Adam Field, Chief AI Officer på Tungsten Automation – Intervju-serie

Adam Field, Chief AI Officer på Tungsten Automation, är en långvarig ledare inom företagsteknologi med djup kunskap inom artificiell intelligens, intelligent automatisering och produktstrategi. I sin nuvarande roll leder han företagets globala AI-omvandlingsinsatser, övervakar integrationen av AI i Tungstens produktportfölj, vägleder Tungsten AI Lab och etablerar ramverk för ansvarsfull AI-antagande. Innan han blev Chief AI Officer tjänstgjorde han som Chief Product Officer och ansvarade för en portfölj som genererade mer än 550 miljoner dollar i årlig omsättning. Innan han anslöt sig till Tungsten tillbringade Field nästan 17 år på Pegasystems, där han ledde innovation och kundupplevelseinitiativ, hjälpte till att forma framväxande teknikstrategi och blev känd för att leverera storskaliga produktdemonstrationer och företagsinnovationsprogram. Tidigare i sin karriär hade han tekniska och konsultroller på Staples, Publicis Sapient och Fidelity Investments.

Tungsten Automation, tidigare känt som Kofax, är ett företag som utvecklar programvara med fokus på AI-driven arbetsflödesautomatisering, intelligent dokumentbehandling, robotisk processautomatisering (RPA) och affärsprocessorkestrering. Företaget tillhandahåller automatiseringsverktyg som används av organisationer inom olika branscher, såsom finans, hälsovård, försäkring och offentlig förvaltning, för att effektivisera dokumenttunga operationer och förbättra effektiviteten. Plattformen kombinerar AI, lågkodsautomatisering och dokumentintelligens för att hjälpa företag automatisera repetitiva uppgifter, extrahera insikter från ostrukturerad data och modernisera affärsflöden i stor skala.

Du har tillbringat många år med att leda produktstrategi och innovation, inklusive att bygga ut innovationslaboratorier och skala upp en produktportfölj värd över 500 miljoner dollar, innan du gick in i rollen som Chief AI Officer på Tungsten Automation. Vad övertygade dig om att nu var rätt tillfälle att gå över till AI-ledning, och hur påverkade din tidigare erfarenhet det beslutet?

Jag har tillbringat en stor del av min karriär med att omvandla nya teknologier till något som faktiskt fungerar i stor skala inom företagsmiljöer. Under de senaste åren har det blivit tydligt att AI inte bara är en annan funktion att integrera i produkter. Det omformar hur programvara byggs och hur beslut fattas över hela företaget, och det verkar ha överskridit och stört allt som kom före. Denna övergång från experiment till faktiska förväntningar på resultat, i kombination med den alltmer obestridliga faktan att AI är här för att stanna, gjorde det till rätt tillfälle att gå in i en AI-ledningsroll.

Det blev också uppenbart att AI inte blev den mirakelmedicin som många marknadsförde det som. AI-succes kräver personer som kombinerar teknisk expertis och branschkunskap. Tungsten vill hjälpa företag att göra AI på rätt sätt och uppleva verkliga avkastningar, vilket är varför Tungsten skapade AI-kontoret och min roll inom det.

Tungsten har utvecklats från tidig dokumentinsamling och OCR till en fullständig intelligent automatiseringsplattform som driver kritiska arbetsflöden för tusentals organisationer. Hur ser du att det arvet formar din tillvägagångssätt för agentic AI idag?

Tungstens historia är djupt förknippad med hur företag faktiskt opererar. Vi har tillbringat decennier med att arbeta med dokument och arbetsflöden som sitter i centrum för kritiska affärsprocesser. Det betyder att vi förstår hur komplex och ofta ostrukturerad den informationen kan vara.

Den grunden är mycket relevant för agentic AI. Dessa system måste fungera i verkliga miljöer, inte bara tolka information i isolering. Vår bakgrund inom dokumentintelligens gör att vi kan fokusera på sammanhang och se till att AI agerar på ett sätt som är förenligt med hur företaget drivs. Det handlar om att bygga system som kan lita på i produktion, inte bara utforska i teori.

Det är därför den senaste AI-utvecklingen är så spännande. Den tar intelligent dokumentbehandling till platser vi aldrig kunde ta den tidigare — och löser problem som var för dyra eller omöjliga att hantera tidigare.

Du har betonat vikten av att integrera AI i hela produktportföljen snarare än att behandla det som en fristående funktion. Vad innebär “AI-nativ” transformation i ett stort, etablerat programvaruföretag?

