Michael Majster, Partner w Arthur D. Little – Seria wywiadów

Michael Majster, Partner w Arthur D. Little, to doświadczony konsultant strategii i technologii z głęboką wiedzą w zakresie transformacji cyfrowej, strategii IT i wzrostu opartego na innowacjach. Z siedzibą w Brukseli i pracując na terenie regionu Benelux, posiada ponad dwie dekady doświadczenia w doradzaniu CIO i starszym menedżerom w zakresie wdrażania dużych zmian i osiągania mierzalnych wyników biznesowych. Przed dołączeniem do Arthur D. Little spędził 16 lat w Accenture, gdzie pełnił stanowiska kierownicze, w tym Dyrektora ds. Zasobów Technologicznych we Francji i Benelux, oraz rozwinął silną specjalizację branżową w sektorach energii, użyteczności publicznej, chemii i zasobów naturalnych.

Arthur D. Little to jedna z najstarszych firm konsultingowych na świecie, założona ponad 135 lat temu i szeroko uznana za swoje zaangażowanie w innowacje, strategię i transformację napędzaną technologią. Firma współpracuje z organizacjami globalnymi, aby rozwiązać złożone wyzwania biznesowe, łącząc wgląd strategiczny z głęboką wiedzą branżową, aby wspierać obszary takie jak transformacja cyfrowa, zarządzanie innowacjami i poprawa operacyjna. Z silnym naciskiem na łączenie strategii, technologii i wykonania, Arthur D. Little zbudował reputację pomagając klientom w tworzeniu przełomowych innowacji i adaptacji do szybko ewoluujących dynamik rynkowych.

Spędziłeś ponad 16 lat w Accenture, ostatecznie kierując technologią i zasobami w Benelux i Francji, zanim zostałeś Partnerem w Arthur D. Little. Jak ta podróż ukształtowała twoje spojrzenie na to, co organizacje potrzebują, aby przejść od eksperymentowania z AI do dużych, operacyjnych transformacji?

Podczas mojego pobytu w Accenture widziałem, jak firma rozrosła się z 30 000 do ponad 500 000 pracowników. Doświadczyłem na własnej skórze, jak dostawa IT może być zindustrializowana do skrajnych granic, aby wspierać duże transformacje dla CIO.

W ciągu lat jednak IT stało się coraz bardziej integralną częścią biznesu, powodując potrzebę, aby organizacje odejdą od traktowania go jako towaru.

Przechodząc do Arthur D. Little, chciałem zbadać, jak te strategiczne transformacje rdzenia biznesu mogą być podejmowane od wewnątrz, jak rozwiązania na zamówienie zamiast standaryzowanych platform mogą lepiej umożliwić różnicowanie, a wspólna odpowiedzialność całego ExCo może pomóc organizacjom w osiągnięciu skoku w tworzeniu wartości.

W swoim ostatnim punkcie widzenia, To nie agenci, to system, twierdzisz, że wieloagentowy AI jest mniej związany z technologią, a bardziej ze zmianą modelu operacyjnego. Dlaczego uważasz, że tak wiele organizacji nadal traktuje AI przede wszystkim jako problem narzędziowy?

Organizacje traktują AI jako problem narzędziowy, ponieważ pasuje to ładnie do istniejących struktur, budżetów i własności, unikając złożoności zmiany cross-funkcjonalnej. Umożliwia to szybkie prototypy i widoczny postęp, ale często prowadzi do inicjatyw, które nie są w stanie skalować lub dostarczać znaczącego ROI. Wielu liderów również opiera się na mentalnych modelach oprogramowania legacy, zakładając, że AI może być wdrożone jak tradycyjne systemy IT, a nie wymaga przebudowy workflow i projektowania decyzji. Jednocześnie odpowiedzialność za zmianę modelu operacyjnego jest rozproszona i trudniejsza do zarządzania, co sprawia, że inicjatywy technologiczne są bardziej atrakcyjne. W rezultacie firmy domyślnie wybierają narzędzia, ponieważ jest to łatwiejsze i bezpieczniejsze niż konfrontacja z głębszą transformacją potrzebną do odblokowania pełnej wartości AI.

Wiele przedsiębiorstw obecnie eksperymentuje z agentic AI, ale ma trudności ze skalowaniem. Jakie są najczęstsze bariery strukturalne, które uniemożliwiają organizacjom przejście poza prototypy do produkcji?

