Victor Coimbra, teknologidirektør og administrerende partner i Artefact – intervjuserie

Victor Coimbra er teknologidirektør og administrerende partner i Artefact, der han leder arbeidet med KI, datavitenskap og ingeniørfag i hele Amerika. Karrieren hans kombinerer erfaring med forretningsstrategi fra Bain og Accenture med praktisk ledelse av utviklingen av KI- og maskinlæringssystemer i komplekse bedriftsmiljøer. Han arbeider med å hjelpe organisasjoner med å knytte tekniske kapabiliteter til målbare forretningsresultater, blant annet gjennom arkitekturen, styringen og driftsmodellene som trengs for å skalere KI.

Artefact er et globalt konsulentselskap innen data og KI som hjelper virksomheter med å utvikle strategier, bygge dataplattformer, ta i bruk KI-løsninger og håndtere organisatoriske endringer. Arbeidet omfatter blant annet finansielle tjenester, helsevesen, produksjon og detaljhandel. I forkant av Adopt AI Summit, som finner sted 3.–4. desember 2026 på Grand Palais i Paris, snakker Coimbra om hvordan virksomheter kan komme videre fra pilotprosjekter, bygge team der mennesker og KI-agenter jobber sammen, og måle verdien av KI i produksjon.

Karrieren din har ført deg fra forretningsstrategi i Accenture til ledelse av KI-, datavitenskaps- og ingeniørteam i Artefact på tvers av Amerika. Hvordan har kombinasjonen av strategisk rådgivning og praktisk teknologiledelse formet tilnærmingen din til å hjelpe virksomheter med å omsette KI-investeringer i målbare forretningsresultater?

Det lærte meg alltid å knytte KI-strategi til gjennomføring. Strategiarbeidet i Bain og Accenture viste meg at ledere investerer i endringer som gir utslag på en resultatlinje. Ingeniørarbeidet lærte meg at mye av denne verdien kan gå tapt mellom presentasjonen og produksjonssettingen.

I dag handler KI mindre om teknologi og mer om å bygge et vern rundt kjernevirksomheten. Hovedspørsmålet er hvordan man omsetter individuell produktivitet i samlet verdi for virksomheten, med en reell, delt kognitiv kapasitet på tvers av selskapet.

Det krever en kombinasjon av strategi og gjennomføring, og det har jeg lært mye av å jobbe med begge deler.

Til tross for betydelige investeringer i kunstig intelligens sliter mange organisasjoner fortsatt med å komme videre fra vellykkede pilotprosjekter. Basert på erfaringen din, hva er de vanligste hindringene for at KI-initiativer i virksomheter tas i bruk i produksjon, og hva kjennetegner selskapene som lykkes med å skalere løsningene sine?

Etter min erfaring stopper mange pilotprosjekter opp fordi KI legges til i organisasjoner som er utformet bare for mennesker. Teknologien fungerer som regel. Det som ofte fortsatt er uavklart, er arbeidsfordelingen: Hvilke oppgaver skal agentene utføre, hvilke skal fortsatt utføres av mennesker, hvem skal kontrollere arbeidet, og hvem har ansvaret for resultatet?

I tillegg er det gjerne tre behov som bremser oppskaleringen: tokenkostnader som skyter i været med bruksbasert prising, sikkerhet og styring, samt innføring som aldri fører til reell bruk av tilgangen.

Selskapene jeg ser lykkes med skalering, behandler KI som en organisatorisk omlegging. De deler gjennomføringen inn i to løkker. I den indre løkken utfører agenter hele arbeidsforløpet: koder, bygger, tester, publiserer og gjennomgår. I den ytre løkken fastsetter mennesker målet, verifiserer resultatet og følger med på kostnader og kvalitet. Deretter bygger de én underliggende plattform som gjenbrukes til alle bruksområder.

Du har skrevet om hvor viktig det er å bygge en KI-basert organisasjon, i stedet for bare å legge til chatboter og KI-assistenter i eksisterende systemer. Hvilke grunnleggende endringer i virksomheters teknologiske arkitektur er nødvendige for å støtte denne overgangen, og på hvilke områder investerer virksomheter for lite i dag?

