Andrej Jonovic, vd för XBP Global – intervjuserie

Andrej Jonovic är vd för XBP Global, ett multinationellt teknik- och tjänsteföretag med fokus på verksamhetskritiska arbetsflöden i företag. XBP Global tillämpar agentbaserad AI i reglerade verksamhetsområden, däribland hälso- och sjukvård, offentlig sektor och finansiella tjänster, där precision, säkerhet, datasuveränitet och revisionsbarhet är avgörande. I den här intervjun diskuterar Jonovic adaptiv processorkestrering, modeller med öppna vikter, intelligent dokumenthantering, mänsklig bedömning och vad som krävs för att omvandla AI från en teknisk förmåga till mätbara verksamhetsresultat.

Du inledde din karriär som transaktionsjurist innan du gick vidare till fusioner och förvärv, företagsomvandling och så småningom ledningen av XBP Global. Hur har den bakgrunden format ditt sätt att bedöma styrningen, de kommersiella riskerna och de organisatoriska konsekvenserna av att införa artificiell intelligens i verksamhetskritiska arbetsflöden?

Jag brukar först se till AI ur ett verksamhetsmodellsperspektiv. När man arbetar med transaktioner och omvandling vänjer man sig vid att fråga sig om strukturen verkligen håller när man går från presentation till genomförande.

Det blir mycket viktigt med AI, eftersom en modell kan prestera extremt bra isolerat och ändå leda till ett dåligt verksamhetsresultat. Inom hälso- och sjukvård, offentlig sektor och bankverksamhet är precision i bearbetningen, regelefterlevnad och revisionsbarhet oeftergivliga krav. Man måste förstå var data lagras, vad systemet får göra, hur beslut kontrolleras och hur kostnadsbilden ser ut när arbetsflödet körs i stor skala.

Styrningen måste byggas in i den arkitekturen. Jag vill veta var modellen körs, vilken information som passerar företagsgränsen, vad som registreras i granskningsloggen och vad som händer när arbetsflödet når ett beslut som kräver en annan kontrollnivå.

Det är förmodligen där min bakgrund har störst betydelse. Jag är i allmänhet mindre intresserad av vad tekniken kan göra i en kontrollerad demonstration. Jag vill veta om man kan införa den i en verksamhetskritisk process och förlita sig på den.

XBP Global beskriver agentbaserad AI som en vidareutveckling av traditionell regelbaserad automatisering och robotiserad processautomation. Vad förändras rent tekniskt när ett arbetsflöde går från att följa fördefinierade instruktioner till att använda AI-agenter som kan dra slutsatser, fatta beslut och samordna flera uppgifter?

Arkitekturen blir betydligt mer anpassningsbar.

Traditionell automatisering av arbetsflöden är deterministisk. Man har regler, vet vad som händer i nästa steg och bygger in mer logik i förväg när processen blir mer komplex. Det fungerar mycket bra för förutsägbara arbetsuppgifter. Svårigheterna uppstår när antalet regler blir enormt eller processen förändras snabbare än systemet kan byggas om.

Det vi gör nu är adaptiv processorkestrering. Man kan behålla deterministiska regelmotorer där precision och regelefterlevnad kräver det och sedan införa intelligenta modeller i de delar av arbetsflödet där slutledningsförmåga tillför värde. Agenter kan samordna uppgifter, komma åt information och välja nästa åtgärd utan att någon behöver hårdkoda alla tänkbara vägar genom processen.

En annan förändring är att den underliggande modellen blir lättare att byta ut. Vi ser hur modeller med öppna vikter för företagsbruk förbättras mycket snabbt. Om datapipelinen är rätt utformad kan man integrera en kraftfullare modell i takt med att ekosystemet utvecklas, utan att bygga om hela verksamhetsprocessen kring den.

Därför tror jag att den viktigaste tekniska tillgången i allt högre grad blir själva arbetsflödet: orkestreringen, domänkunskapen, kontrollerna och data kring modellen.

Många företag experimenterar med AI men har svårt att gå från pilotprojekt till produktion. Vilka är de vanligaste arkitektoniska eller organisatoriska hindren för att företag ska kunna införa agentbaserade arbetsflöden i stor skala? 

