Ashley Moser, medgrundare och CCO för MelodyArc – Intervjuserie

Ashley Moser, medgrundare och Chief Commercial Officer för MelodyArc, leder företagets kommersiella strategi och arbetar med kunder för att omvandla ambitiösa operativa mål till mätbara resultat. Hon har en bakgrund som spänner över drift, produktstrategi, logistik, försäljning och finansiella tjänster, inklusive ledande roller på Wonder och Walmart’s Jetblack, där hon arbetade med försörjningskedja, kontinuerlig förbättring, strategi och logistik. Tidigare i sin karriär var hon försäljningsdirektör på Stella Connect, som senare förvärvades av Medallia, arbetade med den mobila detaljhandelsplattformen NewStore och tillbringade mer än fyra år på J.P. Morgan inom institutionell aktieförsäljning.

MelodyArc är en företags‑AI‑orkestreringsplattform som är avsedd att hjälpa driftteam att samordna data, affärsregler, AI‑system och mänskligt beslutsfattande inom en enda styrd miljö. Plattformen är byggd kring att verkställa komplexa operativa processer från början till slut, vilket gör det möjligt för team att definiera arbetsflöden, tillämpa affärslogik, distribuera AI‑operatörer eller andra agenter samt eskalera ärenden till personer när större omdöme krävs. Dess Point Engine utvärderar möjliga vägar för att lösa varje ärende samtidigt som den följer organisatoriska regler och registrerar varje steg, vilket ger företag större insyn och kontroll över AI‑drivna arbetsflöden inom områden som kundservice, varuexponering, webbplatsmeddelanden, försörjningskedja och sortiment.

Du har haft en mångsidig karriär som sträcker sig över finans på J.P. Morgan, enterprise‑SaaS på Medallia och operativa roller inom Walmart’s Jetblack. Vilken specifik insikt eller frustration ledde dig till att medgrunda MelodyArc, och hur formade dessa erfarenheter företagets grundläggande vision? 

Vi startade företaget eftersom min medgrundare, James McHenry, och jag båda tidigare varit operatörer och teknologer. Vi hade sett på nära håll, och i många fall hjälpt till att bygga fantastisk teknik för driftteam. Men vi stötte ständigt på samma gap: punktlösningar som antingen adresserade en smal del av vad drift faktiskt gör, eller som inte motsvarade hur arbetet faktiskt utförs i praktiken.

Med detta i åtanke satte vi igång att bygga en plattform som kunde föra ny teknik till frontlinjedriftteam på ett sätt som de faktiskt kan använda. Idag har det manifesterats som human‑in‑the‑loop‑orkestrering.

MelodyArc placerar AI direkt i händerna på frontlinjeoperatörer. Hur skiljer sig detta tillvägagångssätt från traditionella top‑down‑enterprise‑AI‑implementeringar, och varför sker denna förändring nu? 

Med MelodyArc, när plattformen väl är på plats, ger vi teamen möjlighet att snabbt skapa nya arbetsflöden, idéer och människa‑i‑loopen‑processer själva, med liten eller ingen påverkan på den övergripande färdplanen. Det innebär att teamen kan förbättra sina egna processer med AI utan att behöva gå upp och ner i kommandokedjan varje gång. Det är ett grundläggande annorlunda sätt att implementera tekniken.

Detta är särskilt tydligt i våra största företagsimplementationer. Hos en kund började vi med ett enda användningsfall i ett team. Idag är vi i drift med mer än fem användningsfall över flera team.

Vi har också sett team bygga en AI‑assisterad process på en enda dag, något de tidigare prioriterade ner eftersom det aldrig nådde ROI‑tröskeln för vad som skulle ha varit en ingenjörsintensiv byggnation.

Många organisationer investerar kraftigt i AI men har fortfarande svårt att operationalisera den. Vilka är de vanligaste gapen du ser mellan AI‑strategi och verklig implementering?

