Sarah Philipp, Global Lead for AI-aktivering og -adopsjon i Altimetrik – Intervju-serie

Sarah Philipp, Global Lead for AI-aktivering og -adopsjon i Altimetrik, fokuserer på å hjelpe organisasjoner med å lukke gapet mellom rask AI-innovasjon og virkelig arbeidsstyrkeadopsjon. Hennes arbeid handler om å bygge AI-litteracitetsprogrammer, arbeidsflytaktiveringsstrategier og rollebaserte opplæringsinitiativer som hjelper ansatte og ledere med å integrere generativ AI i daglige operasjoner. I Altimetrik har hun hjulpet med å forme bedriftsadopsjonsprogrammer rundt teknologier som ChatGPT Enterprise, OpenAI Agents SDK og bedrifts-skala AI-arbeidsflyter, samt også med å skape “LAByrinth”, et prosjektbasert GenAI-simuleringplattform designet for ingeniører og tekniske programledere. Før hun begynte i Altimetrik, tilbrakte hun flere år med å lede kundeutdanning og implementeringsinitiativer i SaaS-plattformer som Nudge Coach, noe som ga henne en sterk bakgrunn i læringsystemer, atferdsmessig aktivering og digital transformasjon. Hennes karriere reflekterer en økende trend innen bedrifts-AI, hvor suksess stadig avhenger ikke bare av å distribuere modeller, men også av å gjøre ansatte trygge, kompetente og produktive med AI-verktøy i deres daglige arbeid.

Altimetrik er et AI-først digitalt ingeniør- og dataselskap som fokuserer på å hjelpe bedrifter med å modernisere legacy-systemer og skalerer generativ AI over bedriftsoperasjoner. Selskapet arbeider over flere bransjer, inkludert finansielle tjenester, helse, produksjon, detaljhandel og life sciences, og kombinerer produktutvikling, sky-modernisering, data-infrastruktur og AI-distribusjonstjenester. Altimetrik har posisjonert seg som en stor bedrifts-AI-implementeringspartner gjennom samarbeid med OpenAI, med en sterk vekt på agens-AI, arbeidsflyt-koordinering, styring og produksjonsklare AI-systemer. Deres ALTI AI Lab fungerer som en intern innovasjons-hub hvor selskapet prototyper bedrifts-AI-applikasjoner som spenner fra intelligente assistenter til multimodale arbeidsflyter og AI-native bedriftsoperasjoner. I de siste årene har Altimetrik utvidet seg aggressivt gjennom partnerskap og oppkjøp, og styrket sin globale ingeniør-avtrykk og bedrifts-AI-leveringskapasiteter.

Hva var den avgjørende erfaringen som først overbeviste deg om at ansvarlig AI-adopsjon ville avhenge like mye på menneskelig aktivering som på teknisk evne?

Jeg er vanligvis en ganske sen adopter av nye ting. Jeg er skeptisk til hype og stående når det gjelder å holde fast ved måten jeg er vant til å gjøre ting på. Dette var sant med AI. Jeg var en sen adopter, og beveget meg veldig sakte i begynnelsen.

Hva endret for meg var å høre, på en veldig menneskelig og ikke-teknisk måte, hvordan andre mennesker faktisk brukte AI i deres daglige liv og arbeid. Når jeg kunne koble det til virkelige og personlige friksjonspunkter, fulgte nysgjerrigheten.

Denne erfaringen bekreftet noe jeg har sett over hver transformasjonsinnsats jeg har vært en del av: adopsjon begynner sjelden med evne alene. Det begynner med relevans, tillit og mening. Mennesker må først se seg selv i endringen, og det er hvorfor ansvarlig AI-adopsjon avhenger like mye av menneskelig ledet aktivering som det gjør av teknisk beredskap.

I din rolle som leder for global AI-aktivering i Altimetrik, hvordan definerer du hva suksessfull bedrifts-skala generativ AI-adopsjon ser ut som, utover piloter og bevis-for-konsept-eksperimenter?

