Denis Romanovskiy, Chief AI Officer på SOFTSWISS – Intervju-serie

Denis Romanovskiy, Chief AI Officer på SOFTSWISS, är en erfaren teknisk chef med mer än 25 års erfarenhet av att leda storskaliga teknikprogram över flera branscher, inklusive spel, företagsprogramvara, IoT och höglastiga onlineplattformar. Under de senaste fem åren har han arbetat inom iGaming-sektorn och var tidigare biträdande teknisk chef på SOFTSWISS, där han ansvarade för teknisk styrning över flera produktteam med fokus på casinoplattformar och sportboksplattformar innan han gick vidare till sin nuvarande roll för att definiera och implementera företagets AI-strategi.

SOFTSWISS är ett malta-baserat företag inom iGaming-teknik som tillhandahåller lösningar för online-casinon och sportboksplattformar, inklusive en casinoplattform, en spelaggregator, en sportboksplattform och hanterade tjänster. Företaget stöder operatörer över hela världen med infrastruktur som är utformad för skalbarhet, regelefterlevnad och tillförlitlighet, och positionerar sig själva vid skärningspunkten mellan speltillämpningar och framväxande AI-drivna optimeringar.

Med erfarenhet av att leda storskaliga tekniska program över flera branscher och nu definiera företagets AI-strategi på SOFTSWISS, hur har din bakgrund inom höglastiga, högtillgängliga system påverkat din tillvägagångssätt för att integrera AI i en organisation med över 2 000 anställda?

Min erfarenhet av höglastiga, högtillgängliga system lärde mig en grundläggande läxa: varje komplex förändring i stor skala kräver ett systemtänkande. Du kan inte bara distribuera en teknik och hoppas att den fungerar – du måste designa hela ekosystemet runt den och se till att processer, struktur och teknik alla fungerar tillsammans.

Vi tillämpar exakt denna princip för AI-antagande på SOFTSWISS. Det börjar på den enskilda nivån. Vi förklarar för varje anställd hur man använder AI på ett säkert och effektivt sätt – vad den kan göra, var dess begränsningar ligger och vilka risker som är förknippade med den. Det är avgörande att vi gör det tydligt att deras ansvar för resultaten inte försvinner när AI kommer in i bilden. AI utvidgar dina möjligheter, men ansvarstagandet ligger kvar hos dig. Du äger fortfarande kvaliteten på utdata, besluten och resultaten.

Sedan flyttar vi till teamnivån, och det är här dynamiken skiftar. Nya möjligheter uppstår – snabbare planeringscykler, automatiserad verifiering, förbättrad analys – men också nya risker: överdriven tillit till AI-utdata, erosion av kritiskt tänkande, inkonsekvent antagande över teamet. Det är här chefer spelar en avgörande roll. De måste anpassa hur de granskar arbetet, vilka frågor de ställer och vilka signaler de letar efter. När någon levererar ett resultat som är dubbelt så snabbt, är chefens uppgift att förstå om kvaliteten hölls och om personen verkligen förstår vad de levererade.

Detta skiktade tillvägagångssätt – individuell medvetenhet, teamnivåanpassning, ledningsövervakning – är vad som låter oss skala AI över en stor organisation utan att kompromissa med stabilitet och tillförlitlighet som vår reglerade miljö kräver. Det handlar inte bara om tekniken. Det handlar om att bygga systemet runt den som gör antagandet hållbart.

Vad skiljer AI som distribueras som ett produktivitetsverktyg från AI som är integrerad direkt i kärninfrastruktur och beslutsfattningssystem, och hur påverkar denna skillnad långsiktiga affärsresultat?

Produktivitets-AI – chattassistenter och kodkopiloter – är där människor först möter AI på jobbet. Detta steg är viktigt, och du kan inte hoppa över det. Det bygger AI-litteracitet, lär människor att utvärdera utdata och skapar vanor av ansvarsfull användning över hela organisationen.

Men det finns en grundläggande skillnad mellan AI som hjälper en individ och AI som är integrerad i hur organisationen fungerar. Infrastruktur-AI – integrerad i dina företagssystem genom AI-plattformar – blir en del av ledningssystemet. Det omfattar planering, kontroll och revision. Det respekterar styrningsramar och matar direkt in i besluts kedjor.