Två stora saker framträder. För det första, när företag granskar en process de vill tillämpa AI på, tar de ofta ett allt‑eller‑inget‑tillvägagångssätt. De automatiserar antingen allt i en fokuserad process, eller rör den inte alls. Vi uppmuntrar företag att istället titta på processens sammansättning och identifiera var automatisering passar, var AI passar och var människor fortfarande behöver vara involverade, inte nödvändigtvis i den ordningen. Detta tillvägagångssätt öppnar upp betydligt fler processer som kandidater för AI, och det frigör också mer automatisering längre ner i kedjan, eftersom man har varit medveten om var människor inkluderas.

För det andra, ur ett strategiskt perspektiv har företag ofta hundratals möjliga användningsfall att välja mellan. Nyckeln är att utvärdera dem utifrån verklig affärspåverkan, kostnader, timmar och konkreta mått, snarare än att jaga det mest flashiga eller enkla. Att först ta itu med de största, mest högpåverkande områdena, även om de är svårare, är där företag får mest värde. Detta visar också på en positiv värdesnurra som AI‑projekt kan skapa i organisationer.

MelodyArc kombinerar AI med mänskliga arbetsflöden snarare än att ersätta dem. Hur bestämmer du den rätta balansen mellan automatisering och mänskligt beslutsfattande i företagsmiljöer?

MelodyArc hjälper företag att nå sina automatiseringsmål genom att hitta rätt balans mellan AI och mänsklig inblandning i beslutsprocessen. När MelodyArc påbörjar implementeringsprocessen kan ett företags slutmål vara att automatiseringen ska slutföra 90 % av arbetet, medan de återstående 10 % förlitar sig på medarbetarnas expertis. Men snarare än att bara prioritera hastighet utnyttjar MelodyArc mänsklig inblandning redan från början. Till exempel kan man börja med en 50‑50‑fördelning mellan automatisering och medarbetarinput och sedan successivt automatisera mer av processen. Detta tillvägagångssätt får arbetsflöden på företagsnivå i produktion snabbare, eftersom vi inte försöker perfektionera arbetsflödet innan AI integreras.

En annan styrka med detta tillvägagångssätt är att när vi går i produktion samlar vi in processdata som exakt visar vilka delar av processen som bör automatiseras härnäst. Detta gör att MelodyArc kan fortsätta att stegvis närma sig automatiseringsmålen snabbare och på ett smidigt sätt. I praktiken innebär det ofta att ett företag ser en kontinuerlig förbättring av automatiseringen utan att behöva störa arbetsflödet för korrigeringar eller justeringar.

Med din bakgrund inom kundupplevelse och verksamhet, hur tror du att AI omdefinierar vad “utmärkt service” innebär i en miljö där svar kan genereras omedelbart?

Jag tror att “instant” kommer att bli en självklarhet och i princip en standardvara. Utmärkt service har aldrig handlat om att ge en kund ett svar snabbt, utan snarare om att ge dem rätt svar med så lite ansträngning som möjligt. AI ger oss nya sätt att minska den ansträngningen, oavsett om det innebär att agera på kundens vägnar, föreslå nästa steg eller automatiskt fylla i fält – allt som gör en upplevelse snabbare och mer njutbar. Att generera ett svar omedelbart betyder ingenting om det inte faktiskt är relevant, och jag skulle hävda att enbart jaga hastighet är hur företag hamnar i fällan att optimera för fel sak.

Företags‑AI misslyckas ofta i det sista steget, där antagande och användbarhet blir kritiska. Vilka designprinciper har varit avgörande för att säkerställa att MelodyArc faktiskt används av frontlinjeteam?

Vi börjar med förståelsen att det finns mycket tyst kunskap hos våra team, och vi är mycket tydliga med vad vi kan och inte kan automatisera. Att vara öppna med den distinktionen gör upplevelsen mycket mer intuitiv. Det är inte en svart låda där teamen är osäkra på vad som händer eller varför.