Kunderna har kommit förbi experimentstadiet. De har sett demonstrationerna och hört mycket offensiva löften om avkastning på investeringen. Förr eller senare måste någon införa tekniken i en verklig process och få den att fungera.

Det är då arkitekturen blir komplicerad. Ett arbetsflöde i produktion måste kunna kopplas till den miljö företaget redan har. Känslig information kan behöva stanna i ett privat moln eller lokalt. Man måste fortfarande kunna komma åt befintliga system. Regleringskrav måste uppfyllas. Ekonomin måste också hålla vid företagsmässiga volymer.

Vi vann nyligen ett uppdrag som rör underhållslivscykeln för en global flygplansflotta. Alla underhållsposter ska vektoriseras och lagras i en privat vektordatabas i kundens privata moln. Den agentbaserade infrastrukturen hanterar åtkomsten till informationen och gör det möjligt att återskapa dokumentationen när flygplan återlämnas efter leasing eller säljs.

Det är ett helt annat problem än att visa att en modell kan besvara en fråga om en flygplanspost. Man hanterar en hel verksamhetsmiljö, med datakontroller och en process som måste fungera om och om igen.

Organisatoriskt handlar problemet oftast om ägarskap. Någon måste förstå processen tillräckligt väl för att kunna definiera vad det faktiskt innebär att sätta den i produktion. Utan sådan operativ disciplin kan pilotprojektet fortsätta att imponera länge utan att bli användbart.

XBP Global kombinerar automatisering med mänsklig övervakning, särskilt när det gäller beslut med stora konsekvenser. Hur avgör ni vilka beslut ett AI-system kan fatta självständigt och när mänskligt omdöme måste förbli en del av processen? 

Vi utformar människans roll kring bedömning och avgöranden.

I ett arbetsflöde där besluten kan få stora konsekvenser finns det vanligtvis mycket arbete som kan passera genom processen med hög grad av säkerhet. Sedan finns det undantagsfall där informationen är ofullständig, omständigheterna ovanliga eller följderna av ett felaktigt svar alltför allvarliga.

När processen når ett sådant fall skickas transaktionen vidare till en ämnesexpert. Experten löser ärendet, och bedömningen kan sedan återföras till systemet så att modellen fortsätter att förbättras.

Jag tycker att den återkopplingsslingan är viktig. Mänsklig tillsyn blir mer värdefull när den förbättrar arbetsflödet över tid. Experten bidrar med sakkunskap i de ärenden där modellen fortfarande behöver den.

Var gränsen för autonomi ska gå beror också i hög grad på verksamhetsmiljön. Bedömning av vårdärenden, offentliga handlingar och reglerade finansiella processer har andra krav än en intern uppgift med små konsekvenser. Den godtagbara säkerhetsnivån måste spegla vad beslutet faktiskt får för följder när systemet agerar utifrån det.

Era kunder verkar i reglerade branscher och inom offentlig sektor, där datasuveränitet, säkerhet och spårbarhet är avgörande. Hur kan organisationer använda stora språkmodeller i skyddade miljöer utan att försämra de förmågor som gör systemen användbara? 

Modeller med öppna vikter förändrar svaret på den frågan i grunden.

Länge utgick man från att bästa möjliga modellprestanda krävde att information skickades till någon annans miljö. Det skapar ett uppenbart problem när uppgifterna måste stanna inom företagets egna gränser.

Nu kan vi använda modeller med öppna vikter av företagsklass och integrera dem i driftsatta agentbaserade processflöden, samtidigt som uppgifterna stannar i kundens miljö. Beroende på behoven kan det innebära privat molninfrastruktur eller lokal infrastruktur. Man får fortfarande nytta av framstegen i det bredare modellekosystemet, samtidigt som organisationen behåller den kontroll över datasuveräniteten som den behöver.

Arkitekturen måste också kunna förändras. Det finns ingen anledning att utgå från att dagens modell alltid kommer att vara den bästa för en viss uppgift. Våra träningsprotokoll är utformade så att vi snabbt kan integrera nya modeller i ett befintligt processflöde.

