Jason Wojahn, vd för KMS Technology – intervjuserie

Jason Wojahn är vd för KMS Technology och har omkring tre decenniers erfarenhet av att bygga upp och skala företag inom teknik för företagsmarknaden. Han var med och grundade Thirdera och ledde företaget fram till förvärvet av Cognizant. Tidigare ledde han Accenture globala ServiceNow-verksamhet och hade ledande roller på Cloud Sherpas och IBM Global Services. Hans arbete fokuserar på företagsomvandling, verksamhetsmodeller och på att omsätta framsteg inom AI i mätbara affärsresultat.

KMS Technology är ett företag inom digital utveckling, data och AI som hjälper organisationer att utveckla programvara, modernisera applikationer, stärka sin datagrund och driftsätta AI i produktionsmiljö. Företagets tjänster omfattar teknisk rådgivning, produktutveckling, datateknik och intelligent automatisering av arbetsflöden. I den här intervjun diskuterar Wojahn ”genomförandeekonomin”, gapet mellan AI-pilotprojekt och produktion, agenters beslutsbefogenheter och hur företag kan mäta framsteg utifrån resultat från början till slut.

Du har ägnat tre decennier åt att bygga upp och skala teknikorganisationer för företagsmarknaden, från att utveckla Navigis och leda Accentures globala ServiceNow-verksamhet till att bygga upp Thirdera och nu vara vd för KMS Technology. Hur har de här erfarenheterna format ditt perspektiv på företagsomvandling, och vad lockade dig till utmaningen att hjälpa organisationer att bli AI-infödda?

Jag började på IBM Global Services, där jag ansvarade för leveranser till stora företagskunder. Därefter följde Navigis, Cloud Sherpas, Accenture, Thirdera och Cognizant – nästan allt inom ServiceNow-ekosystemet.

Det här är mönstret jag gång på gång såg: varje ny plattformsvåg utlovade omvandling, men tekniken avgjorde sällan vilka som lyckades. Vinnarna var företagen som förändrade hur arbetet faktiskt flöt genom organisationen.

Åren med ServiceNow lärde mig att värdet finns i arbetsflödena, inte i instrumentpanelerna. Under trettio år blev företagsprogramvara väldigt bra på att tala om för oss vad som hände. Den var betydligt sämre på att göra något åt det. Människor fyllde den luckan. De blev det obetalda integrationsteamet och förde arbetet vidare från ett system till nästa.

AI förändrar det. Intelligens blir allt mer lättillgänglig. Det som nu är en bristvara är förmågan att omsätta den i samordnade åtgärder. Det var därför jag började på KMS: här finns den tekniska kompetens som krävs för att bygga system som utför arbetet, inte bara följer det, och möjligheten att bli AI-infödd snarare än AI-förstärkt.

Många företag har i pilotprojekt visat vilken potential AI har, men har svårt att omvandla de tidiga framgångarna till värde i produktionsskala. Vilka är de vanligaste hindren organisationer stöter på när de går vidare från experiment, och varför visar sig dessa utmaningar ofta först när tekniken har bevisat sitt värde?

Ett pilotprojekt visar att modellen fungerar. Produktion visar att organisationen fungerar.

Det är två helt olika prövningar. Ett pilotprojekt bygger på ren, noggrant utvald data, en engagerad sponsor och ett litet team som hittar lösningar runt varje hinder. Det är utformat för att undvika de svåra delarna.

I produktion går det inte att undvika dem. Nu måste agenten nå in i fem system i stället för ett. Någon måste ta ansvar för resultatet när något går fel, avgöra vad agenten får godkänna och stå för kostnaden för att köra den varje dag.

Det är därför de här utmaningarna dyker upp först när tekniken har bevisat sitt värde. De var aldrig tekniska problem. De handlar om data, integration, ansvar och befogenheter, och pilotprojektet var utformat för att kringgå vart och ett av dem.

Lösningen är att sluta behandla pilotprojekt som demonstrationer. Se pilotprojektet som den första fasen av produktionen. Välj ett viktigt arbetsflöde, koppla det till de verkliga systemen, utse en ansvarig och definiera vad agenten får besluta om från dag ett. Det tar längre tid att komma i gång, men går mycket snabbare att skala upp.

Du har beskrivit en förskjutning mot en ”genomförandeekonomi”, där konkurrensfördelar i allt högre grad beror på en organisations förmåga att omsätta intelligens i samordnade åtgärder. Vad innebär det här begreppet i praktiken, och hur förändrar det hur företag bör investera i AI?

