Holly Grant, SVP, Strategi & Innovation, DXC Technology – Intervju-serie

Holly Grant, SVP, Strategi & Innovation på DXC Technology (DXC ), är en teknisk och operativ chef med djup erfarenhet inom företags AI-strategi, fintech, startup-ledning och operativ omvandling. På DXC hjälper hon till att forma företagets AI-första innovationsinitiativ, inklusive företagsomfattande AI-orchestrering, rådgivningstjänster och produktinkubationsinsatser som är utformade för att hjälpa organisationer att gå från experimentella AI-piloter till operativ drift. (HPE )

DXC Technology är ett globalt IT-tjänst- och konsultföretag som fokuserar på att hjälpa företag att modernisera kritiska system över molntjänster, cybersäkerhet, artificiell intelligens, datainfrastruktur och företagsoperationer. Företaget bildades genom sammanslagningen av Computer Sciences Corporation och Hewlett Packard Enterprises Enterprise Services-division och arbetar med organisationer inom olika branscher, inklusive hälsovård, bank, tillverkning, försäkring och regering. Under de senaste åren har DXC alltmer positionerat sig kring AI-nativ företagsomvandling och erbjuder tjänster som integrerar generativ AI, intelligent automatisering, observerbarhet, digitala tvillingar och storskalig IT-modernisering i komplexa företagsmiljöer.

Du har byggt en karriär vid skärningspunkten mellan strategi, operationer och innovation – från att skala organisationer tidigare i din karriär till att nu leda Strategi & Innovation på DXC. Hur har dessa erfarenheter format din tillvägagångssätt för att lansera LabX och designa en AI-inkubationsmiljö med fokus på verkliga affärseffekter?

Min karriär har tagit mig över familjekontor, startup-företag, riskkapital och nu ett Fortune 500-företag mitt i en omvandling. Vad jag har sett över alla dessa miljöer är att idéer inte landar på egen hand. De som faktiskt skapar värde tenderar att dela tre saker: en riktig kund som drar åt samma håll, rätt ögonblick på marknaden och ett omfång som är tydligt och lämpligt smalt. Missa någon av dessa och även en briljant idé stannar av.

Den mönster har format hur jag tänkte om LabX. Du behöver en teori om hur man vinner – en riktig strategi – men du behöver också den operativa muskeln för att förverkliga den, och disciplinen att anpassa dig när du lär dig och förhållandena förändras. Strategi utan genomförande är en presentation. Genomförande utan strategi är rörelse utan framsteg. LabX är utformat för att hantera båda samtidigt.

Under vår VD Raul Fernandez ledning har DXC lagt AI-kompetens och innovation i centrum för vår omvandlingsstrategi. LabX är hur vi översätter den övertygelsen till produkter, förmågor och kundresultat – tillräckligt snabbt för att det ska ha betydelse.

Många företag experimenterar med AI men har svårt att gå från piloter till produktion. Utifrån vad du ser på DXC, vad är de största hindren som förhindrar organisationer från att skala AI utöver bevis-på-koncept-projekt?

Två hinder dyker upp igen och igen, och varken av dem handlar om tekniken.

Det första är förändringshantering. AI förändrar hur människor arbetar, vad de är ansvariga för och hur beslut fattas. Om du inte tar med dig arbetsstyrkan, kommer den mest eleganta modellen i världen att stå outnyttjad. Det andra är att företag börjar skala AI utan att förändra den underliggande driftsmodellen. De fäster intelligens på ett specifikt system eller program så att en användare kan använda det, men resten av teamet kan inte. AI är en horisontell intelligens – den skapar mest värde när den kan flytta över funktioner, data och arbetsflöden. När driftsmodellen inte förändras, förblir värdet lokalt istället för att förstärkas över hela företaget.

Så piloten fungerar, alla firar, och ingenting skalar faktiskt. Det är mönstret vi försöker bryta på LabX genom att designa för företagsomfattande låsningar från dag ett.

LabX fungerar på en snabb koncept-till-MVP-cykel på cirka 90 dagar eller mindre. Vilka förändringar i mindset, styrning eller utvecklingsprocesser krävs för att stora företag ska kunna flytta i den här takten?

Den största förändringen i mindset är att vara villig att fatta beslut tidigare med mindre perfekt information – och disciplinen att skära av det som inte fungerar. Stora företag blir bekväma med långa planeringscykler för att de känner sig säkra. De är inte. I en marknad som rör sig så snabbt är ett långsamt “ja” och ett långsamt “nej” båda dyra.

Inom LabX tilldelar vi en liten triad – design, produkt och teknik – för att springa en sprint mot ett riktigt kundproblem. De bygger en minimalt fungerande produkt, testar den för värde och skala, och vi utexaminerar idéer som visar kommersiellt löfte inom 90 dagar. Vad som gör den här hastigheten möjlig är inte avsaknaden av styrning, utan närvaron av rätt styrning. Säkerhet, sekretess, regelefterlevnad och ansvarsfull AI-godkännande är inbyggt i processen från dag ett, inte fastsatt i slutet. Varje produkt går igenom en formell styrningsgranskning innan den skalar.

