Sam Jenkins, Managing Partner på Punchcard Systems – Intervju-serie

Sam Jenkins, Managing Partner på Punchcard Systems, har tillbringat mer än två decennier med att arbeta i skärningspunkten mellan teknik, entreprenörskap och organisatorisk transformation. Sedan han co-founding Punchcard Systems 2016, har han hjälpt till att vägleda företagets tillväxt medan han rådde organisationer om digital arbetsplatsstrategi, anpassad programvara, artificiell intelligens och framväxande tekniker. Hans tidigare erfarenhet inkluderar co-founding Startup Edmonton och Wellnext, ledande affärsutveckling och Microsoft-arbetsplats-teknik-initiativ på iomer internet-lösningar, och tjänstgjorde i verkställande och styrelsepositioner över teknik, hälsovård, allmän säkerhet och samhällsorganisationer. Denna bakgrund har gett honom en bred perspektiv på hur teknik förändrar sättet människor samarbetar, fattar beslut och utför sitt arbete.

Punchcard Systems är en kanadensisk programvara och teknikpartner som arbetar med scale-ups och medelstora företag för att utforma, utveckla och implementera digitala lösningar som är knutna till mätbara affärsmål. Med mer än 150 kunder över hela Kanada och USA, omfattar företagets förmågor anpassad webb- och mobilprogramvara, artificiell intelligens, molninfrastruktur, data och analyser, användarupplevelse-design och arbetsplats-tekniker som Microsoft 365, Azure, Copilot, Teams, SharePoint och Power Platform. Punchcard fokuserar på att hjälpa organisationer modernisera sina verksamheter, förbättra medarbetar- och kundupplevelser och integrera nya tekniker i praktiska affärsprocesser.

Din karriär har följt utvecklingen av arbetsplats-teknik, från Microsoft SharePoint-baserade medarbetar-plattformar och co-founding Startup Edmonton till att bygga Wellnext och slutligen Punchcard Systems. Hur har den erfarenheten format din syn på skiftet från programvara som medarbetare opererar själva till AI-agenter som alltmer utför arbete på deras vägnar?

När jag först började arbeta med digitala arbetsplats-tekniker som SharePoint (redan 2003!), fokuserade vi på att skapa bättre sätt för medarbetare att hitta information, dela kunskap och samarbeta. I slutändan var det medarbetaren som gjorde arbetet: de navigerade system, de producerade utdata. Idag flyttar vi oss bortom AI som en individuell produktivitetsverktyg och in i en ny era av agenter, där system kan ta på sig mer komplexa, flerstegs-uppgifter på medarbetares vägnar.

Det är den delen som förändras. Som ett ekosystem flyttar vi oss förbi AI som en personlig produktivitetsverktyg och in i agenter som tar på sig komplexa uppgifter på medarbetares vägnar. Claude Cowork och ChatGPT Work är båda på väg att göra den agent-baserade metoden ganska mainstream.

Jag har sett några av dessa tekniska skiften nu, och mönstret håller varje gång. De organisationer som vinner behandlar inte ny teknik enbart som en distribution. De behandlar det som en möjlighet att ompröva hur människor, processer och teknik fungerar tillsammans.

ChatGPT Work kan samla information från anslutna applikationer och filer, slutföra flerstegs-uppgifter och producera färdiga dokument, kalkylblad och presentationer. Hur kommer detta att förändra de dagliga ansvarigheterna för kunskapsarbetare som tidigare skapade dessa material själva?

Jag tror att arbetet flyttar sig från “att producera utdata” till “att styra resultat”. Detta förändrar grundläggande rollen för kunskapsarbetare, men det ersätter inte behovet av mänsklig insikt och tillsyn. Istället kommer medarbetare att alltmer flytta från att skapa varje bit av arbetet själva till att hantera, granska och orkestrera AI-genererade utdata.

Mycket av det repetitiva arbetet kommer att flyttas till agenten: att samla information, bygga presentationer eller dokument, eller sammanfatta data. Detta frigör människor för arbetet som faktiskt behöver en person: strategi, kreativitet, kritiskt tänkande och samarbete.

