Jason Wojahn, prezes KMS Technology – cykl wywiadów

Jason Wojahn jest prezesem KMS Technology i ma za sobą około trzech dekad doświadczenia w budowaniu i rozwijaniu firm świadczących usługi technologiczne dla przedsiębiorstw. Współzałożył firmę Thirdera i nią kierował, zanim została przejęta przez Cognizant. Wcześniej kierował globalnym działem ServiceNow w Accenture oraz zajmował stanowiska kierownicze w Cloud Sherpas i IBM Global Services. Koncentruje się na transformacji przedsiębiorstw, modelach operacyjnych oraz przekładaniu postępów w dziedzinie AI na wymierne wyniki biznesowe.

KMS Technology to firma z obszaru inżynierii cyfrowej, danych i AI, która pomaga organizacjom tworzyć oprogramowanie, modernizować aplikacje, wzmacniać fundamenty danych i wdrażać AI w środowiskach produkcyjnych. Jej usługi obejmują doradztwo techniczne, inżynierię produktów, inżynierię danych i inteligentną automatyzację przepływów pracy. W tym wywiadzie Wojahn omawia „gospodarkę realizacji”, przepaść między pilotażami AI a wdrożeniami produkcyjnymi, zakres uprawnień decyzyjnych agentów oraz sposoby mierzenia postępów firm na podstawie wyników osiąganych od początku do końca procesu.

Przez trzy dekady budował Pan i rozwijał organizacje technologiczne obsługujące przedsiębiorstwa: od rozwoju Navigis i kierowania globalnym działem ServiceNow w Accenture, przez budowę Thirdera, po obecną funkcję prezesa KMS Technology. Jak te doświadczenia ukształtowały Pana podejście do transformacji przedsiębiorstw i co skłoniło Pana do podjęcia wyzwania, jakim jest pomaganie organizacjom w stawaniu się firmami natywnymi dla AI?

Zaczynałem w IBM Global Services, gdzie odpowiadałem za realizację usług dla dużych klientów korporacyjnych. Później przyszła kolej na Navigis, Cloud Sherpas, Accenture, Thirdera i Cognizant — niemal cała moja kariera zawodowa była związana z ekosystemem ServiceNow.

Wciąż dostrzegałem ten sam schemat. Każda kolejna fala platform obiecywała transformację, ale o tym, kto odnosił sukces, rzadko decydowała sama technologia. Wygrywały firmy, które zmieniały rzeczywisty przepływ pracy w organizacji.

Lata pracy z ServiceNow nauczyły mnie, że wartość tkwi w przepływach pracy, a nie w panelach. Przez trzydzieści lat oprogramowanie dla przedsiębiorstw świetnie informowało nas o tym, co się dzieje. Znacznie gorzej radziło sobie z podejmowaniem działań. Tę lukę wypełniali ludzie. Stawali się nieopłacanym zespołem integracyjnym, przenoszącym pracę z jednego systemu do drugiego.

AI to zmienia. Inteligencja staje się powszechnie dostępna. Tym, czego dziś brakuje, jest zdolność przekuwania jej w skoordynowane działanie. Właśnie dlatego dołączyłem do KMS: firma ma głębokie kompetencje inżynieryjne, które pozwalają budować systemy wykonujące pracę, a nie tylko ją śledzące, a także daje możliwość, by stać się organizacją natywną dla AI, zamiast jedynie wspieraną przez AI.

Wiele przedsiębiorstw z powodzeniem pokazało potencjał AI w ramach programów pilotażowych, ale ma trudności z przełożeniem tych pierwszych sukcesów na wartość osiąganą na skalę produkcyjną. Jakie przeszkody najczęściej napotykają organizacje, gdy próbują wyjść poza fazę eksperymentów, i dlaczego problemy te często ujawniają się dopiero wtedy, gdy technologia dowiedzie już swojej skuteczności?

Pilotaż dowodzi, że model działa. Wdrożenie produkcyjne dowodzi, że działa organizacja.

To zupełnie różne sprawdziany. Pilotaż opiera się na czystych, starannie wyselekcjonowanych danych, zaangażowanym sponsorze i niewielkim zespole, który obchodzi każdą lukę. Jest zaprojektowany tak, by uniknąć trudnych aspektów.

W środowisku produkcyjnym nie da się ich uniknąć. Agent musi teraz uzyskać dostęp do pięciu systemów, a nie jednego. Ktoś musi odpowiadać za wynik, gdy agent popełni błąd, określić, co wolno mu zatwierdzać, i pokrywać codzienne koszty jego działania.

