Katie Stein, VD för ASAPP – Intervjuserie

Katie Stein, VD för ASAPP, är en erfaren teknolog- och affärsledare med mer än två decennier av erfarenhet som spänner över företagsstrategi, verksamhet, digital transformation och företagsväxt. Innan hon gick med i ASAPP som VD i augusti 2026, tjänstgjorde hon som VD för Atain och tillbringade åtta år på Genpact, där hon var Chief Strategy Officer och Global Business Leader för Enterprise Services and Analytics, med ansvar för företagsstrategi, stora tjänsteportföljer, kundupplevelse och M&A‑initiativ. Tidigare i sin karriär hade Stein seniora ledarskapsroller på Mercer, inklusive Global Chief Operating Officer för deras $2,5 miljard Retirement, Health and Benefits‑verksamhet, och arbetade som projektledare på Boston Consulting Group. Hennes karriär har i stor utsträckning kretsat kring att hjälpa stora organisationer förbättra operativ prestanda, implementera teknik mer effektivt och genomföra komplexa affärstransformationer.

ASAPP är ett AI‑företag som fokuserar på att omvandla företagskundservice genom sin AI‑inhemska Customer Experience Platform (CXP). Företaget grundades 2015 och utvecklar teknik som samlar AI‑agenter, mänsklig expertis, kunddata och företagsystem över röst‑ och digitala kanaler. I centrum av plattformen finns GenerativeAgent, en AI‑kundserviceagent designad för att förstå konversationer, resonera kring kundförfrågningar, vidta åtgärder via anslutna företagsystem och involvera mänskliga agenter när ytterligare tillsyn eller omdöme krävs. ASAPP tillhandahåller också verktyg för testning, övervakning, styrning och observabilitet, vilket möjliggör för stora organisationer att distribuera kundinriktad AI samtidigt som de behåller större kontroll över hur automatiserade agenter beter sig.

Din karriär har tagit dig från strategiska och transformationsroller på BCG, Mercer och Genpact till att leda Atain, och nu till att bli VD för ASAPP. Vad lockade dig till ASAPP i detta skede av din karriär, och efter dina första 30 dagar, vilka har du identifierat som de största möjligheterna och prioriteringarna för företaget?

ASAPP kom först i mitt fokus under vinterstormen Fern tidigare i år. På Atain arbetade vi från alla vinklar för att skapa tillräcklig kapacitet för ett av de största amerikanska flygbolagen när tusentals drabbade resenärer försökte ta sig hem. ASAPP svarade inte bara på frågor; dess GenerativeAgent ombokade mer än 3 800 passagerare på sex dagar, inklusive komplexa resplanändringar. Det visade mig hur företags‑AI ser ut under verkligt tryck. Mina första 30 dagar har bekräftat den uppfattningen. Vår möjlighet är att fokusera och skala: koncentrera oss där ASAPP har den tydligaste rättigheten att vinna, hjälpa kunder att gå från experiment till produktionspåverkan, och leverera med högre hastighet och konsekvens.

ASAPP:s tillvägagångssätt samlar autonoma AI‑agenter, deterministiska arbetsflöden och mänskliga experter inom ett enda orkestreringslager. Hur avgör du vilka beslut som ska lämnas till en AI‑agent, vilka som ska följa fördefinierade regler, och vilka som bör involvera mänskligt omdöme?

Vi tilldelar inte hela interaktionen till AI, ett fördefinierat arbetsflöde eller en person. Vi granskar varje beslut utifrån dess komplexitet, risk och behov av ansvarsskyldighet. AI är väl lämpad för att förstå avsikt, tolka sammanhang och anpassa sig till kunden. Arbetsflöden ger konsekvens när nödvändiga steg eller policys måste följas. Människor tillför omdöme när en situation är tvetydig, exceptionell eller av stor betydelse. Orkestrering förenar alla tre inom samma interaktion. Målet är inte maximal autonomi. Det handlar om att lösa fler kundbehov samtidigt som rätt nivå av kontroll tillämpas vid varje beslutspunkt.

