringsledelse, risikostyring og strategisk tenkning.

Linjen mellom tekniske og ikke-tekniske roller utviskes. Organisasjoner flytter bort fra å ansette bare for ferdighetene noen allerede har, og mot mennesker som er villige til å lære, tilpasse seg og kontinuerlig oppgradere ferdighetene sine. De mest verdifulle ansatte vil være de som kan bruke AI-kapasiteter samtidig som de forstår hvor menneskelig dømmekraft forblir essensiell.

Mange ansatte utviklet tradisjonelt profesjonell dømmekraft ved å fullføre repetitive innledende oppgaver. Hvis AI-agenter absorberer mye av dette grunnleggende arbeidet, hvordan kan organisasjoner redesigne opplæring og karriereutvikling så yngre ansatte fortsatt får erfaringen som trengs for å bli effektive beslutningstakere?

Dette er en sannhet som bekymrer meg litt. Mennesker bygget tidligere dømmekraft og erfaring ved å gå gjennom innledende oppgaver. Hvis agenter gjør dette arbeidet, mister stigen noen av trinnene.

Organisasjoner må være mer bevisste enn noen gang om å bygge junior-talent gjennom mentorering, coaching, beslutningsøvelser og eksponering for høyere-verdi-prosjekter tidligere i noen sin karriere.

Det er også en mulighet for omvendt mentorering, hvor yngre ansatte som er mer kjent med AI-verktøy kan hjelpe team å forstå hvordan disse teknologiene kan anvendes, mens erfarne ansatte fortsetter å gi bedriftskontekst og dømmekraft som AI ikke kan replikere.

Målet bør være å redesigne læreprosessen for en arbeidsplass hvor mennesker og AI arbeider sammen.

Punchcard har omfattende erfaring med å implementere Microsoft 365 og relaterte arbeidsplass-teknologier. Hvordan endrer ChatGPT Work det konkurranseutsatte landskapet for Microsoft Copilot og Google Gemini, og hva faktorer bør organisasjoner vurdere når de velger en AI-plattform for daglig arbeid?

Landskapet utvikler seg raskt, og organisasjoner har flere alternativer enn noen gang. Avgjørelsen bør komme ned til hvilken løsning best samsvares med en organisasjons eksisterende teknologi-miljø, arbeidsflyt, sikkerhetskrav og forretningsmål.

For organisasjoner som allerede er investert i Microsoft 365, kan verktøy som Copilot gi fordeler gjennom integrasjon med eksisterende applikasjoner og data. Andre kan finne andre plattformer bedre egnet til deres behov.

Jeg tror det viktigste spørsmålet ledere bør stille, er ikke “hvilket verktøy?” Det er “hva problem løser vi, og hvilken plattform hjelper oss å løse det på en ansvarlig måte?”

Her er hva vi har lært første hånd: suksessfull adopsjon handler om mer enn verktøyet. Vi har implementert selskapsomfattende AI-plattformer, med tilpassede modeller tilpasset hvordan vi faktisk arbeider. Hver enkelt ansatt bruker det, men det kom ikke fra å velge riktig produkt; det kom fra sterke data-grunnlag, styring og bygging av AI i hvordan selskapet kjører.

Modell-ytelse dominerer ofte samtaler om arbeidsplass-AI, men organisasjoner må også vurdere tillatelser, data-tilgang, granskbarhet og ansvar. Hva styringskontroller bør etableres før en AI-agent tillates å operere på tvers av e-post, dokumenter, interne databaser og forretningsapplikasjoner?

En av de største feilene jeg ser organisasjoner gjøre, er å behandle AI-styring som en ettertanke. Mens AI-systemer blir mer kapable og koblet til forretningsdata, må organisasjoner etablere klare prinsipper om hvordan disse verktøyene brukes før de skaleres bredt.

Dette starter med å forstå hva informasjon AI-systemer kan få tilgang til, sikre at tillatelser er riktig avgrenset, og sette kontroller på plass rundt overvåking og ansvar.

Organisasjoner må også ha klare retningslinjer om hvor AI kan operere uavhengig og hvor menneskelig tilsyn er nødvendig.

Ved å bygge riktige grunnlag rundt data og sikkerhet på forhånd, kan bedrifter låse opp verdien av AI samtidig som de håndterer risikoene som følger med stadig mer autonome systemer.

Når AI-agenter tar handlinger i stedet for bare å gi svar, kan feil ha operasjonelle konsekvenser. Hvordan bør bedrifter validere agent-generert arbeid, bestemme hvilke handlinger som krever menneskelig godkjenning, og tildele ansvar når en agent produserer et nøyaktig resultat eller tar en uventet handling?