Allt arbete följer samma kedja: information, insikt, beslut och genomförande.

Företagsprogramvara ägnade årtionden åt de två första leden, och AI förbättrar snabbt de tre första. Genomförandet är där de flesta organisationer fortfarande har kört fast, och det är där konkurrensfördelen håller på att förskjutas.

I praktiken innebär genomförandeekonomin att intelligens inte längre är en bristvara. Det är förmågan att få saker gjorda som är det. Två företag kan ha samma modeller, samma data och samma insikter. Vinnaren är det företag som omsätter insikterna i samordnade åtgärder, med tydliga befogenheter och ett granskningsspår.

Det förändrar hur man bör investera. I dag går merparten av AI-budgetarna till verktyg: copiloter, assistenter och bättre sökfunktioner. De gör individer snabbare. Men ett förslag som AI tar fram på tio minuter kan ändå bli liggande i tre dagar i väntan på godkännande. Snabbare uppgifter innebär inte snabbare resultat.

Satsa därför på arbetsflöden, inte verktyg, och börja med en annan fråga. Inte ”Hur gör vi den här medarbetaren 20 % mer produktiv?” utan ”Vilket arbete borde inte längre kräva samordning mellan människor?”

När AI går från att hjälpa medarbetare med enskilda uppgifter till att självständigt utföra hela arbetsflöden, hur behöver organisationer tänka om kring sina befintliga processer, beslutsstrukturer och ansvarsfördelning?

De flesta processer i företag utformades utifrån människors begränsningar. Informationen flödade långsamt, så vi införde möten. Beslut krävde tillsyn, så vi byggde upp godkännandekedjor. Mycket av det vi kallar processer handlar egentligen om överlämningar mellan människor.

Automatiserar man processen som den ser ut i dag har man automatiserat organisationsschemat. Överlämningarna går snabbare, men de blir inte färre.

Omtänkandet måste börja med besluten, inte uppgifterna. Kartlägg besluten i varje arbetsflöde. Vad kan en agent rekommendera? Vad kan den besluta? Vad kan den utföra på egen hand? När måste en människa ingripa?

Befogenheter bör knytas till beslut, inte till hela arbetsflöden. En agent kan ha fullt förtroende att stämma av en faktura, men ändå behöva en människa som godkänner alla betalningar över en fastställd gräns.

Ansvar försvinner inte. Det blir tydligare. Människor och agenter delar ansvaret för genomförandet: agenterna utför arbetet, medan människor fastställer befogenheterna, hanterar undantagen och ansvarar för resultatet. Varje agent behöver en namngiven ansvarig, och varje åtgärd bör kunna spåras och, där det är möjligt, återställas.

Ledarskapets fokus flyttas från att samordna arbetet till att utforma systemen som utför det.

På KMS Technology fokuserar ni på att omvandla traditionell digital ingenjörskonst till AI-baserat genomförande i företag. Hur ser den här omvandlingen ut internt, och hur arbetar KMS med att integrera AI, dataplattformar och intelligent samordning av arbetsflöden för att uppnå mätbara affärsresultat?

Vi börjar med att tillämpa samma tänkesätt på oss själva. KMS växte fram som ett företag inom digital ingenjörskonst. Nästa kapitel handlar om AI-baserat genomförande i företag: att bygga, modernisera och drifta, med människor och agenter som delar ansvaret för genomförandet. Resultaten märks i tidsåtgång och arbetsinsats:

Bygga. Evergreen Telehealth ville ha en telemedicinsk plattform byggd med agentbaserad AI och vårddatastandarden FHIR, men det fanns inget liknande på marknaden. Med AI som grund och Claude integrerat i kravarbete, design, utveckling och test tog vårt team och Evergreen ingenjörer den centrala plattformen från idé till produktion på 75 arbetsdagar. Det omfattade tre appar (webb, iOS och Android), fyra driftsatta integrationer (EHR, identitetsverifiering, betalningar och apotek) och två produktionsklara agenter. Arbetet leddes av människor och snabbades på med AI. Agenterna tog fram användarberättelser, genererade kod och körde tester. Ingenjörerna ansvarade för arkitekturen, mappningen av kliniska data och alla beslut av betydelse.

