Scott Ernst, administrerende direktør i Vyond – intervjuserie

Du har gjentatte ganger ledet teknologiselskaper gjennom store omstillinger, fra å bidra til å skalere Compete fra en oppstartsbedrift i en tidlig fase fram til oppkjøpet, til å ta Macromill gjennom en børsnotering og senere omstille Drift med vekt på KI før oppkjøpet av Salesloft. Når du nå tar over ledelsen i Vyond under nok et stort teknologisk skifte, hvilke erfaringer fra disse prosessene påvirker hvordan du går inn i KI-æraen?

Mønsteret jeg har sett i alle disse omstillingene, er at det sjelden er selve teknologiskiftet som er den vanskelige delen. Det vanskelige er å få en organisasjon til å trekke i samme retning når skiftet først er åpenbart. Hos Compete handlet lærdommen om disiplin: Å bygge en kategorileder fra et lite utgangspunkt krever et urokkelig fokus på de få tingene som faktisk driver virksomheten framover, ikke at man jager enhver mulighet. Hos Macromill lærte jeg, da vi skalerte globalt og børsnoterte selskapet, at vekst uten solid driftsstyring før eller siden fører til problemer … du trenger rapportering, prognoser og styring som kan holde tritt med virksomhetens vekst.

Erfaringen fra Drift er den som tydeligst svarer til det som skjer nå. Da ChatGPT ble lansert, hadde vi allerede utviklet vårt eget proprietære KI-produkt, og instinktet vårt var å beskytte det. I stedet tok vi den vanskeligere beslutningen om å åpne opp og omstille hele selskapet rundt generativ KI, fordi vi mente at markedet beveget seg raskere enn konkurransefortrinnet vårt kunne beskytte oss. Det var ikke en produktbeslutning, men en lederbeslutning som handlet om overbevisning og timing.

Lærdommen jeg har tatt med meg til Vyond, er at det under et reelt plattformskifte ikke er de mest forsiktige eller de mest hensynsløse selskapene som vinner. Det er de som raskt samler hele organisasjonen om et tydelig standpunkt og deretter gjennomfører med stor besluttsomhet. Det er akkurat denne prosessen vi følger nå: Vi undersøker hva som er sant i dag, utvikler en reell overbevisning om hvor markedet er på vei, og får hele selskapet til å bevege seg i samme retning før mulighetsvinduet lukkes.

Generativ KI har gjort det dramatisk enklere for virksomheter å produsere innhold, men du har hevdet at den større utfordringen nå er å sette kunnskap ut i praksis. Hva betyr det konkret, og hvorfor mener du at innholdsproduksjon alene bare løser en liten del av problemet?

Generativ KI har løst den største flaskehalsen innholdsproduksjon historisk sett har hatt: Før krevde det en spesialist, en produksjonsprosess og god tid. Nå kan nesten hvem som helst i en organisasjon lage noe på få minutter. Det er et reelt gjennombrudd, men det betyr også at alle funksjoner – fra markedsføring, HR, salg og IT til L&D – nå lager innhold hver for seg, ofte om den samme underliggende kunnskapen, med ulike verktøy og uten et felles system for lagring og forvaltning av informasjon.

Å sette kunnskap ut i praksis handler mindre om å lage mer innhold og mer om å sørge for at folk finner og bruker riktig informasjon: Det handler om å vite hvor den pålitelige og oppdaterte versjonen finnes, hvem som har ansvaret for den, om den er godkjent, og hvordan den kommer inn i arbeidsflytene der folk faktisk trenger den: i læringsplattformen (LMS), CRM-systemet, sjekklisten for introduksjon av nye medarbeidere og oversikten over etterlevelse av regelverk. Uten dette laget oppstår det jeg vil kalle kommunikasjonskaos: Innhold blir duplisert, merkevareretningslinjene praktiseres stadig mer ulikt, team lager på nytt arbeid som allerede finnes, og ingen kan si med sikkerhet hvilken versjon som er den riktige. Mye av dette kaoset starter enda tidligere enn folk tror, før noe som helst innholdsmateriale blir laget, når ingen faktisk har avklart målgruppen, målet eller kildematerialet forespørselen skulle bygge på.