Et KI-basert selskap drives på en plattform, og plattformen består av fire lag: kjøremiljø, kontekst, modell og infrastruktur. Kjøremiljøet er stedet der mennesker og agenter møtes og arbeider – hele applikasjonen rundt modellen. Konteksten definerer hva agentene vet, og hvilken myndighet de har. Modellaget handler om hvordan modeller gjøres tilgjengelige, rutes og styres til riktig kostnad. Infrastrukturen er stedet der de faktisk kjøres, og avgjør hvem som har nøklene.

Det er naturlig nok mest oppmerksomhet rundt de synlige 20 prosentene: KI-assistenter og chatverktøy. De skjulte 80 prosentene er der det meste av ingeniørarbeidet ligger, og der kostnader, sikkerhet og kontroll avgjøres.

Forslaget mitt er enkelt: Kjøp generelle agentrammeverk, og bygg dem som er spesifikke for bransjen. Lei modeller og infrastruktur, og eksperimenter med dem, for de endrer seg hvert kvartal. Og sørg for å ha full kontroll over konteksten. Det er laget som virkelig er deres eget, og der jeg ser den største muligheten for å øke investeringene.

Etter hvert som KI går fra å hjelpe ansatte til å utføre komplekse arbeidsflyter autonomt, hvordan bør organisasjoner avgjøre hvilke prosesser som egner seg for agentbasert automatisering? Hvilke tekniske og operasjonelle sikkerhetstiltak må være på plass før KI-agenter får større myndighet til å ta beslutninger?

Slik jeg ser det, er agenter svært gode på arbeid som retter seg mot fortiden, mens mennesker er gode på arbeid som retter seg mot framtiden. Agenter utmerker seg i oppgaver som bygger på eksisterende informasjon, som analyse, koding, testing, dokumentasjon og avstemming. Mennesker tar seg av det som krever kreativitet, og kreativitet retter seg per definisjon framover: smak, visjon, planlegging, beslutningstaking og vurdering av om et resultat faktisk er godt.

I praksis samsvarer dette med de to løkkene. Agentene utfører arbeidet i den indre løkken. Menneskene tar seg av den ytre løkken: målsetting, verifisering og oppfølging.

Sikkerhetstiltakene er bygget inn i systemet, ikke gitt som instruksjoner. Vi bruker 6 lag i rammeverket: oppgavefangst, minne, et sikkert arbeidsområde med sandkassebasert kjøremiljø og tilgangstillatelser, en arbeidsflyt med kontrollpunkter og avklaringer, ruting mellom modeller og sikkerhetsregler som definerer hva en agent ikke kan gjøre på egen hånd, for eksempel krav om godkjenning fra mennesker, policykontroller og vern av personidentifiserende opplysninger. Selvstendigheten øker så etter hvert som agenten bygger opp en historikk, på samme måte som for en nyansatt.

Du har beskrevet KI-agenter som lagspillere snarere enn konvensjonelle programvareverktøy. Hvordan endrer dette perspektivet måten organisasjoner bør sette sammen team, fordele ansvar og lære opp ansatte til å samarbeide med stadig mer selvstendige KI-systemer på?

Vi er allerede i den hybride organisasjonen. Det viktigste spørsmålet nå, slik jeg ser det, er hvordan arbeidsstyrken skal fordeles mellom mennesker og agenter. Jeg mener dette er nøkkelen til skalering.

I et hybridteam fordeler organisasjonskartet den kognitive kapasiteten, ikke antallet ansatte. En typisk fordeling jeg ser i et modent teknologiteam, er 15 % arbeid som bare mennesker utfører, 25 % arbeid med KI-støtte og 60 % arbeid utført av agenter. IT-sjefen fastsetter målene, fordeler kapasiteten og har ansvar for resultatene og kostnadene. En seniorutvikler kontrollerer leveransene fra agentene og tar arkitekturbeslutninger. En orkestreringsagent fordeler oppgaver og rapporterer kostnader, mens en kontrollagent gjennomgår hver leveranse.

Gevinstene vokser gjennom 3 trinn. Ansatte som får støtte av KI, leverer rundt 5x. Agenter som syntetiske medarbeidere og utfører arbeid fra start til slutt, leverer rundt 10x. Jeg mener at det er når begge koordineres som én arbeidsstyrke, at potensialet på 1000x ligger.

