Don Schuerman, CTO på Pegasystems – Intervju-serie

Don Schuerman är teknisk chef och vice VD för produktmarknadsföring på Pegasystems, ansvarig för Pegás plattform och kundrelationshantering (CRM)-applikationer.

Han har 20 års erfarenhet av att leverera företagsprogramvarulösningar för Fortune 500-företag, med fokus på digital transformation, mobilitet, analyser, affärsprocesshantering, moln och CRM.

Pegasystems erbjuder en robust plattform som är utformad för att hjälpa organisationer att uppnå affärsomvandlande resultat genom realtidsoptimering. Plattformen möjliggör för kunder att hantera viktiga affärsutmaningar med hjälp av företags-AI-beslutsfattande och arbetsflödesautomatisering, inklusive personlig kundengagemang, automatisering av tjänster och förbättring av operativ effektivitet. Grundat 1983 har Pegasystems utvecklat en skalbar och flexibel arkitektur som stöder företag i att möta nuvarande kundkrav samtidigt som de anpassar sig till framtida behov.

Med tanke på din omfattande erfarenhet som CTO på Pegasystems, hur skiljer sig Pega GenAI från andra i den snabbt föränderliga landskapet av generativ AI för företag?

Pega har varit en pionjär inom AI-lösningar under många år, inklusive att utforska generativ AI långt innan den blev mainstream. Jag tror att det finns tre saker som särskiljer oss:

För det första driver vi innovation, inte bara processer. De flesta företagsprogramvaruleverantörer har lanserat olika gen AI-botar, agenter eller co-pilotfunktioner, men sanningen är att dessa liknande verktyg inte kommer att driva konkurrenskraftig differentiering. Vi möjliggör för våra kunder att ompröva hur hela deras företag fungerar med unika verktyg som Pega GenAI Blueprint, som tillhandahåller bästa möjliga appdesigner på några sekunder. Vi automatiserar inte bara uppgifter, vi omprövar grundläggande hur företag opererar och innovativa.

För det andra automatiserar vi inte i isolering, utan vi orkestrerar hur arbetet utförs från början till slut. Andra leverantörer strör ut dessa gen AI-botfunktioner och hoppas att det räcker för att öka effektiviteten. Vår plattform är rotad i vår branschledande ärendehantering och orkestrering, som möjliggör för oss att inte bara automatisera med gen AI, utan också orkestrera och optimera hela processen från början till slut.

För det tredje är vi inte bara en generisk gen AI-motor – vi fokuserar på att driva bättre kundengagemang och arbetsflödesautomatisering genom AI. Ibland kräver problemet en kreativ kraft av generativ AI, medan andra frågor kan kräva förutsägande AI eller beslutsfattande AI för att införa mer logik i processen.

I din Forbes-artikel “Unlocking The Potential Of Advanced AI For Business Innovation,” nämner du potentialen för generativ AI att ompröva affärsverksamhet. Vilka är några specifika exempel där AI kan katalysera legacy-transformation i etablerade företag?

Deutsche Telekoms SVP för Design Authorities, Daniel Wenzel, beskrev för publiken på PegaWorld iNspire i somras hur han använder Pega GenAI Blueprint för att ompröva över 800 separata affärsprocesser i HR-tjänsterna. Han säger att den största flaskhalsen i att förbättra dessa processer var att affärsfolk och IT inte talar samma språk, vilket leder till ouppfyllda förväntningar. Pega GenAI Blueprint hjälper båda parter att förstå processen och hur man kan förbättra den mycket snabbare än traditionella metoder, vilket leder till mer effektiva lösningar.

Den samma artikeln diskuterar begränsningarna i nuvarande generativa AI-applikationer. Hur kan företag gå utöver inkrementella produktivitetsförbättringar för att utnyttja AI:s fulla transformerande potential?