Dlatego te problemy pojawiają się dopiero wtedy, gdy technologia dowiedzie już swojej skuteczności. Nigdy nie były to problemy technologiczne. Dotyczą danych, integracji, odpowiedzialności i uprawnień, a pilotaż zaprojektowano tak, by ominąć każdy z nich.

Rozwiązanie polega na tym, by przestać traktować pilotaże jak demonstracje. Należy uznać pilotaż za pierwszy etap wdrożenia produkcyjnego. Trzeba wybrać istotny przepływ pracy, połączyć go z rzeczywistymi systemami, wyznaczyć osobę odpowiedzialną i określić, o czym agent może decydować od pierwszego dnia. Start jest wolniejszy, ale skalowanie — znacznie szybsze.

Opisywał Pan zmianę w kierunku „gospodarki realizacji”, w której przewaga konkurencyjna w coraz większym stopniu zależy od zdolności organizacji do przekuwania inteligencji w skoordynowane działanie. Co ta koncepcja oznacza w praktyce i jak zmienia podejście przedsiębiorstw do inwestycji w AI?

Każde działanie przebiega według tego samego schematu: informacja, wnioski, decyzja i realizacja.

Przez dziesięciolecia oprogramowanie dla przedsiębiorstw skupiało się na dwóch pierwszych etapach, a AI szybko usprawnia trzy pierwsze. Większość organizacji wciąż ma trudności z realizacją — i to właśnie w tym obszarze przesuwa się przewaga konkurencyjna.

W praktyce gospodarka realizacji oznacza, że rzadkim zasobem przestaje być inteligencja. Rzadkością staje się doprowadzanie spraw do końca. Dwie firmy mogą dysponować tymi samymi modelami, danymi i wnioskami. Wygrywa ta, która przekuwa je w skoordynowane działanie, mając jasno określone uprawnienia i ścieżkę audytu.

To zmienia sposób inwestowania. Większość dzisiejszych budżetów na AI przeznacza się na narzędzia: copiloty, asystentów i lepsze wyszukiwanie. Dzięki nim poszczególne osoby pracują szybciej. Jednak propozycja przygotowana przez AI w dziesięć minut może nadal czekać trzy dni na zatwierdzenie. Szybsze wykonywanie zadań nie oznacza szybszego osiągania wyników.

Dlatego należy finansować przepływy pracy, a nie narzędzia, i zacząć od innego pytania. Nie: „Jak zwiększyć produktywność tego pracownika o 20%?”, lecz: „Jakie zadania nie powinny już wymagać koordynacji przez człowieka?”

W miarę jak sztuczna inteligencja przechodzi od wspierania pracowników w wykonywaniu pojedynczych zadań do samodzielnej realizacji całych procesów, jak organizacje powinny na nowo przemyśleć swoje dotychczasowe procedury, struktury decyzyjne i modele odpowiedzialności?

Większość procesów w przedsiębiorstwach powstała z myślą o ograniczeniach ludzi. Informacje przepływały powoli, więc organizowaliśmy spotkania. Decyzje wymagały nadzoru, więc tworzyliśmy wielostopniowe ścieżki akceptacji. Wiele z tego, co nazywamy procesami, to w rzeczywistości przekazywanie zadań między ludźmi.

Automatyzując te procesy w obecnej postaci, automatyzuje się schemat organizacyjny. Zadania są przekazywane szybciej, ale nie rzadziej.

Zmiany należy zacząć od decyzji, a nie od zadań. W przypadku każdego procesu należy określić, jakie decyzje wchodzą w jego skład. Co może rekomendować agent? Co może rozstrzygać? Co może wykonać samodzielnie? Kiedy musi wkroczyć człowiek?

Uprawnienia dotyczą poszczególnych decyzji, a nie całych procesów. Agent może mieć pełne uprawnienia do uzgadniania faktur, a mimo to w przypadku każdej płatności przekraczającej ustalony limit może być wymagana akceptacja człowieka.

Odpowiedzialność nie znika. Staje się wyraźniej określona. Ludzie i agenci wspólnie odpowiadają za realizację zadań: agenci wykonują pracę, a ludzie określają zakres uprawnień, zajmują się wyjątkami i odpowiadają za wynik. Każdy agent musi mieć wskazanego właściciela, a każde działanie powinno być możliwe do prześledzenia i, tam gdzie to możliwe, odwrócenia.

Rola przywództwa zmienia się: zamiast koordynować pracę, liderzy projektują systemy, które ją wykonują.