Innholdsproduksjon besvarer spørsmålet «Kan vi lage dette raskt?», som er et reelt problem KI i stor grad har løst. Å sette kunnskap ut i praksis besvarer spørsmålet «Kan den rette personen finne den riktige, pålitelige versjonen av dette når vedkommende trenger den, i verktøyet personen allerede bruker?» Det siste problemet er større, mer strukturelt og langt fra løst i hele bransjen. Det er den reelle muligheten vi står overfor.

Virksomheter samler enorme mengder dokumenter, data, AI-genererte sammendrag og institusjonell kunnskap. Hvor mener du det største gapet oppstår mellom tilgangen til denne informasjonen og det å formidle den på en måte ansatte kan forstå og handle ut fra?

Det er ikke tilgangen det svikter på … de fleste virksomheter har allerede mer informasjon enn én enkelt person kan håndtere. Det handler om omforming og tillit. Kunnskapen finnes i tette, statiske formater som PDF-er, presentasjoner, wikier og policydokumenter, utformet for lagring og søk, ikke for rask forståelse. Å omforme den til noe folk faktisk kan ta til seg og handle ut fra, krever et eget steg som de fleste organisasjoner ikke investerer systematisk i.

Dette ble tydelig for meg i en samtale med en kundes visepresident for virksomhetens markedsføringsteknologi i et teknologiselskap på Fortune 100-listen. Problemet hans var ikke mangel på informasjon, men at ulike deler av en svært stor organisasjon løste de samme kommunikasjonsutfordringene hver for seg og på inkonsekvente måter. Dermed nådde kunnskap som fantes et sted i selskapet, ikke pålitelig fram til dem som trengte den, i en form de kunne bruke. Som han sa: I et så stort selskap kommuniserer ikke høyre hånd med venstre hånd.

Det er dette som er det egentlige gapet: Virksomheter har rikelig med data, men for lite innsikt. Løsningen er ikke mer innhold eller mer lagringsplass, men en metodisk tilnærming og, i økende grad, et system for å omforme rå institusjonell kunnskap til tydelig, visuell og pålitelig kommunikasjon og føre den inn i arbeidsflytene der beslutningene faktisk tas.

Etter hvert som AI-agenter blir i stand til selvstendig å omforme virksomhetens kunnskap til opplæring, salgsstøtte, etterlevelse eller internkommunikasjon, hva bør fortsatt være under menneskelig kontroll, og på hvilke områder kan virksomheter trygt la agenter arbeide selvstendig?

Min generelle regel er at agenter bør stå for arbeidet, mens mennesker bør stå for vurderingene, særlig der en feil kan få alvorlige konsekvenser. Ved lav risiko, store arbeidsmengder og repetitive oppgaver – som å lage førsteutkast, sette kunnskap inn i et nytt format, tilpasse eksisterende, godkjent innhold til et nytt språk eller en ny region, eller oppdatere en opplæringsmodul når et kildedokument endres – kan og bør agenter arbeide med stor grad av selvstendighet. Det er nettopp denne typen arbeid som i dag tar svært mye tid, men har liten strategisk verdi.

Menneskelig kontroll må opprettholdes strengt når innholdet innebærer juridisk, regulatorisk, sikkerhetsmessig eller omdømmemessig risiko for merkevaren. I slike tilfeller må et menneske foreta den endelige kontrollen før noe publiseres, og det må være mulig å spore det underliggende kildematerialet fullt ut.

Vi opplevde dette på nært hold med en kunde i forsvarssektoren. Sikkerhetsteamet deres ville i utgangspunktet ikke godkjenne bruk av AI i arbeidsflyten i det hele tatt, gitt hvor sensitivt arbeidet deres var. Løsningen var ikke å gi agenten større selvstendighet, men å etablere de rette sikkerhetsrammene: en spesialtilpasset avtale som garanterte at dataene deres aldri skulle brukes til å trene eksterne modeller, og tydelige kontrollpunkter der deres egne team beholdt godkjenningsansvaret. Dette er modellen jeg mener kan brukes generelt: Agentens selvstendighet øker i takt med hvor reversibel og lite risikofylt oppgaven er, mens menneskelig kontroll øker i takt med hvor mye tillit, etterlevelse eller omdømme for merkevaren som står på spill.

