China Widener, vice ordförande, US Tech, Media & Telecommunications ledare på Deloitte – Intervju-serie

China Widener är Deloittes vice ordförande och ledare för US Technology, Media & Telecommunications (TMT) industri. Hon är också medlem i Deloittes styrelse i USA.

Hon erbjuder en distinkt perspektiv på framtiden för TMT-industrin, med ett särskilt intresse för utvecklingen av Agentic AI—intelligenta system som kan fatta autonoma beslut—och deras transformerande effekt på hela företaget. Hon är passionerad om att hjälpa kunder att låsa upp den fulla potentialen av Agentic AI för att accelerera innovation, förbättra operativ effektivitet och skapa nya källor till konkurrensfördel, allt medan de upprätthåller ett starkt engagemang för tillförlitlig AI.

China har medförfattat artiklar om AI, tekniska ramverk för företag, leveransmodellanalys och att stänga kompetensgapet. Hon är en mycket eftertraktad talare och facilitator och hennes tekniska erfarenhet och karriärutveckling har presenterats i flera poddsändningar och publikationer.

Deloitte är ett av världens största företag inom professionella tjänster, som erbjuder revision, konsulttjänster, skatt, riskrådgivning och finansiell rådgivning till organisationer inom nästan alla branscher. Med ett globalt nätverk som omfattar över 150 länder, arbetar Deloitte med multinationella företag, regeringar och framväxande företag för att hantera komplexa utmaningar, driva digital transformation och förbättra operativ prestanda. Företaget är särskilt känt för sin expertis inom områden som teknikkonsulttjänster, dataanalys, cybersäkerhet och regelefterlevnad, vilket hjälper kunder att anpassa sig till snabbt förändrade marknader samtidigt som de upprätthåller en stark styrning och långsiktig tillväxtstrategi.

Deloittes forskning visar att de flesta organisationer fortfarande är fast i pilotläge. Vad är den största missuppfattningen som ledare har om vad det krävs för att skala upp AI i hela företaget?

Organisationer försöker ofta “skruva fast AI” på befintliga processer, när skalförändringar faktiskt kräver en omkonstruktion av hur arbetet utförs. Den största missuppfattningen som jag ser är att skalförändring av AI främst är en teknisk utmaning. I verkligheten är tekniken ofta den enklaste delen. Vad ledare tenderar att underskatta är den grad av förändring av driftsmodellen som krävs – från arbetsflöden och beslutsrättigheter till talang, incitament och styrning. 

Övergången från isolerade användningsfall till företagsnivå-koordination kan låsas upp när människor, processer och teknik utvecklas tillsammans. Utan den här samstämmigheten förblir även de mest avancerade AI-systemen fast i pilotläge.

Varför lyckas så många AI-initiativ inte leverera mätbara ROI, även när den underliggande tekniken är sund?

Riktiga ROI kommer när AI är inbäddat i slutna processer, inte behandlas som isolerad experiment. De flesta AI-initiativ misslyckas inte för att tekniken inte fungerar – de misslyckas för att företaget inte är utformat för att fånga värdet av det.

Frånkopplade användningsfall, dålig arbetsflödesintegration och oklar värderingsspårning förhindrar att AI översätts till mätbar påverkan. Vad som ofta saknas är koordination. AI-värdet är inte bara vertikalt – inom en enskild förmåga eller funktion – utan också horisontellt, som omfattar processer, team och hela företaget. När organisationer inte kopplar samman dessa lager, slutar de med fickor av framsteg som aldrig skalar.

Värdet kommer från att anpassa tekniken till arbetsflöden och affärsresultat så att AI kan fungera över hela företaget, inte bara inom silos. Det är då man flyttar från experiment till verklig transformation och börjar förverkliga varaktig, tvärfunktionell värde.

När bör ett företag sluta experimentera och åtaga sig en företagsomfattande AI-transformation, och vilka signaler indikerar att de är redo?