Modernisera. Ett annat exempel är ett programvaruföretag inom sjöfart som behövde ersätta en plattform som hade körts lokalt i mer än 20 år. Företaget kunde inte motivera en lång, traditionell ombyggnad innan investerarna såg framsteg, så vi genomförde ett tidsbegränsat utvecklingsarbete med AI-agenter under sex veckor. Kundens krav laddades in som kontext, så agenterna byggde utifrån specifikationen i stället för att bara generera kod. Teamet levererade 35 till 45 procent av MVP-omfattningen på omkring 800 teamtimmar, jämfört med den ursprungliga uppskattningen på 6 000 till 8 000. Agenterna skrev koden och mer än 5 000 enhetstester. Ingenjörerna satte ramarna och bedömde kvaliteten.

Drifta. Sedan dess har Evergreen utvidgat sin agentarkitektur till hela verksamheten. Övervakande agenter bevakar systemet, medan människor är med i loopen för att utvärdera och åtgärda problem.

Vi skriver inte bara kod snabbare. Vi förändrar hur mycket arbete ett team kan utföra.

I alla tre fallen delar människor och agenter ansvaret för genomförandet. Agenterna hanterar det återkommande arbetet. Våra ingenjörer och kundernas team ansvarar för besluten, undantagen och resultaten.

Samma förändring gör att vi kan öka leveranskapaciteten. Det är skillnaden mellan leverans med AI som grund och AI-stödd leverans.

Företags AI-system blir alltmer beroende av att komma åt information i fragmenterade äldre applikationer, molnplattformar och datamiljöer. Hur stor är utmaningen med att koppla samman de här systemen, och vilka arkitektoniska grunder bör organisationer lägga innan de försöker införa AI-drivna arbetsflöden i stor skala?

Det är den centrala utmaningen. De flesta företag har inte ett AI-problem. De har ett fragmenteringsproblem som AI har gjort omöjligt att ignorera.

Se hur arbetet går till i dag. Någon hittar information i en applikation, jagar ett godkännande i en annan och kopierar resultatet till en tredje. Människor utgör integrationslagret. En agent kan inte utföra det arbetet om den inte kan nå systemen, förstå sammanhanget och agera med rätt behörigheter.

Därför är grunderna viktigare än modellen. Fyra saker kommer först:

• en modern dataarkitektur som ger agenterna tillförlitlig kontext
• ett integrationslager som låter agenter agera i olika system, inte bara läsa information från dem
• identitet och behörigheter utformade för agenter, inte bara för människor
• övervakning, så att du kan se vad varje agent har gjort och varför

Teknikstacken håller också på att bli mer sammanhållen. Dataplattformar blir operativa, arbetsflödesplattformar blir intelligenta och applikationer blir headless. Om arbetsflödet kan röra sig genom hela stacken, varför ska då användaren behöva göra det?

Vänta inte på den perfekta arkitekturen. Välj ett viktigt arbetsflöde och modernisera det som berörs. Ta sedan nästa.

När AI-agenter börjar fatta beslut och utföra åtgärder inom olika delar av verksamheten blir frågor om styrning, ansvar och mänsklig tillsyn allt viktigare. Hur bör företag avgöra vilka beslut som kan delegeras till AI och vilka som måste förbli under mänsklig kontroll?

Jag skulle börja med att formulera om frågan. Inte ”Kan AI göra det här?” Svaret är allt oftare ja. Den bättre frågan är ”Vem har gett den tillstånd att agera?”

Förmåga och åtkomst är inte detsamma som befogenhet. När en agent kan godkänna en återbetalning, ändra ett produktionsschema eller fatta beslut om utgifter måste någon sätta gränserna.

Ett praktiskt test är att väga in kostnaden och om beslutet går att ändra. Ett beslut som fattas ofta, bygger på regler och är enkelt att återställa är en stark kandidat för delegering. Ett beslut med stor påverkan, som inte går att återställa eller som formar relationen till en kund bör ligga kvar hos en människa.

Delegering måste också förtjänas. Börja med att låta agenter lämna rekommendationer som en människa godkänner. När underlaget blir starkare kan personen gå från att godkänna varje åtgärd till att övervaka systemet och hantera undantagen.

Målet är inte att ha en människa med i varje beslutsslinga, utan i rätt beslutsslingor. Data ger sammanhang. Modeller resonerar. Agenter utför. Människor fastställer befogenheterna och tar ansvar för konsekvenserna.

Du har lett stora affärsområden inom företagsplattformar på Accenture och Cognizant, där en utbyggnad av verksamheten krävde att teknik, människor och processer samordnades i globala organisationer. Vilka lärdomar från de erfarenheterna är tillämpliga på dagens AI-omställning, särskilt när motstånd inom organisationen eller föråldrade verksamhetsmodeller blir större hinder än själva tekniken?