Organizacje mają trudności ze skalowaniem agentic AI, ponieważ koncentrują się na izolowanych przypadkach użycia, a nie na przebudowie procesów end-to-end z wyraźną własnością. Modele operacyjne często nie są dostosowane, z niejasnymi rolami, prawami decyzyjnymi i niewystarczającą integracją współpracy człowiek-agent do codziennych workflow. Wiele inicjatyw również brakuje silnych powiązań z mierzalnymi wynikami biznesowymi, powodując, że zatrzymują się one w fazie prototypu bez wykazania ROI. Ponadto fragmentaryzacja danych i systemy legacy ograniczają możliwość agentów do działania bezproblemowo w całych funkcjach. Wreszcie, słaba zarządzanie zmianą i nierozwiązane problemy dotyczące zarządzania ryzykiem i niezawodnością jeszcze bardziej spowalniają przyjęcie i uniemożliwiają skalowanie.

Podkreślasz, że orkiestracja, a nie pojedynczy agenci, to miejsce, gdzie leży prawdziwa wartość. Co tak naprawdę oznacza skuteczna orkiestracja w środowisku przedsiębiorstwa?

Skuteczna orkiestracja oznacza projektowanie AI wokół procesów biznesowych end-to-end, a nie pojedynczych narzędzi, z agentami przydzielonymi wyraźnymi rolami w całym workflow. Wielu agentów współpracuje jak zespół – obsługując intake, podejmowanie decyzji, wykonanie i nadzór – koordynowane przez centralną warstwę orkiestracji. Agenci są ściśle zintegrowani z systemami przedsiębiorstwa za pomocą API i źródeł danych, umożliwiając rzeczywiste działania, a nie tylko wglądy. Warstwa orkiestracji zarządza również sekwencjonowaniem zadań, wyjątkami i eskalacją do ludzi, zapewniając gładkie i kontrolowane wykonanie. Wreszcie, silne mechanizmy zarządzania, walidacji i sprzężenia zwrotnego są wbudowane, aby zapewnić niezawodność i ciągłe doskonalenie.

Jak organizacje powinny ewoluować prawa decyzyjne między ludźmi a systemami autonomicznymi, aby uniknąć zarówno nadmiernej automatyzacji, jak i wąskich gardeł?

Prawa decyzyjne powinny ewoluować w kierunku modelu opartego na ryzyku, w którym decyzje o niskim ryzyku i wysokiej objętości są zautomatyzowane, podczas gdy przypadki o wysokim wpływie lub niepewne pozostają pod kontrolą ludzi. Agenci powinni zajmować się percepcją, analizą i wykonaniem, podczas gdy ludzie koncentrują się na ocenie, wyjątkach i definiowaniu prawidłowych wyników. Wyraźne ścieżki eskalacji są niezbędne, aby agenci wiedzieli, kiedy powinny odstąpić od decyzji, zamiast przekraczać swoją władzę. Aby uniknąć wąskich gardeł, zaangażowanie ludzi powinno być selektywne i skupione na wyjątkach, zamiast pełnego nadzoru nad każdym krokiem. Jednocześnie silne barierki, mechanizmy walidacji i monitorowania zapewniają kontrolę i zapobiegają nadmiernej automatyzacji.

Jednym z Twoich głównych punktów jest to, że niezawodność musi być zaprojektowana end-to-end. Jakie są największe tryby awaryjne, które widzisz obecnie, gdy firmy wdrażają systemy wieloagentowe bez wystarczających zabezpieczeń?

Kluczowy tryb awaryjny to propagacja błędów, gdzie małe błędy jednego agenta są przenoszone przez system i stają się zwiększone. Innym problemem jest halucynacja i fałszywa pewność, gdy AI może generować prawdopodobne, ale błędne dane wyjściowe bez sygnału niepewności. Organizacje również mają trudności, gdy zbyt duża autonomia jest przyznawana agentom w przypadku decyzji o wysokim wpływie bez odpowiednich walidacji lub bramek zatwierdzających. Słaba obsługa wyjątków dodatkowo komplikuje problem, z agentami, które nie są w stanie eskalować niejasnych lub granicznych przypadków do ludzi. W ogóle, awarie występują, ponieważ niezawodność nie jest zaprojektowana w całym systemie koordynacji, weryfikacji i nadzoru.

