Chris Perry, grundare och VD för Andus Labs – intervjuserie

Chris Perry, grundare och VD för Andus Labs, är en ledare inom kommunikation, digital strategi och innovation med nästan tre decennier av erfarenhet av att hjälpa organisationer att navigera stora förändringar inom teknik och affärsverksamhet. Innan han grundade Andus Labs 2025 hade Perry mer än 22 år på Weber Shandwick, där han innehade en rad seniora ledarskapsroller inklusive ordförande för Futures, chef för innovation, president för digital kommunikation, verkställande vice vd för digital strategi och verksamhet samt senior vice vd. Tidigare i sin karriär arbetade han med teknologikommunikation på General Motors och var vice vd på Edelman. Hans karriär har fokuserat på digital transformation, framväxande teknologier, organisatorisk förändring och det föränderliga förhållandet mellan teknik och de personer som ansvarar för att sätta den i arbete.

Andus Labs hjälper företag att omsätta AI‑förmågor till praktiska organisatoriska resultat genom att fokusera på de mänskliga systemen som omger tekniken. Företaget beskriver sin mission som att bygga “Human OS for AI” — ett operativt lager avsett att orkestrera arbete mellan människor och AI‑agenter — baserat på premissen att AI‑investeringar ofta inte når förväntade resultat när organisatorisk beredskap, arbetsflöden och adoption hamnar efter tekniken själv. Deras arbete omfattar program för AI‑arbetsorkestrering, produkter avsedda att stärka och bygga vidare på organisatoriskt lärande, samt ett bredare nätverk av praktiker, konstnärer och humanister som utforskar hur människor och AI kan samarbeta effektivt.

Du tillbringade mer än två decennier på Weber Shandwick, där du avancerade från seniora digitala roller till chef för innovation och ordförande för Futures, innan du grundade Andus Labs 2025. Vad observerade du inom stora organisationer under den perioden som övertygade dig om att det största hindret för AI‑transformation skulle vara det mänskliga och organisatoriska systemet kring tekniken snarare än själva tekniken?

Jag lärde mig det först i min pappas grafiska verkstad i Detroit, där jag började, innan jag kom till Weber Shandwick. Desktop publishing flyttade det arbete som hans typografer och illustratörer gjorde för hand till mjukvara. Det krossade hans affärsmodell, och han såg förändringen först när det var för sent.

På Weber Shandwick arbetade jag med några av världens största företag genom nya teknologivågor: sociala medier, bloggar, video, mobil och data. Varje gång var mönstret detsamma. Teknologin kom. Människorna kände förändringen och började använda den på egen hand. Ledarskapet och företagets struktur rörde sig sist.

I de tidigare vågorna betalade företagen för den fördröjningen genom att förlora mark, men människorna fortsatte att utföra arbetet. AI gör för kunskapsarbete vad desktop publishing gjorde för min pappas verkstad. Sättet som människor utför arbetet på byggs in i mjukvaran.

Högskolor i företagsekonomi lär dig inte hur man driver ett företag där människor och agenter delar på arbetet. De flesta företag fäster bara på AI och får det gamla arbetet gjort snabbare. Den verkliga avkastningen kommer när ledare förbereder sina medarbetare att bygga om arbetet med AI. Arbetet förändras i sin form istället för att bara bli snabbare.

Vi kallade det Andus Labs, som i “and us”, eftersom vi satsade på att avkastningen skulle bero på människor.

Andus Labs hävdar att företag kan ha avancerade AI‑förmågor men ändå sakna den “mänskliga beredskap” som krävs för att fånga värde från dem. Vad skiljer ett företag som framgångsrikt har implementerat AI från ett som faktiskt har förändrat hur arbetet utförs?

Jag satt med ett företag som rapporterade 80 % AI‑adoption men bara omkring 5 % förändring i hur arbetet utfördes. Endast adoptionssiffran kom med i styrelsespresentationen. Den andra siffran var inte dold; det fanns bara ingen plats för den i instrumentpanelen.

Implementering är lätt att mäta. Licenser tilldelade, agenter driftsatta, inloggningar. Det är aktivitet, inte effekt. Vi frågar kunderna vad företaget kan göra nu som det inte kunde göra tidigare. Oftast är det ärliga svaret samma rapporter, presentationer och analyser, bara snabbare.