W KMS Technology koncentrujecie się na przekształceniu tradycyjnej inżynierii cyfrowej w realizację zadań przedsiębiorstwa opartą na sztucznej inteligencji. Jak ta zmiana wygląda wewnątrz firmy i w jaki sposób KMS integruje sztuczną inteligencję, platformy danych oraz inteligentną orkiestrację procesów, aby osiągać wymierne wyniki biznesowe?

Najpierw stosujemy te same zasady we własnej firmie. KMS rozwinęła się jako przedsiębiorstwo zajmujące się inżynierią cyfrową. Kolejny etap to realizacja zadań przedsiębiorstwa w oparciu o sztuczną inteligencję: tworzenie, modernizacja i utrzymanie, przy wspólnej odpowiedzialności ludzi i agentów za wykonanie. Rezultaty widać w czasie i nakładzie pracy:

Tworzenie. Evergreen Telehealth potrzebowała platformy telemedycznej opartej na sztucznej inteligencji wykorzystującej agentów oraz standardzie danych medycznych FHIR, a na rynku nie było niczego podobnego. Pracując w modelu opartym na sztucznej inteligencji i wykorzystując Claude na każdym etapie — od określania wymagań, przez projektowanie i tworzenie, po testowanie — nasz zespół wraz z inżynierami Evergreen przekształcił podstawową platformę z koncepcji w produkt gotowy do wdrożenia w ciągu 75 dni roboczych. Obejmowało to trzy aplikacje (internetową, na iOS i na Androida), cztery działające integracje (z systemem EHR, weryfikację tożsamości, płatności i aptekę) oraz dwóch agentów działających w środowisku produkcyjnym. Pracą kierowali ludzie, a sztuczna inteligencja ją przyspieszała. Agenci przygotowywali historyjki użytkowników, generowali kod i przeprowadzali testy. Inżynierowie odpowiadali za architekturę, mapowanie danych klinicznych i każdą istotną decyzję.

Modernizacja. Innym przykładem jest firma tworząca oprogramowanie dla branży morskiej, która musiała zastąpić platformę działającą lokalnie od ponad 20 lat. Nie mogła uzasadnić długotrwałej, tradycyjnej przebudowy, zanim inwestorzy zobaczyliby postępy, dlatego przeprowadziliśmy ograniczony do sześciu tygodni projekt tworzenia oprogramowania z wykorzystaniem agentów. Wymagania klienta wprowadzono jako kontekst, dzięki czemu agenci tworzyli rozwiązanie zgodnie ze specyfikacją, zamiast jedynie generować kod. W około 800 godzin pracy zespołu dostarczono od 35 do 45 procent zakresu MVP, wobec pierwotnego szacunku wynoszącego od 6000 do 8000 godzin. Agenci napisali kod i ponad 5000 testów jednostkowych. Inżynierowie wyznaczali zabezpieczenia i oceniali jakość.

Utrzymanie. Od tego czasu Evergreen rozszerzyła architekturę agentową na całą działalność firmy, a agenci nadzorujący monitorują system, przy czym ludzie uczestniczą w procesie, aby go oceniać i naprawiać.

Nie chodzi tylko o szybsze pisanie kodu. Zmieniamy to, jak dużo pracy może wykonać zespół.

We wszystkich trzech obszarach ludzie i agenci wspólnie odpowiadają za realizację zadań. Agenci wykonują powtarzalną pracę. Nasi inżynierowie i zespoły naszych klientów odpowiadają za decyzje, wyjątki i wyniki.

Ta sama zmiana pozwala nam zwiększyć efektywność realizacji projektów. Na tym polega różnica między realizacją projektów opartą na sztucznej inteligencji a realizacją projektów wspieraną przez sztuczną inteligencję.

Systemy sztucznej inteligencji dla przedsiębiorstw coraz częściej wymagają dostępu do informacji rozproszonych w starszych aplikacjach, platformach chmurowych i środowiskach danych. Jak duże wyzwanie stanowi łączenie tych systemów i jakie podstawy architektoniczne organizacje powinny stworzyć, zanim podejmą próbę wdrożenia procesów opartych na sztucznej inteligencji na dużą skalę?

To najważniejsze wyzwanie. Większość przedsiębiorstw nie ma problemu ze sztuczną inteligencją. Ma problem z rozproszeniem systemów, który sztuczna inteligencja uczyniła niemożliwym do zignorowania.