Suksessfull bedrifts-skala adopsjon lever ikke i siloer. En av de vanligste mønsterne vi ser er kompartementalisert adopsjon. Én gruppe blir veldig avansert i sin AI-modenhetsgrad, mens en annen gruppe i samme organisasjon har ingen klar strategi ennå og kan til og med bruke fragmenterte verktøy eller personlige kontoer. Den type ujevn adopsjon skaper inkonsistens og risiko.

Ekte suksess kommer når en organisasjon bygger felles vaner, felles standarder og sammenkoblede måter å jobbe på. Det krever både topp-ned og bunn-opp endringsledelse. Topp-ned, ledelsen må sette retning, etablere styring og skape klarhet rundt hva ansvarlig, verdifull adopsjon ser ut som. Bunn-opp, ansatte må forstå hvordan AI passer inn i deres daglige arbeid, hvor det løser virkelige problemer og hvordan å bruke det trygt innenfor deres rolle.

Det virkelige tegnet på modenhet er når arbeidsflyter kjører smidig fra ende til ende og over lag, ikke bare innen isolerte lommer.

Mange organisasjoner investerer i generativ AI-verktøy, men sliter med å operasjonalisere dem. Hva er de vanligste gjennomføringsgapene du ser mellom ambisjon og målbart forretningspreg?

Styrings-eierskap er ofte uklart. Hvem er ansvarlig for å dokumentere hva som brukes, versjonering av påminnelser eller arbeidsflyter, overvåking av kvalitet og holde spor av hvor AI faktisk viser seg i bedriften? Uten den klarheten, ender organisasjoner opp med spredt bruk og svært liten operasjonell disiplin.

Mange organisasjoner har ikke bestemt hva slags AI-bruk de faktisk ønsker å oppmuntre. Er de rettet mot rollespesifikke påminnelser, individuelle produktivitetsbrukssaker som brainstorming og utkast, eller formål-bygde agenter knyttet til definerte arbeidsflyter? Hvis det ikke er klart, blir aktivering vag og påvirkning blir vanskelig å måle.

Det er også ofte en disconnect mellom rulje og virkelig arbeid. Selskaper investerer i verktøy før de har identifisert øyeblikkene hvor AI kan fjerne friksjon, forbedre kvalitet eller øke gjennomføring på en meningsfull måte. Ambisjon er lett, men operasjonalisering krever spesifisitet.

Du arbeider tett med ledelseslag — hva ser effektiv AI-fluensitet ut som på C-nivå, og hvordan påvirker ledelsesatferd adopsjon over hele organisasjonen?

Det ser ut som modellering, nysgjerrighet og en nybegynner-sinn. Det ser ut som ledere som er sårbare i et rom med folk som rapporterer til dem.

De ledere som gjør den største forskjellen er de som demonstrerer en nybegynner-sinn. De er villige til å lære offentlig. De er komfortable med å si: “Jeg er fortsatt i ferd med å finne ut hvordan dette fungerer.” Den type sårbarhet betyr mer enn folk innser, fordi det gir alle andre tillatelse til å engasjere uten å føle at de må være eksperter først.

Ledelsesatferd setter tonen. Hvis eksklusive behandlinger behandler AI som en side-eksperiment, vil organisasjonen også. Hvis de modellerer tankefullt bruk, stiller praktiske spørsmål og synlig investerer i læring, blir adopsjon kulturelt tryggere. Tillit er like viktig som evne når det gjelder å skalerer AI i bedriften.

Hva ser en strukturert eksperimenteringsramme for generativ AI ut som i praksis, og hvordan kan selskaper oppmuntre innovasjon uten å skape fragmentering eller risiko?

Vi ønsker å starte med virkelige arbeidsflyt-punkt, ikke tilfeldige forslag. Lag skal oppmuntres til å identifisere repetitive oppgaver, beslutningsknuter eller eksisterende kunnskapsgap. Derfra kan organisasjoner prioritere eksperimenter basert på forretnings-relevans, gjennomførbarhet og risiko.

De sunneste miljøene er de hvor folk kan prøve ting trygt, dele hva som fungerer og unngå å gjenta hjul i isolasjon.