Företag som genomgår en transformation mäter något annat. Gav pilotprojektet tillräckligt med värde för att vara värt att skala upp? Kan vi presentera något för styrelsen som vi inte kunde producera för ett år sedan? Avlastar AI våra mest värdefulla medarbetare så att de kan utföra det arbete som bara de kan göra? Inga av dessa är lika enkla att kvantifiera som licensantal, men de är de mått som visar om något har förändrats.

Dessa frågor kräver också en ansvarig. Fråga vem det är i de flesta företag så får du en lista. CIO:n äger plattformarna. Ett kompetenscentrum äger pilotprojekten. HR ansvarar för utbildningen. Effekten på verksamheten finns inte på någons lista.

Ett företag kan berätta hur många personer som har tillgång. Det andra kan berätta vad som förändrades och vem som svarar för det.

Ground Truth Index bygger nu på ett bibliotek med 300 dokumenterade mönster som observerats genom uppdrag och samtal med ledare i 595 organisationer. Fem oberoende analytikeragenter poängsätter varje mönster innan forskare granskar och avgör de slutliga placeringarna. Hur har denna metod utvecklats, var kommer mänskligt omdöme in i processen, och hur förhindrar ni att indexet bara förstärker antaganden som redan finns i era fältobservationer?

Metoden har förändrats i takt med att biblioteket har vuxit. Varje mönster börjar med vad vi hör och ser i samtal med företagsledare. Vi jämför varje ny signal med biblioteket, testar den mot fältobservationer och extern forskning, och avgör om den verkligen är ny, stärker ett mönster vi redan följer, eller hör hemma någon annanstans.

AI hjälper oss att utvärdera hela biblioteket varje kvartal, något ett forskarlag inte skulle kunna göra för hand. Agenter läser varje mönster genom ett annat professionellt perspektiv och betygsätter det på samma fem dimensioner. De arbetar blint, så ingen agent kan påverka en annan. Vi tar medianen så att ett enstaka avvikande värde inte kan förändra poängen, och de 50 bästa går till mänsklig granskning.

Mänsklig bedömning genomsyrar hela processen. Vårt forskarlag godkänner varje mönster som kommer in i biblioteket, granskar rankningarna och beslutar om de slutgiltiga 25. Vi lägger extra fokus där agenterna är oense och där medieuppmärksamhet står i konflikt med vad vi hör från fältet. Vi kan justera en poäng, men endast baserat på dokumenterad observation: vem som lyfte fram den, hur ofta vi hörde den och om den höll i sig över organisationer. En magkänsla förändrar inte en poäng.

Det nya Ground Truth Index rankar “Empty Chairs” som det främsta hindret för AI i företag, och beskriver organisationer som ger AI‑system inflytande över beslut såsom anställning, prissättning och risk utan att tydligt identifiera vem som är ansvarig eller har befogenhet att upphäva dessa beslut. När AI går från att rekommendera åtgärder till att faktiskt forma affärsresultat, hur bör meningsfull mänsklig ansvarsskyldighet se ut i praktiken?

Ju fler funktioner AI berör, desto fler beslut fattas på företagets vägnar. Ansvarsskyldighet blir en ledningsfråga innan den blir en teknisk fråga.

Ansvar ligger vanligtvis någonstans mellan den som köpte AI‑systemet och den som använder det, och ingen av dem äger det. Klyftan förblir osynlig tills ett beslut ifrågasätts. Det är den tomma stolen.

Ansvarsskyldighet innebär en utsedd ledare som ser vad systemet producerar och kan förklara resultatet, korrigera det eller stoppa systemet. Det kräver befogenhet över en process som vanligtvis sträcker sig över flera avdelningar.

Vi ber ledare att välja ett betydelsefullt beslut som deras AI hjälpte till att fatta detta kvartal och berätta vem som är ansvarig för det. När svaret är oklart har företaget förändrat hur beslut fattas utan att fastställa vem som svarar för dem.

“Learning While Drowning” rankas som nummer två i det nya indexet och lyfter fram företag som kräver AI‑utbildning samtidigt som de lämnar de anställdas befintliga arbetsbelastning oförändrad. Samtidigt visar “Optimization Temptation” hur lätt företag kan kvantifiera besparingar i personalstyrka jämfört med det svårare att mäta värdet av att omplacera människor till arbete med högre värde. Underskattar företag i grunden den organisatoriska investering som krävs för att göra deras arbetskraft mer produktiv med AI snarare än att bara använda AI för att minska kostnaderna?