De flesta generativa AI i företagsprogramvara används som enstaka funktioner som hjälper till att påskynda specifika aspekter av processen. Men dessa typer av funktioner är vanliga nu, och de erbjuder liten konkurrenskraftig fördel. Produktivitetshack som sammanfattning och textgenerering är en given – vad företag behöver för att gå framåt på marknaden är att använda generativ AI för att innovativa helt nya sätt att bedriva affärsverksamhet på en hög nivå. Till exempel har Gartner identifierat en ny teknologikategori som de kallar Business Orchestration and Automation Technologies (BOAT) som tittar på att driva affärsresultat mer holistiskt, från att strömlinjeforma kostnader till att förbättra beslutsfattande, till att minska operativa kostnader och använda rätt automatiseringsteknologier för jobbet. Enstaka gen AI-funktioner har sin plats, men det är bara en del av pusslet och inte den silverkula som löser alla problem.

Vilka är de mest lovande företagsanvändningarna för generativ AI som går utöver typiska produktivitetsförbättringar, och hur kan företag bäst implementera dessa?

Den mest spännande generativa AI-möjligheten är potentialen att injicera bästa praxis i en process. De som använder gen AI för att bara skriva mer kod kan sätta sig själva upp för mer teknisk skuld längre fram. Injektionen av IP i programvarudesignprocessen är en spelväxlare, som möjliggör för organisationer att komma till en optimal lösning mycket snabbare baserat på års erfarenhet. Och eftersom det utvecklas som en visuell modell och inte bara rader med kod, är det lättare att samarbeta och förädla det över tiden över tekniska och icke-tekniska intressenter. Tidigare kunde slutgiltig appdesign ta veckor och kräva mycket specialiserade färdigheter; nu möjliggör dessa gen AI-aktiverade verktyg för affärsanvändare att skriva in sina specifika behov på vanligt språk och snabbt gå från koncept till omfattande design. Forrester publicerade nyligen några undersökningar som förutsäger att användningen av AI för att injicera IP i lågkod eller modellbaserad design kommer att fundamentalt förändra hur företag använder programvara – vilket möjliggör för dem att bygga mer och köpa färre “av hyllan”-appar. Jag tror att detta är en stor transformation, och vi tror att vi med Pega GenAI Blueprint är väl positionerade för att vara plattformen för våra företagskunder.

Du har tidigare föreslagit att generativ AI kan hjälpa till med produktutveckling genom att identifiera marknadsluckor. Kan du förklara hur denna process fungerar och dela en verklig exempel?

Vår Pega Customer Decision Hub är en förutsägande AI-lösning som hjälper våra kunder att fatta nästa bästa åtgärd med sina kunder, oavsett om det innebär att sälja en produkt, lösa en servicefråga eller ibland göra ingenting alls. Detta möjliggör för oss att ansluta till kunder 1:1 med åtgärder som bäst tjänar deras individuella behov. Men att operera på ett 1:1-sätt innebär att du behöver en stor mängd anpassade erbjudanden – det är mycket bättre än att skicka spam till alla med samma meddelande, men det kräver att marknadsföringsorganisationer skapar fler meddelanden som är unika för olika kundgrupper. Nu med gen AI kan vi avslöja vilka kunder som har blivit underskattade och sedan föreslå nya åtgärder och bygga nya behandlingar som skulle vara mer fördelaktiga för dessa grupper. Detta har potentialen att hjälpa organisationer att expandera till marknadsaudience de vanligtvis inte har kunnat nå.

Hur kan etablerade företag med legacy-system effektivt integrera generativ AI för att förbli konkurrenskraftiga mot mer agila startups, särskilt när det gäller att ompröva deras kärnverksamhet?

Jag tror att vi är på väg in i en vändpunkt för legacy-system. Under årtionden har stora företag sparkat den tekniska skulden framför sig. Vi har tillbringat år med att applicera lösningar som RPA som inte har hanterat den grundläggande avtappningen som legacy-system orsakar för företag – de suger ut IT-utgifter som kunde gå till innovation, de introducerar risker och de förhindrar företag från att flytta snabbt i förändrade marknader. Lyckligtvis tror jag att en av superkrafterna i gen AI är att den kommer att låta oss dramatiskt accelerera takten för omkonstruktion och pensionering av våra legacy-system – inte genom att enkelt omkoda dem, utan genom att ompröva arbetsflödena och processerna själva för att både köra på moderna molnarkitekturer och leverera de digitala upplevelser kunder och anställda förväntar sig.