Opplæringen følger samme logikk. Folk lærer å gi en agent en oppgavebeskrivelse som til en junioringeniør, med strukturert kontekst og tydelige mål, og å bruke tiden sin på faglig skjønn, planlegging og beslutninger.

Bedrifters KI-systemer er svært avhengige av en pålitelig datainfrastruktur, men mange organisasjoner sliter fortsatt med fragmenterte data, uensartet styring og eldre teknologi. Hvilke grunnleggende funksjoner bør virksomheter prioritere når de klargjør dataplattformene sine for agentisk KI, og hvordan kan de modernisere uten å forstyrre den eksisterende driften?

Utform dataplattformen for en ny type bruker: agenter. Et menneske vil stille spørsmål ved et feilaktig tall i et dashbord. En agent vil handle ut fra det feilaktige tallet, og gjøre det i stor skala.

Prioriter 4 funksjoner. Felles forretningsdefinisjoner, slik at alle agenter og team legger det samme i «aktiv kunde». En integrasjonsport med autentisering og standardprotokoller som MCP, slik at agenter får tilgang til data med tillatelsene til rollen de handler på vegne av. Kvalitet og dataopphav som kan observeres. Og ustrukturerte data som behandles som en førsteklasses ressurs, fordi kontrakter, supportsaker og møtenotater inneholder det meste av den faktiske kunnskapen.

For å modernisere uten å forstyrre driften bør dere først bygge et omslag rundt de eldre systemene og deretter migrere ett bruksområde om gangen. Agenter endrer også økonomien på dette området. Migreringsarbeidsflyter med flere agenter moderniserer nå hundretusener av linjer med eldre kode på noen måneder, mens mennesker tar beslutninger om arkitekturen.

I tillegg til tilgang til strukturerte data trenger KI-agenter i økende grad forståelse av institusjonell kunnskap, forretningsprosesser og organisatorisk kontekst. Hvordan kan virksomheter effektivt fange opp denne kunnskapen og integrere den i KI-systemene sine, og hvilke risikoer oppstår når agenter arbeider uten tilstrekkelig forretningskontekst?

Kontekst er det som gjør en modell til en kollega. Verktøy forstår oppgaver, mens agenter forstår kontekst. Du ber ikke en junioringeniør om å arbeide uten å forklare målet, begrensningene og hva som kjennetegner et godt resultat, og en agent er ikke annerledes.

Hent kunnskap fra selve arbeidet, i stedet for å basere dere på store dokumentasjonsprosjekter som er vanskelige å holde oppdatert. Hvert møte, hver supportsak, beslutning og korrigering bidrar til et kontekstlag som kombinerer filer, tabeller, vektorer og en graf over relasjoner. Hver fullførte oppgave lagrer informasjon tilbake i minnet, slik at organisasjonen lærer av hver leveranse. Konteksten trenger også sin egen styring: evalueringer, tilgangstillatelser og kostnadskontroll.

Uten kontekst støter agenter gjerne på noen forutsigbare problemer. De følger den skrevne regelen, men overser den uskrevne regelen alle kjenner. De henter feil informasjon og svarer med full overbevisning. De arbeider ut fra fakta fra forrige kvartal. Og et kontekstlag uten strenge tilgangstillatelser kan sette sensitive data i fare.

Mange selskaper måler KI-suksess ut fra produktivitetsforbedringer, bruksgrad eller antall pilotprosjekter som er satt i gang. Hvilke måltall bør IT-direktører og bedriftsledere bruke for å vurdere den reelle avkastningen på KI-investeringer, særlig når de tar hensyn til infrastrukturkostnader, løpende vedlikehold og den operative kompleksiteten ved selvstendige agenter?

Mål den hybride arbeidsstyrken, ikke verktøyet. Bruk er bare det første av 4 nivåer, og må alltid vurderes opp mot en referanseverdi fra før utrullingen. Bruk handler om hvorvidt folk tar verktøyet i bruk. Produktivitet handler om hvorvidt vi leverer raskere: gjennomløpstid, produksjonsvolum og løsningstid. Kvalitet handler om hvorvidt resultatet er bedre: feil som slipper gjennom, feilrate for endringer og omarbeid. Verdi og kostnad handler om hvorvidt det lønner seg: frigjort arbeidsinnsats, tid til markedet og totalkostnad per oppgave.