Påverkan är betydande. Produktivitetsverktyg levererar 20-30% effektivitetsvinster på enskilda uppgifter – värdefullt, men inkrementellt. Infrastruktur-AI accelererar hela processer med 3-5 gånger. Och över tid omformar det organisationen själv – eliminerar vissa roller delvis eller fullständigt, skapar nya och komprimerar arbetsflöden som tidigare krävde flera överlämnanden.

Därför kräver dessa två kategorier olika tillvägagångssätt. Produktivitets-AI är en möjliggörande utmaning. Infrastruktur-AI är en organisationsomvandling som kräver noggrann planering, förändringshantering och kontinuerlig övervakning.

Vilka arkitektoniska och kulturella förändringar krävs för att gå från isolerade AI-experiment till en centraliserad, organisationsomfattande AI-plattform?

Arkitektoniskt är en centraliserad plattform avgörande – en som tillhandahåller säker åtkomst till flera modellleverantörer samtidigt som den upprätthåller strikt datastyrning. Utan denna lager skalar experiment fragmentering istället för värde.

Kulturellt är den större förändringen att gå från utförande-fokuserat tänkande till design-fokuserat tänkande. När utförande blir billigare och snabbare med AI, skiftar konkurrensfördelen till hur väl team designar arbetsflöden. Anställda bör designa processer där AI hanterar repetitiva operationer, medan människor förblir i kontrollen av orkestrering och besluts kvalitet.

Hur kan stora företag systematiskt öka sin lärhastighet när de distribuerar AI, och vilka operativa mekanismer gör det mätbart?

Lärhastigheten ökar när experiment är strukturerade. På SOFTSWISS utser vi AI-ambassadörer inom produktteam som identifierar användningsfall, finslipar bästa praxis och delar dem över hela organisationen. Workshops accelererar ytterligare kunskapsöverföringen.

Mätning är knuten till affärsnyckeltal. Vi spårar indikatorer som tiden till lösning i support eller automatiseringsnivåer i kodgranskning. Om AI-antagandet inte förbättrar mätbara mått, förblir det ytligt.

Vilka äldre processer begränsar vanligtvis AI-antagandets påverkan i etablerade teknikföretag?

Den främsta begränsningen är att försöka integrera AI i stela ledningsstrukturer med långa planeringscykler och fast resursallokering. AI:s fördel är hastighet, och föråldrade styrningsmodeller bromsar ner den fördelen.

En annan begränsande faktor är svag dataklassificering. Utan strukturerad och välstyrda data blir det mycket svårt att integrera AI på ett säkert och skalbart sätt.

Kan du dela exempel där integrering av AI direkt i kärnsystem gav mätbara vinster i effektivitet, intäkter eller operativ prestanda?

I teknisk support analyserar AI som är integrerad i Jira biljettshistorik och dokumentation för att föreslå lösningssätt, vilket signifikant minskar lösentiden.

I HR sparar automatiserade assistenter som hanterar förmåns- och ledighetsförfrågningar hundratals timmar varje månad.

I utveckling når AI-driven kodgranskning en automatiseringsgrad på 60–80%, vilket accelererar utvecklingslivscykeln med två till fyra gånger. Dessa vinster är operativt mätbara och påverkar direkt effektiviteten.

Hur designar du styrningsramar som säkerställer granskning, säkerhet och ansvar när AI är djupt integrerad i företagsarbetsflöden?

Styrning måste skapa en kontrollerad miljö snarare än att begränsa innovation. Vi förlitar oss på företagsklassiga leverantörsavtal och tillämpar datamaskning innan vi skickar information till molnmodeller.

Ansvarstagande är byggt in i systemdesignen. AI-drivna åtgärder fungerar inom definierade återställningsfönster, vilket möjliggör manuell åsidosättning. Ansvar ligger slutligen hos teamledaren som designar och äger arbetsflödet.

Vilka strukturfördelar tillåter små AI-nativa team att skalera snabbare än traditionella företag, och hur kan större organisationer anpassa sig utan att förlora stabilitet?