För de flesta företag kräver det här för att komma till den här takten att skydda ett utrymme där det är legitimt att flytta på det här sättet – utan att tvinga varje experiment genom samma cykel tid som en multiårig plattformsbyggnad. Det är vad LabX är för oss.

DXC beskriver LabX som ett sätt att validera högpotentiella AI-koncept med kunder innan de skalar dem. Hur hjälper den här “Kund noll”-metoden till att säkerställa att AI-lösningarna är grundade i verkliga operativa behov snarare än teoretiska användningsfall?

Kund noll är, ärligt talat, vår fördel. Innan en LabX-produkt någonsin går till marknaden, måste den överleva inom DXC först. Vi hanterar 115 000 anställda i 70 länder, reglerade branscher, komplexa kundkontrakt, legacy-system och verkliga operativa insatser. Det är inte en steril demo-miljö – det är företagsverklighet.

En traditionell startup kan flytta snabbt, men de kan inte lätt återskapa den upplevda erfarenheten av att operera inom den här komplexiteten. När vi testar en produkt på oss själva först, hittar vi de platser där den bryter på riktiga data, riktiga arbetsflöden och riktiga regulatoriska begränsningar – saker som skulle ha dykt upp i en kundmiljö sex månader senare. När vi tar med ett erbjudande till en kund, pitchar vi inte en teori. Vi kan säga: “Här är vad det gjorde i vår egen verksamhet, här är vad vi ändrade, här är vad vi mätte”.

Det håller oss också ärliga. Om en produkt inte kan bevisa sig internt, utexamineras den inte. Det är en högre ribba än att säga “det fungerade i en demo”.

Företagsmiljöer är ofta fyllda med legacy-system, fragmenterad data och regulatoriska begränsningar. Hur designar du AI-arbetsflöden som kan fungera effektivt inom den här verkliga komplexiteten?

Vi börjar med antagandet att miljön är komplex – det är baslinjen, inte undantaget.

Arkitektoniskt arbetar vi med en dekomponerbar tillvägagångssätt för våra plattformar. De ledande AI-verktygen förändras månadsvis, inte årsvis. Om du hårdkodar dig till en enskild modell, leverantör eller ramverk, satsar du på att dagens ledare fortfarande kommer att vara ledare om 18 månader. Det är en dålig satsning. En dekomponerbar arkitektur låter oss byta ut komponenter när fronten flyttar, stanna flytande med vad som faktiskt är bäst i klassen och stress-testa verktyg mot riktiga kundutmaningar snarare än leverantörsmarknadsföring.

På den regulatoriska och data-sidan är regelefterlevnad utformad från dag ett. Varje produkt går igenom en styrningsgranskning, och ansvarsfull AI-godkännande är en del av processen, inte en eftertanke. Att operera i högt reglerade branscher över 70 länder tvingar den disciplinen på oss – vilket visar sig vara en funktion, inte en bugg, när vi tar produkter till kunder med samma begränsningar.

Traditionell IT-konsultverksamhet byggde på långa planeringscykler och rigida implementeringsramverk. När AI utvecklas snabbare än vad dessa cykler kan hantera, hur måste konsultmodellerna förändras?

Det ärliga svaret är att hela modellen måste förändras, men om jag måste välja navet, är det värdepropositionen. Branschen har tillbringat decennier med att sälja leveranser – presentationer, vägkartor, implementeringsplaner – och fått betalt för ansträngningar. I en AI-nativ värld vill kunderna inte en leverans. De vill ha ett resultat. De vill att arbetsflödet faktiskt ska fungera, att kostnaden faktiskt ska minska, att intäkterna faktiskt ska dyka upp.

När kunder vill ha resultat, måste allt annat förändras för att stödja det. Team-sammansättningen blir mer teknisk. Engagemang flyttar från råd och lämna till bygga och driva. Prissättning skiftar bort från timmar. De som gör arbetet måste vara lika bekväma med att leverera kod som med att driva en styrelse.

Det är en stor kulturell förändring för vår bransch, och inte alla kommer att klara det. De företag som gör det kommer att se mycket annorlunda ut om fem år än de gör idag.

LabX fungerar också som en experimentmiljö för anställda och tekniska partners. Hur viktigt är internt experiment när man försöker bygga företagsomfattande AI-kompetens?

Det är hela spelet. Du bygger inte AI-kompetens genom att läsa om AI – du bygger den genom att prova saker, se dem bryta och prova igen. Det är lika sant för en 30-årig IT-proffs som för någon som är två år ut från skolan.