ASAPP ser mänsklig medverkan som en pågående del av AI‑systemet snarare än bara en eskaleringsväg när automatisering misslyckas. När AI‑agenter blir mer kapabla, var tror du att människor fortsatt kommer att tillföra mest värde i kundserviceinteraktioner?

Mänsklig uppfinningsrikedom! För några månader sedan pratade jag med en senior CX‑ledare som observerade att ett relativt litet antal samtal står för en oproportionerligt stor del av hanteringstiden. Dessa är ofta kantfall utan tydlig FAQ, kunskapsartikel eller standardarbetsinstruktion. De är svåra eftersom organisationen ännu inte har stött på – eller kodifierat – svaret. Människor kommer fortsätta att tillföra mest värde i dessa ögonblick: tolka tvetydigheter, balansera konkurrerande överväganden och tillämpa omdöme där ingen etablerad spelbok finns. Men att involvera en person bör inte innebära att man överger automatisering och överför hela interaktionen. AI samlar in det som behövs och presenterar en person med en specifik begäran och kontext; människan ger omdömet, och sedan fortsätter AI interaktionen. Den expertisen löser det omedelbara problemet och hjälper till att utöka vad AI kan lösa härnäst.

Många företag har framgångsrikt demonstrerat generativ AI i pilotprojekt men har svårt när de försöker rulla ut det över miljontals verkliga kundinteraktioner. Vad underskattar företag oftast när de övergår från en AI‑pilot till ett produktionsskaligt agentiskt system?

Företag underskattar oftast den långa svansen. Pilotprojekt testar vanligtvis definierade användningsfall under kontrollerade förhållanden. På produktionsnivå blir sällsynta situationer vardagliga: kunder ändrar riktning, lämnar ofullständig information eller kombinerar behov på sätt som ingen förutsett. Det är därför skalning av agentisk AI inte bara är en modellutmaning. Det kräver integration med företagsystem, styrning, övervakning och ett sätt att involvera människor när omdöme behövs. Piloten visar att tekniken fungerar. Produktion kräver arkitekturen och driftsdisciplinen för att göra den pålitlig i skala.

När företag går från en enda AI-assistent till flera specialiserade agenter som arbetar tillsammans, vilka nya tekniska eller styrningsutmaningar uppstår kring orkestrering, observerbarhet och ansvarstagande?

Den nya utmaningen är samordning. Fler agenter skapar fler överlämningar, beslutspunkter och möjligheter för att kontext eller ansvarsskyldighet ska brytas ner. Företag behöver orkestrering som avgör vilken agent som ska agera, vilken information och vilka behörigheter den får, och hur deras arbete bidrar till kundens lösning. Observerbarhet måste sträcka sig över hela interaktionen så att organisationer kan förstå vad som hände och varför. Det blir grunden för styrning. Fördelen kommer inte från att distribuera flest agenter. Den kommer från att samordna all den specialiserade intelligensen i ett system som är pålitligt, spårbart och ansvarstagande.

ASAPP introducerade nyligen Kontinuerlig Red Teaming, som automatiskt testar dess AI-system mot mer än 50 klasser av sårbarheter när modellerna utvecklas. Hur bör företag ompröva säkerheten när AI-agenter inte längre bara genererar svar utan i allt högre grad kan vidta åtgärder på uppdrag av kunder?

Insatserna förändras när AI går från att svara på frågor till att vidta åtgärder. En obehörig transaktion eller exponering av kunddata är mycket allvarligare än ett felaktigt svar. Företag behöver tydliga gränser för vad en agent kan komma åt, vad den kan göra och när mänskligt godkännande krävs. Säkerhet kan inte heller vara ett test som utförs en gång innan driftsättning. När AI blir mer kapabel, innoverar även illasinnade aktörer. Det är därför ASAPP kontinuerligt testar mot tusentals motståndarscenarier som täcker mer än 50 sårbarhetsklasser. Säkerheten måste utvecklas lika snabbt som tekniken, så att företag kan utöka vad AI kan göra utan att kompromettera kundernas förtroende.