Användbarhet handlar om idén att tekniken fungerar tillsammans med frontlinjeteam, snarare än att bli något de måste anpassa sig till. Det knyter an till varför vi startade företaget från början – för många speciallösningar adresserade antingen en smal del av verksamheten eller matchade inte hur arbetet faktiskt utfördes på plats. Vi upptäckte att detta är en stor anledning till att många företags‑AI‑verktyg förblir oanvända månader efter lanseringen.

När AI‑agenter blir mer autonoma, vilka styrnings- och kontrollutmaningar bör företag förbereda sig för innan de skalar upp dessa system?

Observabilitet i alla företagsmiljöer är avgörande, särskilt förmågan att se vilka beslut som fattades och varför. För processer som företag skulle kunna automatisera men inte känner sig bekväma med att automatisera helt, rekommenderar jag att behålla en människa i loopen. Det är kritiskt inte bara för att upprätthålla översikt, utan också för att testa nya system för att bäst förstå hur de fungerar och deras effekter, både positiva och negativa.

Ur ett kommersiellt perspektiv, hur har försäljningen av AI till företag utvecklats de senaste åren när köparna blir mer informerade men också mer försiktiga?

Alla har blivit mycket smartare, både köpare och leverantörer. Vi är ungefär fyra år in i vad som egentligen är en flertids‑cykel, så vi lär oss fortfarande. Allteftersom AI blir mer kapabel och mer tillgänglig itererar vi snabbt på vad vi kan göra för kunder samtidigt som de lär sig vad de kan göra inom sina egna organisationer, vilket är genuint spännande eftersom det finns ett stort värdeutbyte.

Organisationer fokuserar mer än någonsin på informationssäkerhet, på att bevara det som gör dem unika och på den faktiska effektivitet som AI levererar. De närmar sig projekt mer rationellt också, villiga att stegvis gå in i antagandet snarare än att gå all‑in på en gång. Bygga kontra köpa är fortfarande en mycket levande kalkyl internt, och vi ser i allt högre grad hybridstrategier som att bygga och köpa, eller “build via buying”, snarare än det ena eller det andra.

Du har arbetat både i snabbväxande startups och stora organisationer som Walmart. Hur skiljer sig byggandet av AI för företagsverksamheter beroende på företagets storlek och organisatoriska komplexitet?

Det finns egentligen två dimensioner här: organisationens bredd och den historiska djupet i dess tekniska stack och processer.

I snabba tillväxt‑startups har du inte lika många personer eller lika stor organisatorisk komplexitet, och du arbetar inte runt system som byggdes för 20 år sedan eller team som har gjort samma sak i ett decennium. Ju större och mer etablerad organisationen är, desto mer måste du ompröva sättet att göra saker från grunden. Det innebär att bestämma hur du vill arbeta i framtiden och sedan stegvis ta dig dit på ett sätt som passar organisationen. Ibland betyder det också att köra oberoende experiment i kanten, något som är något separerat från eller parallellt med befintliga processer.

Framåt i tiden, hur ser du på att frontlinjearbetare utvecklas när AI blir inbäddat i vardagliga arbetsflöden? Rör vi oss mot förstärkning, orkestrering eller något helt nytt? 

För vardagliga arbetsflöden är ett orkestreringslager avgörande. Att få alla dina människor och teknologier att samarbeta naturligt är den riktning vi är på väg mot. Men att implementera den här typen av teknik kan vara komplext eftersom det inte är ett enkelt silo där organisationer kan automatisera ett steg och sedan överlämna det till en medarbetare. Det är en kombination av AI, automation och en medarbetare som arbetar i tandem.

Det finns stora möjligheter för frontlinjeteam att införa arbetsflöden. Varje gång vi talar med kunder finns det dussintals, om inte hundratals, projekt de gärna skulle vilja ta sig an men inte kan, på grund av budget, teknikplan, teamstorlek eller avkastning på investeringen som hindrar dem. Det är precis där AI och orkestrering kommer in, de hjälper team att göra mycket mer med det de redan har samtidigt som de sänker kostnaden för att starta. Detta leder i slutändan till en positiv avkastning på investeringen för framtida projekt.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka MelodyArc.