Du co-skaper LAByrinth, en generativ AI-prosjekt-simulator designet for å gi ingeniører hånd-til-hånd-erfaring med å bygge med AI-verktøy i en trygg, veiledet miljø. Hva inspirerte dens skapelse, og hvordan akselererer simulering-basert læring virkelig AI-evne?

Jeg har alltid elsket former for hånd-til-hånd, erfaring-basert læring. Spesifikt, den type “over skulderen” mentorering som finnes i kunst-studio-miljøer.

Når Martin Gaida og jeg begynte å diskutere ideer for denne type treningsstruktur, endte hele prosjektet opp med å være veldig morsomt å skape. Det føltes som om vi skapte en puslespill for folk til å løse. Det visste jeg vi var på riktig spor. Folk er mer sannsynlig å engasjere seg med nytt materiale når de finner det interessant og føler seg støttet.

Simulering-basert læring akselererer evne fordi det lukker gapet mellom teori og anvendelse. Det gir dem en trygg plass å øve dømmekraft, ikke bare huske konsepter. Og med AI, betyr det enormt, fordi virkelig evne ikke bare er å vite hva et verktøy kan gjøre, men å vite hvordan å bruke det tankefullt og trygt.

Hvordan bør bedrifter nærme seg arbeidsstyrke-opplæring forskjellig i generativ AI-æraen sammenlignet med tidligere bølger av digital transformasjon?

Samarbeidende og kreativt. Med verktøy som Notebook LM og Figma, finnes det mange måter å gjøre engasjerende og fersk innhold. Vi elsker en slide-deck, men vi elsker også å lage interaktive arbeidsbøker, animerte videoer og andre metoder for å levere kurset.

Personlig lærer jeg best med infografikk og andre visuelle hjelpemidler.

Ansvarlig AI er ofte rammet innen styring og overholdelse. Fra en aktiveringsperspektiv, hva ser ansvarlig adopsjon ut som i daglige arbeidsflyter?

Konsulter med folk som faktisk bruker verktøyene på hva som gjør dem nyttige, så sørge for at alle som bruker verktøyene vet hva politikken faktisk betyr. Hvordan oversetter det til hvordan de bruker AI daglig?

Ansvarlig adopsjon betyr en menneske-i-roret-modell. AI kan hjelpe med å utkaste, sammenfatte, analysere eller akselerere, men mennesker eier fortsatt dømmekraften, kvalitetskontrollen og den endelige avgjørelsen. Den menneskelige ansvarligheten er nøkkel.

Like viktig er at ansvarlig adopsjon avhenger av tillit. Diskresjon kommer fra erfaring. Derfor trenger organisasjoner lav-risiko, ikke-dømmende rom hvor ansatte kan øve og bygge virkelig flyt.

Hvordan kan organisasjoner designe aktiveringsprogrammer som forblir tilpasningsdyktige i stedet for å bli foreldet innen måneder?

Det er en utfordring, men det finnes mange gode verktøy der ute.

Den største feilen er å bygge aktivering fullstendig rundt det nåværende verktøy-landskapet.

Vi blir ofte spurt om vi tilbyr verktøy-agnostisk opplæring, og svaret er ja. Absolutt. Vi fokuserer på varige AI-ferdigheter og lærer folk hvordan å anvende disse ferdighetene innenfor hva organisasjonen bruker i dag. Den tilnærmingen gir programmene en mye lengre holdbarhet.

Tilpasningsdyktig aktivering må også være modulær. Fraktal. I stedet for å behandle opplæring som en engangs-hendelse, bør organisasjoner tenke i lag: grunnleggende litteracitet, rollebasert anvendelse, avansert eksperimentering og kontinuerlige oppdateringer når verktøy og prioriteringer skifter.

Ser fremover, hva tror du vil definere den neste fasen av bedrifts-AI-adopsjon over de neste to årene?

Rollebasert og agens. Bedrifter er allerede i ferd med å omfavne å bruke agenter. Disse organisasjonene ønsker å sikre at deres tekniske lag er oppskalert på alle nødvendige måter for å bygge og styre denne type AI-bruk.

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