Når AI går fra å svare til å handle, endrer risikoprofilen seg. Ikke hver enkelt oppgave bærer samme vekt, så skillet for menneskelig godkjenning bør skaleres med hva som står på spill.

Det krever enkelt eierskap. AI bør støtte beslutningstaking, ikke erstatte ansvar. Organisasjoner må definere hvem som overvåker AI-ytelse, validerer utdata og er til slutt ansvarlig for resultater. Målet er å kombinere AI-drevet effisiens med menneskelig dømmekraft, og skape systemer som er både skalerbare og pålitelige.

Mange organisasjoner eksperimenterer med AI uten å koble adopsjon til målbare forretningsresultater. Hvordan bør ledere identifisere verdifulle agens-bruksområder, måle deres avkastning på investering, og bestemme om en pilot er klar til å skaleres over hele organisasjonen?

Gapet sporer vanligvis tilbake til sekvensering. Team velger en teknologi først og så leter etter et sted å plassere den, når de varige seirene kommer fra å starte med en arbeidsflyt som allerede er smertefull og dyrekjøpt og å spørre om en agent er virkelig riktig verktøy.

Det beste filteret er variasjon. Hvis en prosess er forutsigbar nok for en regel-motor, trenger du ikke en agent. Hvis det er så åpent at ingen kan beskrive et godt resultat, vil agenten streve og du vil ikke være i stand til å stole på den. Verdien ligger imellom, i arbeid som trenger dømmekraft på tvers av flere systemer, men fortsatt kjører innenfor avgrensede, granskbar regler.

Jeg ville tilføye ett skjermings-spørsmål som endrer risikoprofilen mer enn noe annet. Er kostnaden av en feil handling begrenset og reversibel? Der det er, la agenten handle og flytt raskt. Der en feil er dyrekjøpt eller vanskelig å angre, hold en person i beslutningen.

Angående avkastning, er den vanlige feilen å måle feil ting for sent. Tid sparing er standard-målet, men det undervurderer impakten. De større avkastningene viser seg som syklus-tid-komprimering, lavere feilrater og kapasitet som tidligere var rasjonert blir tilgjengelig. En support-team som bare kunne nå halvparten av billettene blir en annen forretning når de kan nå alle. Fange en ren baseline før piloten starter, fordi uten det er du fast i å argumentere over anekdoter. Og når du teller kostnad, tell hele bildet. Integreringsarbeid og menneskelig overvåkningstid er virkelige linje-poster, og overvåking er kronisk undervurdert.

Å bestemme om å skaleres, er hvor disiplin betyr mest, og det er steget team rusher. En demo på rene inndata forteller deg lite. En pilot er klar når den holder på den lange halen av urene, virkelige inndata, når feil-modusene er forstått og begrensede, når overvåkbarhet er på plass så en stille feil fanges i stedet for å bli oppdaget av en kunde, og når en navngitt person er ansvarlig i produksjon.

Kjør en enhets-økonomi-sjekk også, siden agent-kostnader skalerer med bruk på en måte programvare-seter ikke gjør.

Agens-systemer feiler forskjellig enn tradisjonell programvare. De feiler probabilistisk og ofte stille, så organisasjoner som trekker frem bygger evaluering og overvåking inn fra dag én i stedet for å bolt det på etter at noe feiler.

Punchcard Systems hjelper organisasjoner å gå fra å eksperimentere med AI til å integrere det i virkelige forretningsprosesser. Hvordan vurderer du en organisasjons beredskap for AI, identifiserer arbeidsflytene hvor det kan levere målbare verdi, og hjelper team å implementere disse systemene på en ansvarlig måte uten å forstyrre eksisterende drift?

Det er viktig å starte med å forstå en organisasjons nåværende tilstand. En av de største misforståttene er at AI-adoptsjon bare handler om å velge riktig verktøy. I virkeligheten avhenger suksessfull implementering av å ha sterke grunnlag: kvalitetsdata, klare prosesser og definert eierskap.

Deretter hjelper vi organisasjoner å peke ut hvor AI kan skape mest verdi, ofte i arbeidsflyter som spiser opp uforholdsmessig mye tid i forhold til deres impakt, eller i beslutninger som tas uten riktig informasjon på hånden.

Organisasjoner må tenke på hvordan roller og beslutningstaking vil utvikle seg sammen med teknologien. Ved å kombinere riktig teknologi med ansatt-adoptsjon og endringsledelse, kan bedrifter integrere AI på en måte som skaper målbare verdi uten å bryte det som allerede fungerer.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Punchcard Systems.