Przyjrzyjmy się temu, jak dziś przebiega praca. Ktoś wyszukuje informacje w jednej aplikacji, zabiega o akceptację w drugiej, a następnie kopiuje wynik do trzeciej. To ludzie pełnią funkcję warstwy integracyjnej. Agent nie może wykonać tej pracy, jeśli nie ma dostępu do tych systemów, nie rozumie kontekstu i nie działa z odpowiednimi uprawnieniami.

Dlatego fundamenty są ważniejsze niż model. Na początek potrzebne są cztery elementy:

• nowoczesna architektura danych, która zapewnia agentom wiarygodny kontekst
• warstwa integracyjna, dzięki której agenci mogą działać w różnych systemach, a nie tylko odczytywać z nich dane
• tożsamość i uprawnienia zaprojektowane z myślą o agentach, a nie tylko o ludziach
• monitorowanie, które pozwala sprawdzić, co zrobił każdy agent i dlaczego

Kurczy się również stos technologiczny. Platformy danych stają się platformami operacyjnymi, platformy przepływu pracy zyskują inteligentne funkcje, a aplikacje stają się bezinterfejsowe. Jeśli przepływ pracy może obejmować cały stos, dlaczego użytkownik miałby musieć z niego korzystać?

Nie czekaj na idealną architekturę. Wybierz jeden ważny przepływ pracy i zmodernizuj wszystko, czego dotyczy. Potem zajmij się kolejnym.

Gdy agenci AI zaczynają podejmować decyzje i wykonywać działania w różnych obszarach działalności firmy, coraz większego znaczenia nabierają kwestie zarządzania, odpowiedzialności i nadzoru ze strony człowieka. Jak przedsiębiorstwa powinny ustalać, które decyzje można powierzyć AI, a które muszą pozostać pod kontrolą człowieka?

Zacząłbym od zmiany pytania. Nie: „Czy AI może to zrobić?”. Coraz częściej odpowiedź brzmi: tak. Lepsze pytanie to: „Kto upoważnił ją do działania?”.

Możliwości i dostęp nie oznaczają uprawnień. Gdy agent może zatwierdzić zwrot pieniędzy, zmienić harmonogram produkcji lub zobowiązać firmę do wydatku, ktoś musi wyznaczyć granice jego działania.

Praktycznym kryterium są koszt i odwracalność. Decyzja, która jest podejmowana często, opiera się na regułach i łatwo ją cofnąć, dobrze nadaje się do powierzenia agentowi. Decyzja o dużym wpływie, nieodwracalna lub kształtująca relację z klientem powinna pozostać w rękach człowieka.

Powierzenie zadań powinno być też czymś, na co trzeba sobie zasłużyć. Zacznij od agentów, którzy przedstawiają rekomendacje, i człowieka, który je zatwierdza. W miarę gromadzenia dowodów przejdź od zatwierdzania przez człowieka każdego działania do nadzorowania przez niego systemu i zajmowania się wyjątkami.

Celem nie jest obecność człowieka w każdej pętli, lecz w tych właściwych. Dane dostarczają kontekstu. Modele wnioskują. Agenci wykonują działania. Ludzie określają zakres uprawnień i ponoszą konsekwencje.

Stojąc na czele dużych przedsiębiorstw zajmujących się platformami, pracował Pan w Accenture i Cognizant, gdzie skalowanie działalności wymagało zgrania technologii, ludzi i procesów w globalnych organizacjach. Jakie wnioski z tych doświadczeń można zastosować w dzisiejszych działaniach na rzecz transformacji z wykorzystaniem AI, zwłaszcza gdy większą przeszkodą niż sama technologia stają się opór organizacyjny lub przestarzałe modele operacyjne?

Najwięcej nauczyła mnie integracja. W Cloud Sherpas, a następnie w Accenture i Cognizant, przez lata zajmowałem się łączeniem organizacji. Różne kultury, modele świadczenia usług, systemy motywacyjne i regiony musiały działać jako jedna firma platformowa.

Technologia rzadko była ograniczeniem. Był nim model operacyjny.

Trzy wnioski mają bezpośrednie zastosowanie w transformacji z wykorzystaniem AI.

Po pierwsze, opór zwykle ma racjonalne podstawy. Ludzie chronią to, z czego są rozliczani. Jeśli wprowadzasz agentów, a jednocześnie nadal oceniasz zespoły na podstawie liczby przepracowanych godzin, liczby pracowników i aktywności, uzyskasz dostosowanie się do wymogów, a nie zmianę. Zmień mierniki, a za nimi pójdą zmiany w zachowaniu.

