Sarah Edwards, Chief Product og Strategy Officer, Kantata – Intervju-serie

Sarah Edwards, Chief Product og Strategy Officer, Kantata, har mer enn 27 års erfaring fra profesjonelle tjenester, konsulenter, produktstrategi og forretningsledelse. Gjennom hele sin karriere har hun arbeidet både i Nord-Amerika og Europa, bygget og skalert tjenesteorganisasjoner samtidig som hun utviklet dyptgående ekspertise innen prosjektlevering, ressursstyring og operasjonell eksellens. Før hun ble med i Kantata, hadde Edwards ledende roller i Hitachi Consulting, der hun ledet globale team og tidligere hjalp til å vokse konsulentselskaper som Fulcrum Solutions og Edenbrook. Hos Kantata er hun ansvarlig for å lede produkt- og strategiinitiativer over hele selskapets portefølje, og hjelper profesjonelle tjenesteorganisasjoner med å forbedre synlighet, prognostisering, ressursallokering og generell forretningsytelse gjennom målrettede teknologiløsninger.

Kantata er en ledende leverandør av profesjonelle tjenesteautomatiseringsprogramvare (PSA), og fokuserer eksklusivt på behovene til konsulentselskaper, byråer, IT-tjenesteleverandører og andre prosjektbaserte organisasjoner. Selskapet ble dannet gjennom en fusjon av Mavenlink og Kimble, og tilbyr en AI-drevet plattform som kobler prosjektplanlegging, ressursstyring, finansielle operasjoner, prognostisering, samarbeid og forretningsintelligens innen en samlet miljø. Deres teknologi er designet for å hjelpe organisasjoner med å forbedre prosjektprofitabilitet, optimalisere arbeidsstyrke, øke prognosepresisjon og få sanntidsvisning over hele tjenesteleveringslivssyklusen. Ved å kombinere operasjonell data med AI-drevne innsikter, hjelper Kantata profesjonelle tjenesteorganisasjoner med å ta mer informerte beslutninger, forbedre leveringsresultater og skalerer effektivt i stadig mer komplekse forretningsmiljøer.

Du startet din karriere som Oracle (ORCL ) -konsulent før du ledet Oracle-praksiser hos Edenbrook og Hitachi Consulting, og hjalp senere til å forme Kantatas produktstrategi over mer enn et tiår. Hvordan har denne reisen påvirket din syn på hvor AI kan skape mest verdi for profesjonelle tjenesteorganisasjoner, og hvilke lærdommer fra disse tidligere konsulentmiljøene er fortsatt relevante i dag?

Når jeg ser tilbake på min karriere, har profesjonelle tjenestesektoren ikke endret seg nevneverdig i løpet av 30 år. Regleboken var å vokse bedriften ved å øke antall ansatte; jo flere ansatte, desto flere prosjekter kunne påta seg. Men nå blir denne regleboken fullstendig omskrevet takket være AI og ny teknologi. Jeg hører mye mer usikkerhet i bransjen nå enn noen gang tidligere. Hva ser vår talent ut som? Hva trenger jeg når det gjelder mennesker og agenter? Hvordan fakturerer jeg AI-agenter? Ingen vet de endelige svarene på disse spørsmålene ennå.

Hva vi vet, er at hvis selskaper holder fast ved den gamle driftsmodellen med å prøve å vokse omsetningen med antall ansatte, vil det bare bli en kappløp mot bunnen. Fra min erfaring i ledende konsulentmiljø, vet jeg at konsultering fortsatt handler om menneskelige relasjoner, men i AI-alderen er profesjonelle tjenesteorganisasjoner under mer press fra kunder for å gjøre mer med mindre og produsere strålende resultater. De må stadig bevise sin verdi. Dette er der AI kan hjelpe, ved å utnytte data og integrert ekspertise for å bygge gjentakende og konsistent intelligens.

Du har argumentert for at mange organisasjoner måler AI-suksess feil ved å fokusere på produktivitet og effisiens. Hvorfor tror du at “ekspertise-akkumulering” er en mer meningsfull målestokk for å evaluere AI-avkastning?

Å fokusere kun på produktivitet og effisiensgevinster dekker ikke tilstrekkelig langtids AI-suksess. AI-aktivering handler om mer enn bare å automatisere status quo; det handler om å fundamentalt endre måten vi opererer på. For meg er en organisasjonens ekspertise-akkumuleringstakt – evnen til å fange, syntetisere, skalerer og kontinuerlig bygge på institusjonell og stammebasert kunnskap – mye mer meningsfullt, da det tillater firmaer å gjennomføre ekspertise i skala. Ekspertise er den primære valutaen i konsulentverdenen, men hvis disse spesifikke ferdighetene og spesialiserte kunnskapene forblir isolert eller i én persons hjerne, er det ikke et effektivt system.