För kunder i reglerade branscher är den flexibiliteten mycket värdefull, eftersom arbetsflödet kan fortsätta att förbättras samtidigt som datagränsen förblir intakt. Det är också så man börjar hantera krav som EU:s AI-förordning, i stället för att se regelefterlevnad som något som läggs till efter att tekniken redan har tagits i bruk.

En betydande mängd företagsinformation är fortfarande låst i dokument, bilder, äldre system och fysiska handlingar. Hur utvecklas intelligent dokumentbearbetning, och vilken roll spelar den när fragmenterade data ska omvandlas till information som AI-agenter kan använda på ett tillförlitligt sätt?

Jag tycker att intelligent dokumentbearbetning håller på att bli en del av infrastrukturen för agentbaserade arbetsflöden.

Historiskt sett byggde mycket dokumentbearbetning på mallar. Man visste hur dokumentet såg ut, vilket fält man ville åt och så extraherade systemet det. Företagsinformation är sällan så renodlad. Inom vården kan det handla om EOB:er, komplicerad korrespondens, information om ersättningsanspråk och handlingar som kommer i olika format.

Det nyare tillvägagångssättet är mycket mer kontextmedvetet. Man kan ta ostrukturerad information, förstå vad som är relevant och omvandla den till strukturerade resultat som efterföljande system faktiskt kan använda. Det är viktigt, eftersom en agent inte kan samordna arbetet på ett tillförlitligt sätt om informationen den bygger på är ofullständig eller feltolkad.

Skalan förändrar också problemets omfattning. Vi driver miljöer som hanterar enorma volymer bilder, ersättningsanspråk, betalningstransaktioner och andra dokument. På den nivån får även en liten skillnad i kvaliteten på dataextraktionen mycket stora operativa konsekvenser.

Därför hamnar intelligent dokumentbearbetning allt oftare i början av det intelligenta arbetsflödet. Den omvandlar fragmenterad information till användbara data, ger nästa steg i processen ett tillförlitligt underlag att agera utifrån och skapar grunden för mer automatisering längre fram i processen.

XBP Global har talat om att flytta äldre, regelbaserade processer till agentbaserade AI-flöden och uppnå en högre andel ärenden som löses vid första försöket. Vad måste ett AI-system förstå om en organisations processer, undantag och institutionella kunskap innan det kan leverera tillförlitliga resultat?

Mycket av den institutionella kunskapen har aldrig dokumenterats i en tydlig processbeskrivning.

Det finns i äldre system, regelverk och i omdömet hos personer som har arbetat med processen i många år. De vet vilken information som är viktig, vilken regel som gäller under vissa omständigheter och vad som händer längre fram i processen när ett felaktigt beslut fattas.

När ni flyttar över det arbetet måste ni bevara den operativa kunskapen. I vår värld innebär det ofta att kombinera deterministisk logik med AI, snarare än att utgå från att alla regler omedelbart bör försvinna. I vissa delar av ett reglerat arbetsflöde är en regelmotor mycket användbar, eftersom kraven är precisa. I andra delar kan en intelligent modell hantera variationer betydligt mer effektivt.

Det är domänkunskapen som visar vad som hör hemma var.

Det är också därför man inte kan bedöma lösning vid första försöket enbart utifrån modellens poäng. Arbetsflödet måste ge ett resultat som håller för nästa steg i processen. Om det leder till ytterligare en eskalering längre fram har ni flyttat problemet i stället för att lösa det.

Systemet måste förstå processen tillräckligt väl för att veta hur en lyckad transaktion ser ut från början till slut.

XBP Global tillämpar automatisering inte bara i kundernas verksamhet, utan också i företagets egen omställning till en AI-first-verksamhetsmodell. Vad har ni lärt er av att använda företaget som intern testbädd, och hur balanserar ni produktivitetsförbättringar med kompetensutveckling och förändringsledning?

Vi har varit ganska offensiva med att tillämpa det här internt, eftersom jag tror att man lär sig väldigt snabbt när de egna ekonomiska resultaten är beroende av utfallet.

Våra satsningar på AI-first-automatisering förväntas nu ge årliga operativa effektivitetsvinster på 65–75 miljoner dollar, varav cirka 35 miljoner dollar förväntas infalla under 2026. Intäkten per anställd uppgick till ungefär 89 000 dollar under andra kvartalet, en ökning från cirka 82 000 dollar kvartalet innan, och vi räknar med att den närmar sig 100 000 dollar vid årets slut.