Po drugie, uprawnienia do podejmowania decyzji muszą być jasno określone. Podczas każdej integracji najtrudniejsze rozmowy dotyczyły tego, kto o czym decyduje. Wraz z rozwojem AI nie da się już uniknąć tego pytania, ponieważ niektórzy decydenci nie są już ludźmi.

Po trzecie, jasno określ, co pozostaje bez zmian. Ludzie lepiej przyswajają zmiany, gdy rozumieją ich przyczyny i wiedzą, co się nie zmieni.

Transformacja z wykorzystaniem AI to zmiana modelu operacyjnego, która po prostu obejmuje technologię. Liderzy, którzy potraktują ją jak wdrożenie oprogramowania, będą rozczarowani.

Tradycyjne mierniki sukcesu AI często koncentrują się na poziomie wdrożenia, wzroście produktywności i zaoszczędzonym czasie. Na jakich miernikach powinni skupić się członkowie kadry zarządzającej, aby ocenić, czy AI rzeczywiście usprawnia realizację działań biznesowych, i jak organizacje mogą odróżnić przyrostową poprawę efektywności od znaczącej transformacji operacyjnej?

Poziom wdrożenia i zaoszczędzony czas to mierniki nakładów. Pokazują, że ludzie korzystają z narzędzia, ale nie mówią, czy firma działa szybciej.

Jeśli inżynier oszczędza dwie godziny, ale wydanie oprogramowania nadal czeka tydzień na weryfikację, dla klienta nic się nie zmieniło. Szybsze wykonywanie zadań nie oznacza szybszych rezultatów.

Skupiłbym się na trzech rodzajach mierników:

• Czas od zgłoszenia potrzeby do rezultatu: ile czasu upływa od złożenia wniosku do uzyskania wyniku, od początku do końca.
• Miejsca, w których praca czeka: czas podejmowania decyzji, przekazywanie zadań i kolejki między zespołami.
• Praca bez koordynacji: jaka część przepływu pracy przebiega bez koordynacji ze strony ludzi, dzięki czemu mogą oni skupić się na ocenie sytuacji i wyjątkach.

Następnie powiąż te mierniki z wynikami biznesowymi: kosztami obsługi, jakością i przychodami.

Test transformacji jest prosty. Czy zadanie wykonano szybciej, czy zmienił się kształt przepływu pracy? Przyrostowa poprawa przyspiesza ten sam proces. Transformacja usuwa kroki, przekazywanie zadań i zatwierdzenia, które nie są już potrzebne.

Mierz czas od zgłoszenia potrzeby do rezultatu. Sprawdź, gdzie praca czeka. Zmień to, co ją tam zatrzymuje.

Jak, Pana zdaniem, w ciągu najbliższych trzech do pięciu lat będzie ewoluować relacja między AI, oprogramowaniem dla przedsiębiorstw a pracownikami? Czy przewiduje Pan przyszłość, w której systemy projektowane z myślą o AI zasadniczo zastąpią tradycyjne przepływy pracy w przedsiębiorstwach? Co liderzy biznesowi powinni robić już dziś, aby przygotować się na tę zmianę?

Przez trzydzieści lat oprogramowanie dla przedsiębiorstw informowało nas, co się dzieje. W ciągu najbliższych trzech do pięciu lat będzie coraz częściej wykonywać tę pracę.

AI zastąpi koordynowanie: ponaglanie, kopiowanie, przekazywanie zadań dalej i pilnowanie ich realizacji — czynności, które wypełniają większość dnia pracy większości ludzi. Ludzie będą mogli skupić się na ocenie sytuacji, wyjątkach, relacjach i odpowiedzialności za wyniki. To lepsze wykorzystanie ludzkiej wiedzy i doświadczenia, ale wymaga nowych kompetencji, które liderzy muszą świadomie rozwijać.

Co liderzy powinni zrobić już dziś? Wybrać jeden istotny proces i rozpisać decyzje podejmowane w jego ramach. Uporządkować leżące u jego podstaw dane. Określić, jakie decyzje agent może podejmować, i wskazać osobę odpowiedzialną za wynik. Następnie przejść do kolejnego procesu.

Firmy, które potraktują AI jako narzędzie, zyskają na efektywności. Firmy, które przeorganizują się wokół AI, uzyskają większą dźwignię. AI nie jest strategią. Liczy się jej realizacja.

Dziękujemy za świetny wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej o realizacji procesów biznesowych z wykorzystaniem rozwiązań natywnie opartych na AI, inteligentnych przepływach pracy oraz przechodzeniu od pilotażowych projektów AI do środowiska produkcyjnego, powinni odwiedzić KMS Technology.