Det blev tydligt tidigt att generativ- och agentic AI-drivna funktioner snabbt blev en förutsättning, vilket innebar att kunderna inte alltid var villiga att betala extra för dem. Vi insåg också att dessa teknologier gjorde att vi kunde modernisera vad Tungsten har gjort i åratal: hjälpa företag att förstå sin dokumentdata.

Vi ändrade inte vår varumärkeslöfte. Vi skapade inte enstaka produkter eller tilläggsfunktioner. Vi omstrukturerade hur produkten används, och när den grunden är på plats kan AI fungera på ett sätt som känns naturligt inom produkten snarare än separat från den. Och användningsfallen våra kunder började hantera flyttade från strukturerade dokument till ostrukturerade informationskällor. Och vi omdefinierade “dokument” på vägen. Ett dokument är inte längre enbart en bild av papper eller en digital fil. Ostrukturerad data finns i saker som skaderegleringsanteckningar, kontaktcentertranskriptioner, sociala medieinlägg, webbartiklar och mycket mer.

Att ta detta tillvägagångssätt gör att våra kunder kan komplettera grunden och öppna modeller med sin egen proprietära data, vilket är den verkliga differentiatorn.

Som företagets första Chief AI Officer, hur balanserar du innovationshastighet med behovet av styrning, säkerhet och ansvarsfull AI-distribution i stor skala?

Det finns alltid en drivkraft att flytta snabbt med AI, men i företagsmiljöer är tillit lika viktigt som hastighet. Styrning och säkerhet kan inte behandlas som en eftertanke. De måste byggas in i systemet från början.

Sättet vi gör detta på är genom att sätta förväntningar från början genom att utbilda våra slutanvändare. Till exempel är hälften av min roll fokuserad på intern AI-strategi, evangelism och styrning. Vi samlade en tvärfunktionell rådgivande kommitté tidigt. Vi uppmuntrar delning, experiment och kommunikation. Det fanns tillfällen då tekniken var redo att lanseras till alla anställda som var anslutna till flera interna system. Prototyperna var kraftfulla och fick alla att bli entusiastiska, men vi lät vår rådgivande kommitté veta när vi stötte på potentiella säkerhets- eller regulatoriska hinder. De uppskattar insikten och deltar ofta i lösningen.

Jag tror att det också är viktigt att inte låta perfektionism stå i vägen för framsteg. Vi satte förväntningar med vår personal att de ska förvänta sig förändring, och mycket av det. De ska förvänta sig att vi kommer att lansera verktyg och funktioner när de är klara, få feedback, ändra kurs om nödvändigt och sedan lansera mer.

Agentic AI blir snabbt en stor fokus över hela branschen. Vad skiljer verkliga företagsklassiga agentic-system från experimentella eller överhypade implementationer?

Den avgörande skillnaden är hur systemen fungerar i verkliga förhållanden. Många experimentella tillvägagångssätt fungerar bra i kontrollerade miljöer men kämpar när de möter ostrukturerad data eller komplexa arbetsflöden. Företagsklassiga system måste hantera den variabiliteten och fortfarande leverera konsekventa resultat.

De flesta system som byggdes under de senaste 30 åren var byggda för mänsklig interaktion eller via mycket kontrollerad API-åtkomst. Systemintegration behöver omformas i den agentiska eran. Allt från hur man hanterar undantag, fel och granskning är annorlunda när agenter interagerar snarare än en människa genom en traditionell användargränssnitt.

En annan viktig faktor är ansvar. Organisationer behöver förstå hur beslut fattas och kunna lita på resultaten. Den nivån av transparens är vad som tillåter agentic-system att flytta från intressanta demonstrationer till verklig operativ användning.

Du leder Tungsten AI Lab som en hubb för forskning och tillämpad innovation. Hur ser du till att experimentell AI-arbete översätts till mätbara affärsresultat för kunder?

Jag tog faktiskt motsatsen tillvägagångssätt med Tungsten AI Lab. Jag lät teamet veta tidigt att det var okej att experimentera, lära och prova nya tillvägagångssätt, även om resultaten aldrig gjorde det till våra produkter. Ofta är det bättre att lära sig vad man inte ska göra. Jag tror att detta har gett dem friheten att tänka fritt och experimentera med nya sätt att göra saker på.