Et måltall det er lett å overse, er hvordan den kognitive kapasiteten fordeles mellom mennesker og agenter, team for team. Frigjort menneskelig kapasitet må målrettet omdisponeres til arbeid som ruster virksomheten for framtiden. Ellers går noe av gevinsten tapt.

Når det gjelder kostnader, går prisingen fra faste avgifter til betaling etter bruk. Det kan gjøre regningene vanskeligere å forutsi, så ruting av modeller og FinOps hører hjemme i plattformen fra dag én. Behandle AI-utgifter som skyutgifter: De skal være synlige, knyttet til et team og koblet til verdien de skaper.

Artefact samarbeider med virksomheter innen finans, helse, industri, detaljhandel og andre bransjer der innføringen av AI byr på ulike utfordringer. Hvilke erfaringer gjør man seg i praksis når AI tas i bruk i disse sektorene, og hvordan bør organisasjoner balansere innovasjon mot etterlevelse av regelverk, pålitelighet og menneskelig tilsyn?

Alle sektorer står overfor det samme spørsmålet: Hvordan skal arbeidet fordeles mellom mennesker og agenter? Det som varierer, er hvor mye av den ytre sløyfen som må forbli menneskestyrt. I detaljhandelen og forbruksvarebransjen er feil lite kostbare, så agentene kan overta mer av arbeidet og gjøre det raskere. I industrien er det pålitelighet og integrasjon med driftssystemer som bestemmer tempoet. I finans- og helsesektoren må hver beslutning kunne forklares, så mennesker står for mer av verifiseringen og beslutningstakingen over lengre tid.

Erfaringen jeg ser overalt, er at etterlevelse av regelverk fungerer best når den er en egenskap ved plattformen og bygges inn fra starten. Når sikkerhetsmekanismer, revisjonslogger og menneskelige godkjenninger er en del av rammeverket, følger de med i alle nye bruksområder. Hvis etterlevelse først kommer inn helt til slutt, må hvert nye prosjekt starte den samme diskusjonen på nytt.

Tilsynet bør være trinnvis. Agenter utfører lavrisikooppgaver på egen hånd, blir kontrollert ved avvik ved middels risiko og utarbeider bare beslutningsgrunnlaget ved høy risiko. Etter hvert som tilliten bygges opp, endres nivåene.

Når Artefacts Adopt AI Summit arrangeres i Paris i desember, blir diskusjoner om AI-suverenitet, styring og industriell konkurranseevne stadig viktigere. Hvordan tror du Europas tilnærming til innføring av AI vil påvirke globale strategier i næringslivet, og hvilke utviklingstrekk tror du vil prege neste fase av AI i næringslivet de kommende årene?

Europa var tidlig ute med å stille spørsmålet om suverenitet, og jeg tror dette er i ferd med å bli et globalt designprinsipp. Multinasjonale selskaper ønsker ikke én arkitektur for hvert regelverk, så de utformer løsningene etter det strengeste regelverket: Eie konteksten selv, leie modellene og beholde kontrollen over hvor de kjører, og hvem som har nøklene. Europas neste mulighet er å legge den samme innsatsen i å ta løsningene i bruk, for konkurranseevnen vil avhenge av bruk i stor skala.

Neste fase er den hybride organisasjonen, og jeg tror det er fremtidens arbeidsliv. Selskaper vil gå fra å telle ansatte til å forvalte en delt kognitiv kapasitet mellom mennesker og agenter. Agentene vil overta det meste av arbeidet som ser bakover: analyse, kode og rapportering. Menneskene vil gå over til arbeidet som retter seg mot fremtiden: skjønn, visjon, planlegging og beslutninger.

Jeg tror selskapene som først finner ut hvordan arbeidet skal fordeles, vil lede an. Det er den samtalen jeg ønsker å ha i Paris for å stake ut kursen for de kommende årene.

Takk for et flott intervju. Lesere som ønsker å lære mer om innføring av AI i næringslivet, agentbaserte arbeidsflyter og datatransformasjon, bør besøke Artefact.