Den grundläggande skillnaden är arkitektonisk. Traditionella företag bryter ner arbetet i sekventiella faser – var och en ägd av en separat roll, med överlämningar och köer mellan dem. AI-nativa team kan utföra över alla faser samtidigt. Det finns inga köer, inga väntetider för nästa person i kedjan. Hela processen är automatiserad från början till slut, vilket ger dem en enorm hastighetsfördel.

För större organisationer är vägen framåt gradvis. Först – bygg AI-litteracitet och utrusta team med AI-verktyg. Ge människor tid att lära, experimentera och integrera AI i sina befintliga arbetsflöden. På detta stadium sker innovation inom befintliga processer, inte istället för dem.

När team vinner erfarenhet och förtroende kan du sätta mer ambitiösa mål – optimera hela processer snarare än enskilda steg. Det är här den riktiga transformationen börjar, men den fungerar bara när människor och processer är redo för det.

Nyckeln är takt. Flytta för fort och du bryter stabilitet. Flytta för långsamt och marknaden lämnar dig bakom. Rätt tillvägagångssätt är medveten, sekventiell progression – så organisationen utvecklas utan att förlora det som redan fungerar.

Hur påverkar verksamhet inom iGaming-sektorn, med dess reglerings- och tillförlitlighetskrav, sättet att arkitektera och distribuera AI-infrastruktur?

iGaming är en unik miljö. Det involverar riktiga pengar, realtids-transaktioner och regleringsövervakning över flera jurisdiktioner. På SOFTSWISS opererar vi under flera licenser – var och en med sina egna regelefterlevnadskrav. Detta innebär att varje tekniskt beslut, inklusive AI, måste ta hänsyn till en komplex regleringsmiljö som går långt utöver standarddata skydd.

Reglerade marknader kräver strikt efterlevnad av data lagring, radering och bearbetningsregler, inklusive GDPR. Men i iGaming är omfattningen bredare – penningtvättsbegränsningar, ansvarsfulla spelförpliktelser, licensvillkor som dikterar hur dataflöden och var data kan bearbetas. Infrastruktur måste garantera att känsliga data inte används för extern modellträning och att varje AI-driven beslut förblir granskningsbart.

Samtidigt är tillförlitlighetsstandarder exceptionellt höga. System opererar 24/7 med stora transaktionsvolymer. Varje AI-system vi distribuerar måste möta samma standarder – alltid tillgängligt, fullständigt granskningsbart och kapabelt att hantera de data volymer vi ser i support och regelefterlevnadsoperationer. I denna bransch är ett AI-fel inte bara ett besvär – det är ett reglerings- och finansiellt risk.

När företags-AI mognar, vilka funktioner kommer att skilja företag som verkligen integrerar AI i sin verksamhetsmodell från de som förblir ytliga antagare?

I mogna AI-organisationer kommer varje anställd att ha AI till sitt förfogande – med säker åtkomst till företagsdata över system, utan hinder eller manuella förfrågningar. Processer kommer att automatiseras från början till slut, utan köer eller överlämningar mellan roller. Arbetet kommer att flöda kontinuerligt, inte i faser.

Men automatisering ensam räcker inte. Vad skiljer ledare från resten är förmågan att kontrollera AI-drivet arbete i stor skala. Team och organisationer kommer att anpassa sig till automatiserad kvalitetsövervakning – upptäcka problem tidigt och korrigera dem innan de förvärras.

Den enskilda anställdes roll skiftar fundamentalt. Istället för att utföra uppgifter definierar de specifikationer för AI – tillhandahåller tillräcklig kontext, tydliga mål och kvalitetskontrollmetoder. Deras värde ligger i att styra AI och optimera dess utdata, inte i att utföra arbetet manuellt.

Ledarnas roll förändras också. Chefer och chefer blir arkitekter för systemtänkande över hela organisationen. Deras uppgift är att koppla ihop olika arbetsflöden, verktyg och artefakter till värdeströmmar som löser kundproblem bättre än konkurrenterna kan, inte optimera enskilda uppgifter – men designa hur allt hänger samman.

Denna integrationsdjup – AI i varje hand, automatiserade processer, systematisk kvalitetskontroll och ledarskap fokuserat på slut-till-slut-värde – kommer att definiera långsiktig konkurrensfördel.

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