Organisationer bör gå utöver experiment när de är redo att inbädda AI i slutna processer. Det är en förändring från att behandla AI som en samling av specialbyggda piloter till att se det som en strategisk transformation som är förankrad i en tydlig vägkarta för var värdet finns och hur man kan fånga det.

Det innebär att anpassa intressenter runt gemensamma prioriteringar, definiera var AI kan driva den största påverkan över funktioner och sätta rätt styrning och driftsmodell på plats för att genomföra det. Utan den här tydligheten förblir organisationer fast med piloter som är svåra att skala eller replikera.

I korthet kommer framgång att bero på att flytta från fragmenterat experiment till en samordnad, företagsomfattande strategi – där värdet är tydligt definierat, prioriterat och systematiskt förverkligat.

Hur bör chefer omvärdera ROI i AI-sammanhang, särskilt när fördelarna sträcker sig bortom kostnadsbesparingar till produktivitet, omstrukturering av arbetskraften och långsiktig strategisk fördel?

Det handlar om att tänka på AI-ROI som mer än bara kostnadsbesparingar. När man flyttar in i en bredare värdeekvation som inkluderar produktivitetsvinster, arbetskraftstransformation och nya vägar för tillväxt, är det då man låser upp AI:s verkliga värde. Medan effektivitet är viktigt, kommer den större påverkan ofta från att omstrukturera roller, accelerera beslutsfattande och möjliggöra helt nya affärsmodeller. Utmaningen är att dessa fördelar inte alltid syns i traditionella finansiella mått eller korta P&L-cykler. Nyckeln är att anta mer holistiska mätmetoder som kombinerar finansiella, operativa och arbetskraftsresultat. Slutligen är målet att utvärdera AI inte bara som en kostnadskrävare, utan som en drivkraft för långsiktig konkurrensfördel.

En av de utmaningar som lyfts fram är gapet mellan synlighet och åtgärd. Varför kämpar organisationer för att operationalisera insikter som genereras av AI?

Gapet mellan insikt och åtgärd är ett genomförandeproblem, inte ett analysproblem. Organisationer kan ibland generera insikter, men oklara beslutsrättigheter, missanpassade arbetsflöden och brist på ansvar förhindrar åtgärd. Styrning är nyckeln. Att stänga detta gap kräver att man inbäddar AI och förstår påverkan på arbetsflöden, metoder, policys och genomförandevägar.

Enterprise AI Navigator betonar “agentisering” av uppgifter. Hur bör ledare bestämma vilka processer som är bäst lämpade för AI-agenter jämfört med människodrivna arbetsflöden?

Olika processer kräver olika nivåer av automatisering; effektiv transformation handlar om att göra rätt val. Nyckelfrågan är inte om man ska distribuera AI-agenter – det är där de skapar mest värde.

Detta värde kan utvärderas på två primära sätt: organisatorisk “passning” och finansiell påverkan. För vissa organisationer kommer anpassning till befintliga arbetsflöden, kultur och sätt att arbeta att vara prioriteringen, vilket gör “passning” till den bästa startpunkten. För andra kommer fokus att ligga på mätbara finansiella avkastningar, där förståelsen av omfattningen och skalan av värdeskapande blir den primära drivkraften. Förmågan att bedöma båda dimensionerna är vad som möjliggör mer informerat, strategiskt beslutsfattande.

Det är viktigt att notera att inte alla processer bör “agentiseras”. Vissa kräver mänskligt omdöme, förtroende eller kreativitet. Målet är en hybridmodell, där människor och agenter är avsiktligt utformade för att komplettera varandra.

Många organisationer investerar tungt i AI-verktyg men inte omstrukturerar arbetsflöden. Hur kritiskt är organisationsomstrukturering för att uppnå verklig AI-påverkan?

Organisationsomstrukturering är inte valfritt; det är centralt för att uppnå AI-påverkan. Företag som investerar i verktyg utan att omstrukturera arbetsflöden ser vanligtvis bara marginella vinster. Riktigt värde kommer när organisationer omdefinierar roller och ansvar, teamstrukturer och hur beslut fattas. AI förändrar inte bara uppgifter, utan också hur arbetet flödar över hela företaget. Utan strukturell anpassning är verklig transformation begränsad.