Historisk sett har profesjonelle tjenestesektoren gått på helter – fremragende ansatte som har medfødte ferdigheter eller kunnskap som kunder kan benytte. I dagens verden vil ikke firmaer overleve ved å operere på denne måten. Ekspertise må deles bredt, nøyaktig og raskt, noe AI allerede gjør i en viss utstrekning. Ta for eksempel AI-verktøy som automatisk tar notater under møter og distribuerer dem etterpå. Utfordringen for profesjonelle tjenesteorganisasjoner er at denne utdata ikke er direkte koblet til å levere tjenester til kunder. Derfor er det behov for et AI-verktøy som tar neste skritt og aktiverer på denne intelligensen innen konteksten av den spesifikke organisasjonen. Hvis AI kan lære av og akkumulere ekspertisen firmaet leverer over prosjekter, er det da det virkelig blir en transformasjonsteknologi.

Hva er de største misforståelsene ledere har når de prøver å beregne avkastningen på AI-initiativer?

Ledere taler primært om AI-avkastning i forhold til kostnadsbesparelse og effisiens, men det er en misforståelse å tro at dette er det eneste stedet hvor AI kan drive verdi. De bør også bestemme hvordan AI driver omsetningsvekst ved å utvikle nye omsetningskanaler, hjelpe med å beholde flere kunder eller tillate firmaet å ta på seg flere prosjekter.

Hvordan kan organisasjoner begynne med å fange og skalerer institusjonell kunnskap som for tiden bare eksisterer i ansattes samtaler, prosjekterfaringer og stammebasert kunnskap?

Mange profesjonelle tjenesteorganisasjoner er fortsatt avhengige av regneark, isolerte data og stammebasert kunnskap for å drive sine forretninger. Å legge en enkeltstående AI-agent med generisk opplæring på toppen av ett prosjekt eller datastrøm, vil ikke ha mye innvirkning. En integrert plattform med AI og prediktive innsikter innbygget som kan handle over prosjekter og arbeidsflyter, vil. Men ikke alle plattformer er skapt like. For å ha innvirkning, må de være bygget på en samlet kunnskapsgraf som fanger institusjonell kunnskap i skala, setter den i kontekst og gir AI-agenter autonomi til å handle basert på innsiktene, med mennesker i løkken.

Mange selskaper deployer AI-assistenter og -agenter over hele bedriften. Hva skiller organisasjoner som skaper varige konkurransefordeler fra de som bare automatiserer eksisterende arbeidsflyter?

I begynnelsen av AI-boomet, skyndte mange organisasjoner seg for å implementere AI-verktøy for å unngå å bli igjen. Denne type uforvarende deployering ledet til at mange selskaper følte agent-oppblåsing (dvs. når agenter blir langsomme, dyre å kjøre eller uriktige på grunn av mismanagement og en overbelastning av verktøy eller informasjon). Det som er mer, arbeider alle agentene i siloer og det finnes ingen langtidsstrategi om hvordan å operasjonalisere alle agentene sammen.

Organisasjonene som legger grunnlaget for en virkelig, langvarig konkurransefordel, deployer ikke agenter som bare ser på ett bestemt område; de deployer agenter som har visning over hele bordet. Bemannning, ressursstyring, levering osv. er alle flytende deler i profesjonelle tjenestemaskiner som må fungere sammen for å holde tingene gående jevnt. Og de gir denne agenten konteksten, kunnskapen og forståelsen som trengs for å ha en virkelig innvirkning.

Hvordan ser du på at AI endrer driftsmodellen for profesjonelle tjenesteorganisasjoner over de neste fem årene, spesielt rundt konsultering, implementering og rådgivning?

AI endrer talentmodellen. Ferdighetene utvikler seg raskere enn noen gang tidligere, og det er et stort spørsmål om hvor den neste tieren av talent kommer fra. Noen er også bekymret for at AI vil drene menneskelige arbeidere for deres kreativitet og kognitive evner; derfor antar jeg at det vil være en skifte i hvordan firmaer engasjerer sine ansatte for å sikre at de utøver disse musklene og ikke over pålater seg AI-utdata. Til slutt er AI en muliggjørende kraft som frigjør ansatte fra taktiske, mundane oppgaver så de kan fokusere på strategisk arbeid som gjør en forskjell.