I en separat artikel om att etablera ett AI-manifest, betonar du vikten av att knyta AI-strategi till handlingsbara resultat. Kan du ge vägledning om hur företag kan anpassa sina AI-mål med mätbara affärsresultat?

För många företag börjar med att fokusera på ett nytt verktyg som AI istället för att börja med att ta reda på vad deras affärsmål är och vilket problem de behöver lösa. Genom att fokusera på verktyget istället för problemet, begränsar de sig själva till en väg som kanske inte är optimal för deras affär. Istället måste de ta ett steg tillbaka och fråga sig vad de verkligen försöker uppnå. Ibland är gen AI inte den rätta lösningen och kan vara bättre serverad av att tillämpa AI-beslutsfattande istället. De måste komma ihåg att det finns olika typer av AI som är bättre lämpade för att lösa olika affärsproblem.

Hur kan företag utnyttja generativ AI för att revolutionera sin verksamhet snarare än att bara automatisera rutinuppgifter? Vilka strategier bör de anställa för att maximera ROI i detta område?

Fokusera inte bara på de enskilda uppgifterna – detta kommer att förhindra att du ser skogen för träden. Ta ett steg tillbaka och förstå dina övergripande affärsarbetsflöden och resultaten du försöker driva från dem. Generativ AI kan användas för att analysera dina processer och införa bästa praxis i olika branscher. Detta kan driva betydande förändringar genom att möjliggöra för företag att ompröva och omkonstruera sina kärnverksamhetsflöden. Till exempel kan AI hjälpa till att utforma nya operativa modeller från scratch eller omkonstruera befintliga för att förbättra effektivitet och innovation. Etablera tydliga mått för att mäta framgång och förädla regelbundet din strategi baserat på dessa insikter. Genom att utnyttja AI för att driva meningsfulla förändringar snarare än inkrementella förbättringar kan företag låsa upp betydande värde och stanna före konkurrensen.

Vilka branscher tror du är mest lämpade för att dra nytta av att ompröva arbetsflöden med AI, och hur bör de börja implementera denna strategi?

Nästan alla organisationer kan universellt dra nytta av att förbättra sina arbetsflöden, särskilt i snabbt föränderliga marknader. Tjänstebranscher som finansiella tjänster, telekom och hälsovård kan troligen förverkliga de största vinsterna för att hjälpa till att strömlinjeforma hur de engagerar sig med sina kunder. Dessa sektorer hanterar komplexa, dataintensiva processer och är under ökande tryck för att förbättra effektivitet, minska kostnader och leverera bättre resultat. Dessutom kan alla branscher med stora mängder legacy-tjänster – som bankväsendet – dra nytta av att undersöka sina processer som troligen etablerades för år sedan för att modernisera dem och säkerställa att de håller jämna steg med nyare konkurrens.

Hur förbättrar “human-in-the-loop”-metoden effektiviteten och den etiska distributionen av AI, särskilt i kundorienterade roller?

Generativ AI, trots att den är kraftfull, kan producera utdata som inte alltid är korrekta eller lämpliga. Genom att integrera mänsklig övervakning kan vi mildra risker som AI-genererade innehålls felaktigheter eller etiska problem.

Till exempel, i kundtjänst, kan AI generera svar och rekommendationer, men att ha en människa som granskar dessa utdata säkerställer att de överensstämmer med företagets värderingar och kundbehov. Denna övervakning är avgörande för att upprätthålla transparens och ansvar, särskilt när AI-modeller producerar trovärdiga men felaktiga eller vilseledande informationer.

Intressant nog, att ha en människa i loopen tillåter dig att ta en av svagheterna i gen AI – den är inneboende oförutsägbar eller icke-deterministisk, vilket innebär att den inte ger dig samma svar två gånger – och förvandla den till en styrka. Med Pega GenAI Blueprint använder vi gen AI som en brainstorming-partner, som föreslår nya tillvägagångssätt för arbetsflödesdesign. Människan är alltid den slutliga beslutsfattaren, men genom att ständigt föreslå nya tillvägagångssätt, driver gen AI originaltänkande och hjälper människor att undvika “att asfaltera koans väg”.

Tack för det underbara intervjun, läsare som vill lära sig mer bör besöka Pegasystems.