Merkevareforvaltning blir langt mer komplisert når tusenvis av innholdselementer kan genereres automatisk. Hvilke tekniske og organisatoriske sikkerhetstiltak trenger virksomheter for å sikre at AI-generert kommunikasjon er korrekt, konsekvent og i tråd med selskapets retningslinjer?

Teknisk sett er de viktigste sikkerhetstiltakene de som sørger for at AI-generert innhold bygger på selskapets eget godkjente kildemateriale og merkevaresystem, i stedet for å la modellen generere fritt. Plattformen selv må håndheve stilguider, merkevareressurser og rammer for tilpasning, i stedet for å overlate det til den enkelte brukers hukommelse. Det betyr at godkjente logoer, farger, maler og referanseopptak må ligge på selve plattformen, slik at alt innhold som genereres, henter materiale fra samme kilde og ikke fra den versjonen som tilfeldigvis ligger på noens skrivebord den aktuelle uken. Versjonskontroll og revisjonsspor er like viktige: Hvis et innholdselement genereres, redigeres eller godkjennes, må virksomheten kunne spore det tilbake til hvem som ba om det, hvilken kilde det kom fra, og hvem som godkjente det. Det innebærer også at korrekturlesere og andre berørte parter, ikke bare personen som bruker verktøyet, må kunne kommentere og godkjenne innholdet i den samme arbeidsflyten. Da skjer ikke godkjenningen i en separat e-posttråd som bryter nettopp det revisjonssporet dere prøver å etablere.

Organisatorisk handler sikkerhetstiltaket om tydelig ansvarsfordeling. Virksomhetene vi samarbeider med, og som forvalter dette godt, har gått bort fra at hvert team på egen hånd tar i bruk egne verktøy og prosesser. I stedet behandler de kommunikasjonsplattformen sin slik de ville behandlet et offisielt kildesystem: Tilgang tildeles med omtanke, bruken overvåkes samlet, og en liten forvaltningsfunksjon har ansvar for standardene alle skal følge. Vi har sett store organisasjoner uttrykkelig vurdere om en plattform kan bli selskapets standardiserte system for hele virksomheten, nettopp av denne grunnen: Det er den eneste måten å sikre konsekvent kvalitet i stor skala, i stedet for å ende opp med tusenvis av innholdselementer som hver for seg er «gode nok», men som ikke stemmer overens.

Det underliggende prinsippet er det samme som alltid har gjeldt for merkevareforvaltning. Forskjellen er at dette nå skjer i langt større skala og med høyere hastighet, noe som betyr at sikkerhetstiltakene må bygges inn i systemet, ikke håndheves i etterkant.

Hallusinasjoner er bekymringsfulle i en chatbot, men kan få langt større konsekvenser når feilaktig informasjon gjøres om til en autoritativt utformet opplærings- eller etterlevelsesvideo. Hvordan bør virksomheter tenke rundt kildeforankring, verifisering og proveniens etter hvert som KI-generert kommunikasjon blir mer automatisert?

Du har rett i at innsatsen er en annen. Et hallusinert svar i et chattevindu blir utfordret der og da. Et hallusinert faktum som er innarbeidet i en polert, profesjonelt produsert etterlevelsesvideo, fremstår med en autoritet som gjør folk mindre tilbøyelige til å stille spørsmål ved det – stikk motsatt av det som burde skje når behovet for granskning er størst.

Det første prinsippet må være kildeforankring: KI-generert kommunikasjon bør begrenses til materialet virksomheten faktisk har lagt fram … dens egne dokumenter, retningslinjer og godkjente data, snarere enn modellens generelle kunnskap.

Det andre er proveniens: Hvert stykke generert innhold bør kunne spores tilbake til den konkrete kilden det bygger på. Da kan man, hvis noe er feil, finne ut nøyaktig hvor det kom fra og rette feilen ved kilden, i stedet for bare å lappe på resultatet.