Når AI blir mer kapabel, forventer du at firmaer vil skifte bort fra å fakturere basert på timer og utnyttelse mot mer resultatbaserte prismodeller? Hva er utfordringene som står i veien for denne overgangen?

Når profesjonelle tjenesteorganisasjoner mottar en forespørsel om forslag, er det blitt standard for kunder å spørre om hvordan firmaet reduserer kostnader ved hjelp av AI og hvordan disse kostnadsbesparelsene gir verdi til kunden. Det som ofte mangler, er en mekanisme for å måle denne kostnadsreduksjonen, og en fortelling for å formidle til kunder hvordan AI er hevet firmaets eksisterende ekspertise og verdien de leverer.

Ultimat, tror jeg at fakturingsmodellen beveger seg mot resultatbaserte prismodeller. I dag mangler de fleste organisasjonene leveringsdisiplin, data og finansiell beredskap for å støtte sanntids resultatbasert prising i skala. Legg til AI i blandingen, og modellen blir enda mer kompleks – når arbeid utføres av agenter, hvordan sporer man innsats, beviser verdi eller gjenkjenner omsetning? Du kan ikke prissætte resultater hvis du ikke kan forutsi levering. Den virkelige overgangen vil ikke være et sprang rett til resultatbasert prising, men en progresjon fra innsats til fast pris til verdi til resultatbasert salg, ettersom organisasjonene bygger grunnlaget de trenger for å montere resultater.

Kantata har vært åpen om å omdanne organisatorisk kunnskap til en strategisk eiendom gjennom sin Ekspertise-motor. Hva utløste denne fokuset, og hvilke hull så du i tradisjonelle kunnskapsstyringssystemer?

Bedrifts-AI i dag er hovedsakelig fokusert på generiske AI-verktøy designet for å sammenfatte møter, svare på forespørsler eller automatisere isolerte oppgaver. Og når det gjelder profesjonelle tjenester, fungerer det ikke. Den virkelige utfordringen profesjonelle tjenesteorganisasjoner står overfor, er ikke oppgaveautomatisering. Det er operasjonell kompleksitet.

Profesjonelle tjenesteorganisasjoner kjører på en konstant skiftende nettverk av bemanningsbeslutninger, leveringskompromisser, prosjektrisiko, utnyttelsesmål, prognosemodeller og finansielle avhengigheter. Generiske AI-verktøy forstår ikke denne konteksten, noe betyr at de ikke kan resonnere over bedriften på en meningsfull måte.

Kantata tar en annen tilnærming til AI. I stedet for å legge en generisk agent eller chatbot på eksisterende programvare, bygger vi AI tilpasset de operasjonelle realitetene til profesjonelle tjenester. Vår Ekspertise-motor kobler estimat, bemanning, levering, prognostisering og finansiell styring inn i en samlet operasjonell modell, og gir AI-agenter full forretningskontekst for å handle intelligently over arbeidsflyter.

Dette er ikke gårsdagens copilot-AI. Dette er operasjonell AI.

Hva rolle vil AI-agenter spille i profesjonelle tjenesteorganisasjoner, og hvor tror du menneskelig ekspertise vil forbli uerstattelig?

Når AI-agenter fortsetter å ta en del av arbeidsbyrden av menneskelige arbeidere, vil det åpne dem opp for å gjøre de mer morsomme og kreative delene av jobben deres. Automatisering handler ikke bare om effisiens og tid/kostnadsbesparelse, men om lindring og empowerment for ansatte. Dette vil heve deres kreative side og bygge en ny generasjon tenkere som vil bli byggerne av AI-verktøy, i stedet for bare brukere. Denne skiftningen vil være essensiell ettersom AI blir ubetydelig, fordi hvert firma vil kunne produsere utdata raskt og billig, men bare de som fortsetter å investere i sin menneskelige ekspertise, vil produsere sterk, meningsfullt arbeid.

Ser fremover, hva bør forretningsledere gjøre i dag for å sikre at deres organisasjoner ikke bare adopterer AI, men bygger en bærekraftig ekspertisefordel som akkumulerer over tid?

I stedet for å legge en generisk agent eller chatbot på eksisterende programvare, bør profesjonelle tjenesteorganisasjoner søke etter AI-superagenter som har evnen til å forstå kontekst over alt som går inn i å drive en profesjonell tjenesteorganisasjon – fra bemanning til prognostisering til finansiell styring og prosjektlevering – og opprette målrettede agenter som kan handle autonomt.

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