Styrning är på efterkälken, särskilt när det gäller agentic AI. Vilka risker underskattar företag när de skalar upp mer autonoma system?

Vår forskning visar att endast 21% av organisationerna har en mogen styrningsmodell för autonoma agenter. Utan en stark, sammanhållen styrningsprogram tvekar många företag att distribuera dessa verktyg. Den tvekan leder ofta till uppkomsten av “skugg-AI”, som introducerar betydande ohanterad risk. 

Samtidigt underskattar organisationer ofta den roll som anställda kan spela i styrning. Policys och rapporteringsstrukturer är kritiska, men de räcker inte på egen hand. Anställda vill vanligtvis använda AI på ett ansvarsfullt sätt – och när de får tydliga riktlinjer, blir de en kraftfull försvarslinje.

Det betyder att organisationer bör fokusera på att utbilda sin arbetskraft: vad som är säkert, vad som är riskabelt och hur man tar bra beslut i realtid. Till exempel, att pausa och fråga: bör jag inkludera känsliga finansiella data här? Det är den typen av dag-till-dag-beslutsfattande som är där styrning verkligen kommer till liv. Anställda, när de är informerade och befogen, förstärker aktivt organisationens riskpostur.

Slutligen förblir kontinuerlig övervakning och periodisk testning outnyttjade men är avgörande. När vi går vidare in i eran av agentic AI, bör kontinuerlig tillsyn bli en grundförutsättning för alla organisationer som distribuerar dessa funktioner i stor skala.

Deloitte föreslår att Enterprise AI Navigator kan minska strategi- och designtiden avsevärt. Vad förändras specifikt i hur organisationer närmar sig AI-beslutsfattande när de använder ett system som detta?

Enterprise AI Navigator kopplar samman finansiella, arbetsflödes- och arbetskraftsinsikter i en sammanhållen transformationsvägkarta. Vad som förändras är övergången från intuition-baserat beslutsfattande till datainformerad transformation som reflekterar en disciplinerad ansats som kan användas över hela intressentlandskapet. Med Enterprise AI Navigator kan Deloitte hjälpa till att modellera scenarier innan investering, fatta AI-beslut som är direkt kopplade till finansiell och arbetsflödespåverkan och flytta från isolerade piloter till en sammanhållen, företagsomfattande vägkarta

Det komprimerar effektivt strategi- och designcykler genom att ge ledare synlighet i vad som kommer att fungera – innan de skalar det.

Om 1 till 2 år, vad kommer att skilja företag som lyckas omvandla AI till en konkurrensfördel från de som förblir fast i experiment?

Skillnaden kommer inte att handla om vem som antog AI; det kommer att handla om vem som transformerades på grund av det. Dessa ledare kommer att behandla AI som en affärsomvandlingsspak, inte bara som ett verktygssamling. Det betyder att omstrukturera arbetsflöden och driftsmodeller från början till slut, samtidigt som man mäter värde holistiskt över finansiella, arbetskrafts- och tillväxtresultat.

Viktigt är att de kommer att erkänna att produktivitet inte är mållinjen. Många organisationer ser redan inkrementella effektivitetsvinster, men konkurrensfördel kommer från att använda AI för att låsa upp nya intäktsströmmar, omforma erbjudanden och driva företagsomfattande tillväxt, inte bara göra samma arbete snabbare.

De som halkar efter kommer att fortsätta fokusera på verktyg över resultat, jagar isolerade användningsfall utan att koppla samman dem över företaget. De kommer också att tendera att underinvestera i förändringshantering, styrning och koordination – vilket gör det svårt att skala påverkan.

I korthet kommer vinnarna att vara de som flyttar från AI-aktiverade till AI-drivna företag. Dessa företag kommer att inbädda AI i hur företaget körs, hur det växer och hur det konkurrerar, inte bara hur det experimenterar.

Tack för det underbara samtalet, läsare som vill lära sig mer bör besöka Deloitte.