Det tredje er verifisering: Kontrollpunkter må bygges inn i selve arbeidsflyten, ikke legges til i etterkant. En menneskelig kontrollør bør kunne se mellomtrinnene, ikke bare den ferdige, polerte videoen, fordi det nettopp er poleringen som gjør feil vanskeligere å oppdage. I praksis betyr det å gå gjennom en fullstendig disposisjon eller et foreløpig klipp, scene for scene, før man går videre til en endelig og mer kostbar gjengivelse. Da kan man fange opp feilaktige fakta eller påstander som ikke er i tråd med merkevaren mens de fortsatt er billige og enkle å rette. Dette er et område der virksomheter med god grunn bør være varsomme, og derfor vil plattformene som vinner virksomhetenes tillit, ikke være de raskeste. Det vil være plattformene som gjør kildeforankring, sporbarhet og kontroll til en grunnleggende del av hvordan systemet fungerer, ikke en valgfri innstilling

Det fjerde laget er løpende evaluering, ikke bare en avsluttende gjennomgang. I et agentbasert system er det ikke nok å kontrollere den ferdige videoen. Vi ønsker innsyn i hvordan agenten kom fram til resultatet. Vi overvåker fortløpende agentens resultater og beslutningene den tar underveis, og kontrollerer at de fortsatt samsvarer med kundens kildedokumenter, kunnskapsbase og opprinnelige hensikt. Det gjør at vi kan oppdage avvik eller redusert kvalitet mens videoen fortsatt genereres, i stedet for å finne problemet først etter at den er ferdig.

KI-systemer kobles i økende grad direkte til virksomheters kunnskapsbaser og arbeidsflyter. Tror du at neste generasjon kommunikasjonsplattformer vil bli et grensesnitt mellom virksomhetsdata, KI-agenter og ansatte, snarere enn bare verktøy for innholdsproduksjon?

Ja, og jeg tror den utviklingen allerede er i gang. Innholdsproduksjon var det første og mest opplagte problemet KI kunne løse, fordi det var den mest synlige flaskehalsen. Men når produksjonen ikke lenger er begrensningen, blir den mer verdifulle posisjonen mellom virksomhetens kunnskap … CRM-systemet, LMS-systemet, retningslinjesystemene og de interne wikiene … og menneskene som trenger å få denne kunnskapen oversatt til noe de faktisk kan bruke.

Det er en vesentlig annerledes rolle enn rollen til et produksjonsverktøy. Et produksjonsverktøy venter på at noen skal komme med en forespørsel. Et grensesnittlag inngår i arbeidsflytene der kunnskapen allerede finnes, forstår hva som er endret og bidrar til å formidle riktig kommunikasjon til riktig person uten at noen må sette i gang prosessen hver gang.

Vi ser allerede de første tegnene på at virksomheter ønsker seg nettopp dette. Store kunder ber oss i økende grad ikke om å være et vide verktøy for ett team, men spør om vi kan være standardsystemet for hele organisasjonen. Når institusjonell kunnskap omgjøres til kommunikasjon, kan ansatte langt utenfor det sentrale kreative teamet – innen juridisk arbeid, etterlevelse, regionale team og ledelse i førstelinjen – bidra uten å trenge full lisens eller måtte gjennom en krevende opplæring. Dette er overgangen fra innholdsproduksjon til kommunikasjonsinfrastruktur, og jeg forventer at hele kategorien vil bevege seg i denne retningen.

Denne utviklingen akselereres også av nye, åpne protokoller som MCP og A2A. MCP gir KI-agenter en standardisert måte å hente pålitelig kontekst fra virksomhetens egne verktøy og autoritative systemer på, mens A2A gjør det mulig for spesialiserte agenter fra ulike plattformer å samarbeide. I praksis betyr det at en plattform som vår ikke trenger å eie alle arbeidsflyter eller alle virksomhetsdata for å være nyttig. Den kan kobles til systemene en virksomhet allerede har tillit til, samarbeide med andre agenter når det er hensiktsmessig og konsentrere seg om det vi gjør best: å gjøre denne konteksten om til kommunikasjon folk faktisk kan forstå og handle ut fra. Dette er overgangen fra innholdsproduksjon til kommunikasjonsinfrastruktur, og jeg forventer at hele kategorien vil bevege seg i denne retningen.

Vyond betjener allerede organisasjoner innen læring og utvikling, HR, salgsstøtte, etterlevelse og internkommunikasjon. Hvilke av disse områdene tror du vil bli mest forandret av agentbasert KI, og hvordan kan arbeidsflytene se ut når agentene blir mer avanserte?