Generativ AI är i grunden probabilistisk, men kundserviceprocesser involverar ofta transaktioner, efterlevnadskrav och andra uppgifter där resultat måste vara förutsägbara. Hur kan företag bevara flexibiliteten i generativ AI samtidigt som de inför tillräckligt deterministisk struktur för att göra dessa system pålitliga?

Nyckeln är att separera samtalet från affärsprocessen. Vi anser att generativ AI bör göra det den gör bäst: förstå kunden, navigera i tvetydighet och svara naturligt. Men kritiska processer – som verifiering, transaktioner och efterlevnad – bör köras inom stegvisa arbetsflöden som upprätthåller företagets regler och nödvändig sekvens. Den arkitekturen ger företag det bästa av två världar: en flexibel upplevelse för kunden och förutsägbar verkställning för verksamheten. Den gör också processerna enklare att testa, granska och förbättra när modellerna utvecklas. Företag behöver inte göra varje kundsamtal stelt för att göra AI pålitlig. De måste vara mycket tydliga med var AI kan anpassa sig och var processen absolut inte får göra det.

Kontaktcenter har traditionellt mätt automation med mått som innehållande och kostnadsreduktion. När agentisk AI blir mer sofistikerad, vilka mått bör företag använda för att avgöra om AI faktiskt förbättrar kundupplevelsen snarare än bara minskar mänsklig involvering?

Vi går bort från mått som avledning och innehållande och mot det jag kallar “verifierad lösning”. Jag vill att vi ska vara ansvariga för att förstå en kunds avsikt och faktiskt lösa den. Som kund vill jag att upplevelsen ska vara trevlig, men framför allt vill jag att anledningen till att jag kontaktade ska bli löst. När vi mäter det resultatet, snarare än bara om AI hindrade någon från att nå en mänsklig agent, anpassar vi tekniken till den uppgift kunden faktiskt behöver få utförd.

Om en mänsklig expert i allt högre grad kan övervaka eller vägleda flera AI-drivna konversationer, hur förväntar du dig att kontaktcenterpersonalen kommer att utvecklas? Ser du nya roller uppstå kring AI‑övervakning, utbildning, styrning och kontinuerlig förbättring?

Det är det som verkligen får mig att bli entusiastisk över den framtida driftsmodellen för kontaktcenter. Idag är mänskliga agenter i frontlinjen och hjälper ofta kunder som är besvikna, förvirrade eller arga, samtidigt som de spenderar mycket av sin egen tid på att navigera i komplexa system för att lösa dessa problem. Det är krävande arbete, och utbrändheten är hög. När agentisk AI tar över mer av detta arbete över röst- och digitala kanaler tror jag att vi kommer att se en ny klass av CX‑professionell uppstå: den mänskliga agenten som analytiker. Deras tid kommer i allt högre grad att ägnas åt situationer som kräver omdöme, inte är svartvita eller har regulatorisk känslighet. Det är en grundläggande annorlunda roll, och en som AI själv hjälper till att skapa.

Efter dina första 30 dagar som ledare för ASAPP, vad har överraskat dig mest med var företag för närvarande befinner sig i sin adoption av agentisk AI, och vad tror du kommer att definiera nästa steg i AI-drivet kundservice?

Jag har blivit imponerad av hur villiga de kunder jag har talat med är att göra agentisk AI till en kärnpelare i deras CX-strategi snarare än något som ligger i närheten. Utmaningen är att Digital, IT, Säkerhet och Drift ofta rör sig i olika hastigheter och mäter framgång på olika sätt. Denna fragmentering gör det svårt att tydligt se affärsfallet för företaget. Nästa steg kommer att kräva att organisationer samordnar sig kring vad som faktiskt är viktigt på företagsnivå och förstår var agentisk AI i CX kan påverka dessa resultat. Idag kan den effekten spädas ut över befintliga resultattavlor och silade mått.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka ASAPP.