Denis Romanovskiy, Chief AI Officer på SOFTSWISS – Intervjuserie

Denis Romanovskiy, Chief AI Officer på SOFTSWISS, är en erfaren teknisk chef med mer än 25 års erfarenhet av att leda storskaliga ingenjörsprogram över hela världen inom spel, företagsprogramvara, IoT och högbelastade onlineplattformar. Efter att ha tillbringat de senaste fem åren inom iGaming-sektorn tjänstgjorde han tidigare som biträdande CTO på SOFTSWISS, med ansvar 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-teknologi som tillhandahåller kompletta lösningar för online-casino och sportböcker, inklusive en casinoplattform, spelaggregator, sportbokslösning och hanterade tjänster. Företaget stöder operatörer över hela världen med infrastruktur som är utformad för skalbarhet, regelefterlevnad och tillförlitlighet, och positionerar sig själva i skärningspunkten mellan spelteknologi och framväxande AI-drivna optimeringar.

Med tanke på att du har lett storskaliga tekniska program över flera branscher och nu definierar företagets AI-strategi på SOFTSWISS, hur har din bakgrund inom högbelastade, högtillgängliga system påverkat hur du närmar dig införandet av AI i en organisation med över 2 000 personer?

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

Vi tillämpar exakt denna princip på 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. Kritiskt sett gör vi det tydligt att deras ansvar för resultat inte försvinner när AI kommer in i bilden. AI utvidgar dina förmågor, 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 verifikation, förbättrad analys – men också nya risker: överdriven tillit till AI-utdata, erosion av kritiskt tänkande, inkonsekvent antagande över teamet. Det är här cheferna spelar en avgörande roll. De måste anpassa sig till hur de granskar arbetet, vilka frågor de ställer och vilka signaler de letar efter. När någon levererar ett resultat dubbelt så snabbt är chefens uppgift att förstå om kvaliteten hölls och om personen faktiskt förstår vad de levererade.

Detta skiktade tillvägagångssätt – individuell medvetenhet, teamnivåanpassning, ledningsöversyn – är vad som låter oss skala AI över en stor organisation utan att äventyra stabiliteten och tillförlitligheten 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 inbäddad direkt i kärninfrastruktur och beslutsfattande system, och hur förändrar den distinktionen 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 inbäddad i hur organisationen fungerar. Infrastruktur-AI – integrerad i dina företagssystem via AI-plattformar – blir en del av ledningssystemet. Det omfattar planering, kontroll och revision. Det respekterar styrningsramar och matar direkt in i beslutskedjor.

Påverkansgapet är betydande. Produktivitetsverktyg levererar 20-30% effektivitetsvinster på individuella 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 överföringar.

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 tillsyn.

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 datagovernance. Utan detta lager skalar experimentfragmentering istället för värde.

Kulturellt är den större förändringen att gå från utförandeinriktat tänkande till designinriktat tänkande. När utförandet blir billigare och snabbare med AI, skiftar den långsiktiga konkurrensfördelen till hur väl teamen utformar arbetsflöden. Anställda bör utforma processer där AI hanterar repetitiva operationer, medan människor förblir i kontroll över orkestrering och besluts kvalitet.

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

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

Mätning är knuten till affärsnyckeltal. Vi spårar indikatorer som tiden till lösningsindikator 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 teknologiföretag?

Det främsta hindret är att försöka integrera AI i styva ledningsstrukturer med långa planeringscykler och fast resurstilldelning. 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 säker och skalbar AI-integrering extremt svår.

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

Inom teknisk support analyserar AI som är inbäddad i Jira biljettshistorik och dokumentation för att föreslå lösningssätt, vilket signifikant minskar lösnings­tiden.

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

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

Hur utformar du styrningsramar som säkerställer granskning, säkerhet och ansvarsskyldighet när AI är djupt inbäddad 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.

Ansvarsskyldighet byggs in i systemdesignen. AI-drivna åtgärder fungerar inom definierade återställningsfönster, vilket möjliggör mänsklig åsidosättning. Ansvar ligger slutligen kvar hos teamledaren som utformar och äger arbetsflödet.

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

Den grundläggande skillnaden är arkitektonisk. Traditionella företag bryter ner arbete i sekventiella faser – var och en ägd av en separat roll, med handoff och kön mellan dem. AI-nativa team kan utföra över alla faser samtidigt. Det finns inga kön, inga väntetider för nästa person i kedjan. Hela processen är automatiserad från slut 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 det fungerar bara när människor och processer är redo för det.

Nyckeln är takt. Flytta för fort och du bryter stabiliteten. 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 verksamheten inom iGaming-sektorn, med dess reglerings- och tillförlitlighetskrav, sättet att arkitektera och distribuera AI-infrastruktur?

iGaming är en unik miljö. Det handlar om 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 standard­dataskydd.

Reglerade marknader kräver strikt efterlevnad av data­lagrings-, borttagnings- och bearbetningsregler, inklusive GDPR. Men inom iGaming är omfattningen bredare – penningtvätts­skydds­krav, ansvarsfullt spelande­skyldigheter, licensvillkor som dikterar hur data flödar och var den kan bearbetas. Infrastruktur måste garantera att känslig data inte används för extern modellträning och att varje AI-drivet beslut förblir granskningsbart.

Samtidigt är tillförlitlighetsstandarder exceptionellt höga. System opererar 24/7 med massiva transaktionsvolymer. Varje AI-system vi distribuerar måste möta samma standarder – alltid tillgänglig, fullständigt granskningsbart och kapabelt att hantera de data­volymer 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 hands – med säker åtkomst till företagsdata över system, utan hinder eller manuella förfrågningar. Processer kommer att automatiseras från slut till slut, utan kön eller handoff 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 anställdas 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 göra arbetet manuellt.

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

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

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka SOFTSWISS.