Som exempel kan jag inte avslöja den exakta funktionen, men en av våra nuvarande forskningssprint handlar om en helt ny tillvägagångssätt för en befintlig produktkomponent. Forskarna fann nya metoder för att lösa ett problem, vilket ledde till en “ljusbulb”-ögonblick som vi kanske kan erbjuda en komplett ny tilläggsprodukt till våra kunder. Om vi bara forskade hur man implementerar vad som redan fanns i vägkartan, skulle vi aldrig ha kommit hit.

Det sagt är det inte en frihet för alla. Vi är tänkande på var vi spenderar tid och hur mycket av det vi spenderar på varje forskningsprojekt.

Många organisationer kämpar fortfarande med att flytta från AI-piloter till produktion. Vilka är de största hindren du ser, och hur kan företag övervinna dem?

En av de största hindren är mörk data. De flesta organisationer har tillgång till enorma mängder information, men en stor del av den lever i dokument, e-post, PDF-filer och andra ostrukturerade format som är svåra för AI-system att tolka. Det betyder att även välutformade modeller ofta arbetar med en ofullständig och inkonsekvent vy av affären, vilket leder till opålitliga utdata och stagnerade initiativ.

För att flytta bortom det behöver företag fokusera på att omvandla mörk data till något användbart. Det innefattar inte bara att extrahera information, utan att skapa struktur, sammanhang och styrning kring den så att AI-system kan faktiskt agera på den med tillförsikt. När den grunden är på plats blir AI mycket mer tillförlitlig och lättare att skala från isolerade piloter till verkliga produktionsmiljöer.

Tungsten arbetar över dokumenttunga och arbetsflödesintensiva branscher. Hur förändrar AI hur företag tänker på ostrukturerad data och beslutsfattande?

AI förändrar hur organisationer tänker på värdet av den information de redan har. Under många år har stora mängder företagskunskap suttit i dokument, e-post, PDF-filer och annan ostrukturerad innehåll som var svårt att komma åt eller operationalisera. Nu inser organisationer att den datan innehåller sammanhanget och affärslogiken som AI-system behöver för att producera tillförlitliga resultat. Modellerna i sig är en kommoditet; organisationers proprietära information i kombination med dessa modeller är differentiatorn.

Samtidigt finns en växande medvetenhet kring data-suveränitet, styrning och var företagsinformation flödar. Många företag är på väg att dra in mer extern data eller experimentera med bred modellåtkomst, när de i själva verket redan sitter på enorma mängder outnyttjad intelligens inom sin egen organisation. Fokus börjar skifta mot att aktivera den interna ostrukturerade datan på ett säkert och styrt sätt så att AI kan stödja bättre beslut utan att skapa onödig risk.

Du har byggt kundrådgivande styrelser och arbetat nära med företagskunder under hela din karriär. Hur viktigt är kundfeedback i att forma AI-strategi, särskilt när tekniken utvecklas så snabbt?

Kundfeedback är en gåva, särskilt i ett område som rör sig så snabbt som AI. Det hjälper till att se till att strategin förblir grundad i verkliga affärsbehov snarare än teoretiska möjligheter.

Det hjälper också till med prioritering. Det finns många riktningar AI kan ta, men kundinput ger klarhet på var den största värdet kan skapas. Det håller fokus på resultat som betyder något och ser till att innovationen förblir i linje med hur organisationer faktiskt opererar.

Jag minns i de allra tidigaste dagarna av generativ AI, en kund på vår rådgivande styrelse berättade för mig att medan hon älskade produktionsriktningen, skulle hon aldrig betala extra för en ny LLM-driven funktion i vår vägkarta. Det var ögonöppnande eftersom hon var i linje med resten av branschen.

Om du ser framåt, var ser du den största möjligheten för AI-driven automatisering under de kommande 3 till 5 åren, och vad bör företag förbereda sig på nu?

Den största möjligheten ligger i att koppla AI djupare in i slut-till-slut-arbetsflöden. Snarare än att fokusera på isolerade uppgifter kommer organisationer att titta på hur AI kan stödja hela processer och förbättra hur arbetet flyttar över hela företaget. Just nu är många agentic-system inriktade på diskreta uppgifter, men företag opererar på kompatibla slut-till-slut-processer.

För att förbereda sig på den förändringen behöver företag investera i sina data-grundvalar och i system som stödjer transparens och kontroll. Och de bör tänka på “bygga vs. samarbeta” snarare än “bygga vs. köpa”. Vi har sett att AI-DIY från scratch misslyckas alltför ofta. De organisationer som gynnas mest kommer att vara de som hittar rätt AI-drivna partners för att accelerera sina lösningar snarare än att försöka bygga allt från scratch.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Tungsten Automation.