Det är användbara mått, eftersom de visar om verksamhetsmodellen faktiskt blir mer produktiv.

Konsekvenserna för personalstyrkan är påtagliga. Vi räknar med att den globala personalstyrkan minskar med ungefär 20 % fram till slutet av 2026, i takt med att vi ställer om till en mer produktiv verksamhetsmodell. Förändringsledningen måste ta hänsyn till att produktivitetsförändringar påverkar bemanningsbehovet.

Samtidigt måste de som arbetar kvar i dessa arbetsflöden bli mer kompetenta. Vi behöver domänexperter, arkitekter och operatörer som kan strukturera arbetet, utvärdera resultat och ta ansvar för beslut med högre värde.

Att genomföra den här omställningen i vårt eget företag har gjort diskussionen betydligt mer konkret. Man ser väldigt snabbt vilken automatisering som ger varaktiga effektivitetsvinster och vilken aktivitet som bara innebär att någon använder AI oftare.

Företagsprojekt inom AI marknadsförs ofta med demonstrationer snarare än mätbara affärsresultat. Vilka mått bör företagsledare använda för att utvärdera ett intelligent arbetsflöde, och hur bör de ta hänsyn till noggrannhet, andelen undantag, handläggningstid, driftskostnader och riskminskning?

Jag skulle mäta arbetsflödet på två nivåer.

På verksamhetsnivå vill jag känna till noggrannheten, andelen ärenden som löses vid första försöket, handläggningstiden, antalet undantag och kostnaden för att hantera arbetet. I en reglerad miljö är det också viktigt att transaktionen kan granskas och att kontrollerna fungerar konsekvent även vid stora volymer.

Därefter vill jag se om förbättringarna får genomslag i företagets ekonomi.

På XBP uppgick vår justerade bruttomarginal till 24,9 % under andra kvartalet, den högsta nivån hittills, samtidigt som intäkten per anställd steg till cirka 89 000 dollar. Vårt mål för årliga operativa effektivitetsvinster höjdes också till 65–75 miljoner dollar när vi identifierade ytterligare möjligheter till automatisering.

De måtten säger något annat än ett jämförelseresultat. De visar om tekniken förändrar verksamhetens kostnadsstruktur.

Ett arbetsflöde kan ha utmärkt modellprecision och ändå vara en misslyckad implementering om det är för dyrt att driva eller leder till alltför mycket manuellt efterarbete. Jag tycker att företagsledare måste följa resultatet hela vägen. Tekniken måste ge en operativ fördel som märks på ett sätt som faktiskt går att mäta.

Tror du framöver att agentisk AI kommer att förbli ett lager som läggs till befintliga företagssystem, eller blir den det primära orkestreringslagret genom vilket människor, programvara, data och affärsprocesser samverkar?

Jag tror att en större del av arbetsflödena kommer att bli agentiska.

Företag kommer även fortsättningsvis att ha system, datalager och applikationer som utför specifika funktioner. Det som förändras är hur arbetet rör sig mellan dem. En agentisk pipeline kan hämta information, samordna verktyg, utlösa åtgärder och avgöra när en transaktion kräver en annan typ av ingripande.

Det kan man redan se i exemplet med flygbolaget. Underhållsregistren finns i en privat vektordatabas i kundens miljö, medan det agentiska lagret styr hur informationen hämtas och används under hela underhållslivscykeln.

Jag räknar med att den här typen av orkestrering blir mycket vanligare.

De underliggande modellerna kommer att fortsätta förändras. Modeller med öppna vikter förbättras snabbt, och det kommer ytterligare en generation efter dem vi använder i dag. Därför blir orkestreringslagret allt viktigare, eftersom företag behöver något beständigt kring modellerna.

Om du bygger pipeline kring processen, domänkunskapen, säkerhetskraven och företagets kontrollmekanismer kan du fortsätta dra nytta av bättre modeller när de kommer. Det är där jag tror att en stor del av det långsiktiga värdet kommer att ligga.

Tack för en givande intervju. Läsare som vill veta mer kan besöka XBP Global.