Vi körde nyligen en AI-utmaning inom en av våra affärsenheter och fick över 1 300 unika idéer på två veckor. Det är inte en statistik om ett verktyg – det är en statistik om vad som händer när du ger människor tillåtelse att tänka utanför boxen. Kreativiteten finns redan inom organisationen. Vårt jobb är att skapa utrymmet för den att växa.

LabX kör också ett rotationsprogram: tekniska experter från hela DXC tillbringar sex till tolv veckor inbäddade med oss, bygger riktiga produkter med de senaste AI-verktygen. När de återvänder till sina hemmateam, tar de med sig en ny färdighet och, viktigare, ett annat sätt att tänka. De börjar ställa olika frågor till sina kollegor och kunder. De blir championer för vad som är möjligt. Den ackumulerande effekten över arbetsstyrkan är värd mer än någon enskild produkt vi levererar.

DXC ramverket som Human+, betonar att AI bör expandera mänskliga förmågor snarare än ersätta dem. I praktiska termer, hur påverkar den filosofin hur AI-lösningar designas och distribueras inom företag?

Jag ska vara direkt: det finns en uppfattning som tar form i branschen att det mest värdefulla som företags AI kan göra för ett företag är att minska personalstyrkan. Jag tycker att det är en brist på fantasi.

Kostnadsdisciplin är viktig, men den riktiga möjligheten är tillväxt: nya intäktsströmmar, nya produkter, nya tjänsteerbjudanden som inte var möjliga tidigare. AI:s högvärdesanvändningsfall är att möjliggöra för människor att göra arbete som skapar nytt affärsvärde, inte bara optimera vad som redan finns. Företagen som får det här rätt kommer att prestera bättre än de som behandlar AI som en ren kostnadsövning.

I praktiken betyder Human+ att vi designar AI för att hantera högvolym, rutinmässiga processer så att våra människor kan fokusera på högvärdesarbete: strategiskt tänkande, kreativt problemlösande, kundrelationer och komplexa bedömningar. Vi håller mänsklig expertis och tillsyn i centrum för varje distribution, särskilt där beslut har verkliga konsekvenser. Det är så man bygger förtroende med kunder, och det är så man låser upp varaktig konkurrensfördel.

När organisationer försöker integrera AI i befintliga arbetsflöden, vilka vanliga misstag ser du att de gör som bromsar adoptionen eller begränsar verkligt affärsvärde?

Två misstag ser jag konstant. Det första är att börja med tekniken istället för problemet. Någon blir kär i en modell eller en leverantörsdemo, och initiativet blir att distribuera den saken istället för att lösa något som faktiskt betyder något för affären. Det andra är att behandla AI som ett IT-projekt istället för en affärstransformation. Om du lämnar AI helt till CIO och ber resten av affären att fortsätta som vanligt, kommer du att få ett verktyg som ingen använder och en budget som ingen vill försvara nästa år.

Antidoten mot båda är enkel att säga och svår att göra: börja med affärsproblemet, sätt rätt tvärfunktionellt team på det – människor, process, teknik – och bygg bakåt från resultatet du försöker skapa. Det är den attityd vi tar på LabX, och det är hur vi arbetar med kunder som Ferrovial, där vi har hjälpt till att distribuera AI Workbench – ett generativt AI-erbjudande som kombinerar konsulttjänster, ingenjörskap och säkra företagstjänster, nu utnyttjat av mer än 24 000 anställda med över 30 AI-agenter som fattar beslut i realtid. Den här skalan händer inte om du behandlar det som ett IT-projekt.

Om du ser framåt, hur tror du att AI-inkubationsmiljöer som LabX kommer att forma hur företag utvecklar, testar och distribuerar nya teknologier under de kommande åren?

Här är vad jag tror kommer att vara uppenbart i efterhand: vinnarna i den här eran kommer inte att vara företagen med de mest imponerande punktlösningarna. De kommer att vara integratörerna – de som kan sy ihop AI över driftsmodeller, över funktioner och över arbetsflöden så att intelligensen inte blir instängd i ett enda verktyg eller en enda användares skärm.

Det är ett svårare problem än att distribuera en modell. Det kräver djup företagskontext, förmåga att arbeta över legacy- och moderna system och disciplin att förändra hur arbetet faktiskt utförs. Det är också den möjlighet jag är mest entusiastisk över.

Incubationsmiljöer som LabX är hur vi får repetitionerna. De är där man lär sig vad som bryter i skala, vad styrning faktiskt ser ut i praktiken och vad kunder kommer att anta. Företagen som investerar i den här typen av utrymme nu – internt eller genom partners – kommer att ha en annan förmågekurva om tre år än de som fortfarande bestämmer sig för om det är värt ansträngningen. Och de som bygger i det här utrymmet kommer att fortsätta att hitta nya problem som är värda att lösa, eftersom tekniken inte bromsar och inte heller möjligheten.

Tack för det underbara samtalet, läsare som vill lära sig mer kan besöka DXC Technology.