Ja. Besparingarna från att eliminera en roll är enkla att föra in i ett kalkylblad. Värdet av den personens kunskap, relationer och omdöme är mycket svårare att fånga. Besparingarna syns detta kvartal. Förlusterna kan byggas upp under år.

Antagandet bakom nedskärningen är ofta felaktigt också. AI gör dagens arbete mer effektivt och frambringar dessutom nytt arbete som måste utföras. Det vi ser är att team ombalanserar, med personer som går över till olika jobb snarare än att hela funktioner tas bort.

Ett utbildningsmandat är ett beslut om arbetsbelastning. Företag staplar AI‑utbildning ovanpå befintligt arbete och tolkar låg slutförandegrad som ett motivationsproblem. Den investering de hoppar över är den som aldrig får plats i budgeten. Att besluta vilket arbete som ska stoppas, minskas eller flyttas för att skapa utrymme, och att ange vem som godkänt det. Inlärning tar tid. Att tillämpa den tar ännu mer, eftersom människor måste testa okända verktyg, granska resultatet och förändra hur de alltid har arbetat.

Svaret är inte ytterligare en punkt på listan. Sätt ett team på ett pågående projekt så sker inlärningen i själva arbetet.

Indexet identifierar också “Devaluation Anxiety”, vilket speglar oro för vad som händer med anställda när AI blir kapabel att utföra allt mer värdefulla delar av deras jobb. Hur mycket av det som chefer benämner som motstånd mot AI är faktiskt rationell oro för karriärvärde, och vad bör ledare göra annorlunda när de introducerar dessa system?

Det mesta är rationellt. Anställda hör om AI‑effektivitet i ett meddelande och om personalnedskärningar i nästa. De drar sina egna slutsatser.

Ledningen behandlar dessa som separata budskap. Team gör det inte. De avslutar utbildningen men håller tillbaka den experimentering som skulle ha gjort den användbar.

Försäkringar löser inte det. Ledare måste säga vad som har beslutats om jobb, vad som fortfarande är osäkert och vilket stöd folk kan förvänta sig.

Samma gäller för vinsten. Företag specificerar vad verksamheten förväntar sig av AI och lämnar den anställdas sida tom. Om någon blir snabbare, vad får de ut av det? Mer utrymme för bättre arbete, en karriärväg, mer tid? Det bör finnas med i implementeringsplanen.

Chefer ber sina team att arbeta annorlunda med AI. Teamen väntar på att se cheferna göra det först.

Ett annat mönster du identifierar är “Active Inertia”, där organisationer använder AI för att påskynda befintliga processer utan att förändra dem i grunden. Hur ser en verklig omdesign av arbetsflöden med AI som utgångspunkt ut, och kan du ge ett exempel på skillnaden mellan att göra en gammal process snabbare och att bygga om processen kring vad AI nu möjliggör?

De flesta företag riktar AI mot det som är enklast att automatisera, vilket ofta är arbete som egentligen inte borde existera. Rapporter produceras snabbare. Godkännanden fortskrider i samma takt som tidigare. Det är Active Inertia.

Omdesignen bestämmer i förväg vad AI‑modellerna ska göra och vad teamet ansvarar för, och bygger sedan för det i stället för att ärva den gamla strukturen.

Ta en veckorapport. Den snabbare versionen låter AI utarbeta den, och samma personer granskar samma dokument enligt samma schema. Den ombyggda versionen frågar vad rapporten är avsedd för. Om den finns så att någon kan upptäcka problem tidigt, kan systemet flagga ett problem så snart det inträffar, och rapporten försvinner.

Du har skrivit att “värde är lika med kapacitet gånger absorptionsförmåga” och argumenterat för system snarare än enbart mjukvara. I takt med att de mest avancerade modellerna blir alltmer standardiserade och tillgängliga för alla, kan en organisations förmåga att absorbera och omorganisera kring AI bli en mer hållbar konkurrensfördel än själva tillgången till modellerna?