Zarządzanie jest często traktowane jako warstwa zgodności, a nie jako zasada projektowa. Jak firmy powinny przemyśleć zarządzanie przy budowaniu modeli operacyjnych AI?

Zarządzanie powinno przesunąć się z warstwy zgodności na zasadę projektową wbudowaną bezpośrednio w przepływy pracy AI. Oznacza to integrację barier, kroków walidacji i bramek zatwierdzających na kluczowych punktach decyzyjnych, zamiast dodawania kontroli po wdrożeniu. Firmy powinny przyjąć podejście oparte na ryzyku, dostosowując poziomy autonomii i nadzoru ludzkiego w zależności od wpływu decyzji i niepewności. Wyraźna odpowiedzialność i prawa decyzyjne muszą być zdefiniowane, zapewniając, że agenci wiedzą, kiedy powinni działać, a kiedy eskalować. Wreszcie, ciągłe monitorowanie, pętle sprzężenia zwrotnego i zaprojektowana niezawodność są niezbędne do utrzymania zaufania, wydajności i kontroli w skali.

Z Twojej pracy doradzającej CIO i CDO, co odróżnia organizacje, które osiągają mierzalne ROI z AI, od tych, które pozostają w ciągłym eksperymentowaniu?

Organizacje, które osiągają ROI, koncentrują się na transformacji procesów end-to-end, a nie na izolowanych przypadkach użycia AI. Łączą inicjatywy z wyraźnymi wskaźnikami finansowymi i wbudowują AI w przepływy pracy, role i struktury decyzyjne. Inwestują również w zarządzanie zmianą, przyjęcie i zarządzanie, aby zapewnić, że rozwiązania skalują się skutecznie. W przeciwieństwie do tego, organizacje, które utknęły w eksperymentowaniu, prowadzą niepołączone prototypy, koncentrują się na narzędziach zamiast procesach i brakuje im wyraźnej własności i odpowiedzialności. W rezultacie, nie są w stanie przetłumaczyć AI na mierzalną wartość biznesową i pozostają uwięzione w fazie prototypu.

Jak organizacje powinny myśleć o obserwowalności, monitorowaniu i eskalacji, aby utrzymać zaufanie do decyzji podejmowanych przez AI?

Organizacje powinny traktować obserwowalność, monitorowanie i eskalację jako podstawowe elementy projektu systemu, a nie jako późniejsze myśli. Obejmuje to zapewnienie pełnej śledzialności za pomocą logowania, śladów audytu i punktów walidacji, aby decyzje mogły być zrozumiane i zweryfikowane. Monitorowanie powinno koncentrować się nie tylko na wydajności, ale również na jakości wyników, błędach i tym, jak problemy są przenoszone przez agenty. Wyraźne reguły eskalacji są potrzebne, aby agenci mogli odstąpić od decyzji w sytuacjach o wysokim ryzyku lub niejasnych bez tworzenia wąskich gardeł. Ostatecznie, zaufanie pochodzi z systemów, które są przejrzyste, mierzone i zaprojektowane z myślą o nadzorze ludzkim jako domyślnym.

Spójrzając w przyszłość, jak widzisz ewolucję modeli operacyjnych przedsiębiorstw w ciągu najbliższych 3 do 5 lat, gdy systemy AI wieloagentowe stają się coraz bardziej wbudowane w procesy biznesowe?

Modele operacyjne przedsiębiorstw ewoluują w kierunku hybrydowych sił roboczych ludzi i AI, gdzie agenci działają jako cyfrowi pracownicy wbudowani w procesy rdzeniowe. Organizacje przesuną się z funkcjonalnych silosów do struktur procesowych z end-to-end własnością i orkiestracją w przepływach pracy. Proces podejmowania decyzji stanie się bardziej dynamiczny, z zautomatyzowanymi zadaniami rutynowymi i ludźmi koncentrującymi się na wyjątkach i nadzorze. Mechanizmy zarządzania i niezawodności będą wbudowane w codzienne operacje, a nie traktowane jako warstwy oddzielne. Ostatecznie, przewaga konkurencyjna będzie zależała od tego, jak dobrze firmy przebudują swoje modele operacyjne wokół AI, a nie tylko od samej technologii.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Arthur D. Little.