Jeg vil trekke fram etterlevelse og læring og utvikling som de to områdene med størst rom for endring, nettopp fordi de i dag er mest preget av utdatert innhold. Opplæring i etterlevelse utarbeides vanligvis én gang og oppdateres deretter i et langsomt årlig eller annethvert år-syklus, selv om retningslinjer, regelverk og risikoer endrer seg kontinuerlig. Når agenter pålitelig kan overvåke et kildedokument med retningslinjer og forstå hva som har endret seg, kan innhold om etterlevelse gå fra å være et periodisk produksjonsprosjekt til noe som holdes kontinuerlig oppdatert. Det innebærer en reell risikoreduksjon for virksomheten, ikke bare en effektivitetsgevinst. I økende grad betyr det også at selve innholdet må ha en tydelig, etterprøvbar oversikt som viser at det er utarbeidet med hjelp av KI, ettersom både tilsynsmyndigheter og bedriftskunder begynner å forvente at slike opplysninger gis som standard, ikke som en ettertanke.

Læring og utvikling (L&D) har en lignende dynamikk, men muligheten ligger i personalisering snarere enn bare aktualitet: I stedet for én opplæringsmodul laget for en gjennomsnittlig deltaker kan agenter bidra til å tilpasse tempo, eksempler og til og med format til rollen og den enkelte, samtidig som de holder seg til det samme godkjente kildematerialet og de samme standardene for instruksjonsdesign. For globale organisasjoner omfatter dette i økende grad også språk og stemme, slik at den samme opplæringen når ut til produksjonsarbeidere i Brasil eller et salgsteam i Japan i en form som faktisk oppleves som lokal, og ikke bare er tekstet.

Salgsstøtte og internkommunikasjon vil også endre seg, men jeg vil beskrive endringen som økt hastighet og relevans snarere enn en strukturell omforming … å få riktig budskap raskere fram til riktig selger eller team, i et format som passer til hvordan de faktisk tar til seg informasjon. Fellesnevneren for alle disse områdene er den samme: Agentisk KI gjør ikke bare hvert av dem raskere, men gjør dem i stand til å holde seg oppdatert på en måte som rett og slett ikke er realistisk med manuelle produksjonssykluser i dag.

Når vi ser lenger fram, og virksomheter blir i stand til kontinuerlig å omforme intern kunnskap til personlig tilpasset, oppdatert kommunikasjon for hver enkelt medarbeider, hvordan kan det endre måten organisasjoner lærer opp folk, deler ekspertise og til syvende og sist driver virksomheten på?

Hvis dette blir virkelighet, og det tror jeg det vil, endrer det rytmen i driften av et selskap, ikke bare opplæringsfunksjonen. I dag kommuniserer de fleste organisasjoner i bolker: en årlig syklus for etterlevelse, et kvartalsvis allmøte eller en introduksjonspakke for nyansatte som utarbeides én gang og brukes på nytt i årevis. Dette skyldes hvor dyrt og tidkrevende det historisk sett har vært å produsere kommunikasjon, ikke hvor raskt virksomheten faktisk endrer seg.

I en verden der kunnskap kontinuerlig omformes til personlig tilpasset, oppdatert kommunikasjon for hver enkelt medarbeider, slutter opplæring å være en enkeltstående hendelse og blir en kontinuerlig, tilpasningsdyktig strøm … noen får oppdateringen i det formatet og med den grundigheten som passer til rollen deres, akkurat når den er relevant, ikke flere måneder senere i en samlet bolk. Fagkunnskap slutter å være låst hos enkeltpersonene som tilfeldigvis besitter den, og blir noe organisasjonen kan distribuere systematisk og holde oppdatert.

Resultatet jeg stadig vender tilbake til, er tid. Hvert minutt en organisasjon i dag bruker på å lete etter riktig informasjon, gjenskape noe som allerede finnes eller korrigere et budskap som ble sendt ut i utdatert eller inkonsekvent form, er tid som ikke brukes på å få ting gjort. Hvis virksomheter virkelig kan redusere avstanden mellom kunnskap og forståelse, kontinuerlig og i stor skala, vil de som kommer dit først, ikke bare kommunisere bedre; de vil rett og slett bevege seg raskere enn dem som fortsatt arbeider i bolker.

Takk for et flott intervju. Lesere som ønsker å vite mer, kan besøke Vyond.