Integration lärde mig mer än något annat. På Cloud Sherpas, därefter Accenture och senare Cognizant ägnade jag flera år åt att föra samman organisationer. Olika kulturer, leveransmodeller, incitament och regioner behövde alla fungera som en och samma plattformsverksamhet.

Det var sällan tekniken som satte gränserna. Det var verksamhetsmodellen.

Tre lärdomar är direkt tillämpliga på AI-omställningen.

För det första är motstånd oftast rationellt. Människor värnar om det de bedöms utifrån. Om man inför agenter samtidigt som teamen fortfarande mäts på arbetstimmar, antal anställda och aktivitet får man efterlevnad, inte förändring. Ändra måtten, så följer beteendet efter.

För det andra måste beslutsbefogenheterna vara tydliga. Vid varje integration var de svåraste samtalen de som handlade om vem som beslutar vad. Med AI går det inte längre att undvika den frågan, eftersom vissa av dem som fattar besluten inte längre är människor.

För det tredje måste man vara tydlig med vad som förblir oförändrat. Människor tar lättare till sig förändringar när de förstår varför de sker och vet vad som inte kommer att förändras.

AI-omställning är en förändring av verksamhetsmodellen som råkar involvera teknik. Ledare som behandlar den som en programvaruinstallation kommer att bli besvikna.

Traditionella mått på AI-framgång handlar ofta om användningsgrad, produktivitetsförbättringar och tidsbesparingar. Vilka mått bör företagsledare prioritera för att avgöra om AI verkligen förbättrar verksamhetens genomförandeförmåga, och hur kan organisationer skilja mellan gradvisa effektivitetsvinster och en meningsfull omvandling av verksamheten?

Användning och sparad tid är insatsmått. De visar att människor använder verktyget, inte om verksamheten går snabbare.

Om en ingenjör sparar två timmar men en lansering ändå får vänta en vecka på granskning har inget förändrats för kunden. Snabbare arbetsuppgifter innebär inte snabbare resultat.

Jag skulle prioritera tre slags mått:

• Tid från behov till resultat: hur lång tid det tar för en begäran att leda till ett resultat, från början till slut.
• Var arbetet väntar: hur lång tid beslut tar, hur många överlämningar som sker och hur långa köerna mellan teamen är.
• Arbete utan samordning: hur stor del av ett arbetsflöde som genomförs utan att människor behöver samordna det, samtidigt som människor kan fokusera på bedömningar och undantag.

Koppla sedan dessa mått till verksamheten: kostnad för att leverera tjänster, kvalitet och intäkter.

Det är enkelt att avgöra om en omvandling har skett. Gick arbetsuppgiften snabbare, eller förändrades arbetsflödet? Gradvisa förbättringar gör samma process snabbare. En omvandling tar bort de steg, överlämningar och godkännanden som inte längre behövs.

Mät tiden från behov till resultat. Ta reda på var arbetet väntar. Förändra det som gör att det blir stående där.

Om du blickar tre till fem år framåt, hur tror du att förhållandet mellan AI, företagsprogramvara och mänskliga medarbetare kommer att utvecklas? Ser du framför dig en framtid där AI-inbyggda system i grunden ersätter traditionella arbetsflöden i företag, och vad bör företagsledare göra redan i dag för att förbereda sig för den omställningen?

I trettio år har företagsprogramvara berättat för oss vad som pågick. Under de kommande tre till fem åren kommer den i allt högre grad att utföra arbetet.

Det AI kommer att ersätta är samordning: att jaga, kopiera, lämna över och följa upp – sådant som fyller större delen av de flesta människors arbetsdag. Människor får i stället ägna sig åt bedömningar, undantag, relationer och att ta ansvar för resultaten. Det är ett bättre sätt att använda mänsklig expertis, men det kräver nya förmågor, och ledare måste bygga upp dem medvetet.

Vad bör ledare göra i dag? Välj ett arbetsflöde med stor betydelse och kartlägg besluten i det. Rätta till underliggande data. Definiera vad agenten får fatta beslut om och ange vem som ansvarar för resultatet. Gå sedan vidare till nästa arbetsflöde.

Företag som behandlar AI som ett verktyg kommer att bli effektivare. Företag som omorganiserar sig kring AI kommer att få större utväxling. AI är inte strategin. Det är genomförandet.

Tack för den fina intervjun. Läsare som vill utforska AI-baserat genomförande i företag, intelligenta arbetsflöden och övergången från AI-pilotprojekt till produktionssättning kan besöka KMS Technology.