Ja. Att driftsätta modeller är enkelt jämfört med att förändra arbetet kring dem. De kommer med extraordinär kraft och blir billigare varje kvartal. Samma modeller är tillgängliga för alla. Det du inte kan köpa är den unika kontexten inom företaget och team som är redo att utnyttja dem till sin fulla potential.

Det vi kallar “mottagningskapacitet” är en gammal idé. Det är ett teams förmåga att ta emot något nytt och sätta det i arbete, och det består av beslutsrättigheter, incitament, arbetsflöde, utformning av arbetsroller och tillräckligt förtroende för att folk berättar vad som gick fel. Ingenting av detta kan hyras.

Jag beskriver värde som kapacitet gånger absorptionsförmåga eftersom de två multipliceras. De adderas inte. En briljant modell som släpps in i en organisation som inte kan ta emot den är en felfri del som fästs på en misslyckad tätning. Kapaciteten är verklig. Avkastningen är fortfarande noll.

Agentisk AI introducerar ett ytterligare lager av komplexitet eftersom system alltmer kan vidta handlingar, använda verktyg och följa mål snarare än enbart generera svar. Var bör företag dra gränsen mellan agentens autonomi och mänskligt beslutsfattande, och vilka nya styrningsstrukturer kommer att krävas när agenter får större befogenheter?

Börja med en fråga: vem står till svars när agenten gör fel?

Sätt gränsen mellan vad agenten beslutar och vad en person beslutar innan något går i produktion. De flesta företag hittar den gränsen först efter att något redan har gått sönder.

Där ett misstag är billigt att återkalla och upptäcks snabbt, låt agenten köra. När beslutet påverkar vad någon tjänar, om de behåller sitt jobb eller deras juridiska ställning, fattar en människa beslutet och agenten förbereder det.

Instinkten är att centralisera. Bilda en kommitté, skriv ett ramverk, vänta tills det känns hanterbart. När ledningens vägledning väl når arbetet är den redan föråldrad, och personer som inte får svar börjar använda verktyg som företaget aldrig godkänt.

Styrning måste ligga nära arbetet. Team behöver veta vad varje agent kan besluta, vem som ansvarar för agenten och hur man stoppar den. Dessutom behöver de en logg över vad agenten gjorde.

Organisationsschemat byggdes aldrig för agenter som arbetar tvärfunktionellt, så ingen enskild funktion äger felet. Lös det innan implementering, inte efter.

Framåt, om de största begränsningarna för företags‑AI i allt högre grad blir organisatoriska snarare än tekniska, hur förväntar du dig att företagen själva kommer att förändras? Vilka delar av dagens organisationsschema, ledningsstruktur, utformning av arbetsroller och beslutsprocesser är minst sannolika att överleva övergången till organisationer byggda kring människor och AI‑agenter som arbetar tillsammans?

Det funktionella organisationsschemat är det minst sannolika att överleva. De flesta företag styr fortfarande efter funktion, med arbete som passerar från en avdelning till nästa och en signering vid varje överlämning. AI producerar arbete på minuter medan godkännandena runt det tar veckor. Ledare uppmanas att gå snabbare i system som byggts för att bromsa processen.

Det schemat byggdes för att människor skulle överlämna arbete till människor, inte för beslut som delas mellan människor och agenter.
En kommitté kommer inte att lösa detta.

Vad som ersätter diagrammet ser ut som små team organiserade kring ett problem. En ledare namnger ett problem som är värt att lösa, bestämmer vad som måste vara sant för att lösa det, och sätter ett team av människor och agenter på det. Det teamet får sin egen finansiering och skydd, eftersom det inte kan drivas på samma sätt som resten av verksamheten. Personerna i teamet fattar bedömningsbeslut och ansvarar för det som agenterna producerar.

Elektriska motorer nådde amerikanska fabriker på 1880-talet, men produktivitetsvinsterna visade sig först på 1920-talet. Till en början placerade fabrikerna en stor motor där ångmaskinen hade varit, drev samma transmissionsaxlar och lämnade varje maskin på sin plats. Vinsterna kom när de gav varje maskin sin egen motor och utformade fabriksgolvet efter arbetets behov.

Omstruktureringen var revolutionen.

Tack för en fin intervju. Läsare som vill veta mer kan besöka Andus Labs eller läsa mer i Ground Truth Index.