Förmågan som blir alltmer värdefull är att veta hur man styr AI på rätt sätt, genom att ge den rätt kontext, och känna igen när svaret ser rätt ut men inte är.

Du har beskrivit ett växande behov av “AI-chefer”. Vad skulle den rollen innebära i praktiken, och hur skulle den skilja sig från ansvarigheten för en IT-administratör, produktchef eller traditionell personalchef?

AI-chefer kommer att spela en viktig roll i att hjälpa organisationer anta AI på ett ansvarsfullt och effektivt sätt. Deras ansvar kommer att vara att hantera och styra AI-utdata, säkerställa att AI-genererat arbete är korrekt, tillförlitligt och i linje med affärsmål.

Detta är ett annat jobb än traditionell IT, som äger infrastruktur och tekniska system, eller en produktchef, som fokuserar på att utveckla och förbättra produkter. Varje avdelning kommer att behöva någon som förstår hur AI tillämpas på deras specifika områden, oavsett om det är finans, juridik, HR eller verksamhet.

Den verkliga förändringen är ägande. För närvarande har de flesta organisationer inte utsett någon som är tydligt ansvarig för om dessa system levererar värde och stannar inom acceptabel risk. Den luckan, i termer av att identifiera direkt ansvariga individer, är vad dessa typer av roller kommer att fylla.

KPMG Canada fann att AI-agenter redan påverkar hur organisationer anställer både nyexaminerade och erfarna anställda. Vilka färdigheter kommer att bli mer värdefulla när arbetsgivare börjar bedöma kandidater på deras förmåga att delegera arbete till AI, utvärdera dess utdata och ingripa när det behövs?

Färdigheterna som kommer att bli alltmer värdefulla är de som förblir unikt mänskliga, som kritiskt tänkande, bedömning, kommunikation, kreativitet, problemlösning och ledarskap.

Teknisk AI-litteracitet kommer att fortsätta att spela roll, men arbetsgivare letar efter människor som förstår hur AI passar in i den bredare affärsmiljön. Det inkluderar färdigheter som förändringshantering, riskhantering och strategiskt tänkande.

Gränsen mellan tekniska och icke-tekniska roller suddas ut. Organisationer flyttar bort från att anställa enbart för de färdigheter någon redan har och mot människor som är villiga att lära, anpassa och kontinuerligt utveckla sig. De mest värdefulla anställda kommer att vara de som kan använda AI-kapacitet medan de förstår var mänsklig bedömning förblir avgörande.

Många anställda utvecklade traditionellt professionell bedömning genom att slutföra repetitiva ingångs-nivå-uppgifter. Om AI-agenter absorberar mycket av det grundläggande arbetet, hur kan organisationer omforma utbildning och karriärutveckling så att yngre anställda fortfarande får den erfarenhet som behövs för att bli effektiva beslutsfattare?

Detta är en sanning som oroar mig lite. Människor byggde tidigare bedömning och erfarenhet genom att gå igenom ingångs-nivå-uppgifter. Om agenter gör det arbetet, förlorar stegen några pinnar.

Organisationer måste vara mer medvetna än någonsin om att bygga junior-talang genom mentorering, coaching, beslutsövningar och exponering för högre-värderade projekt tidigare i någons karriär.

Det finns också en möjlighet för omvänd mentorering, där yngre anställda som är mer bekanta med AI-verktyg kan hjälpa team att förstå hur dessa tekniker kan tillämpas, medan erfarna anställda fortsätter att tillhandahålla affärs-sammanhang och bedömning som AI inte kan replikera.

Målet bör vara att omforma läroprocessen för en arbetsplats där människor och AI arbetar tillsammans.

Punchcard har omfattande erfarenhet av att implementera Microsoft 365 och relaterade arbetsplats-tekniker. Hur förändrar ChatGPT Work den konkurrensutsatta landskapet för Microsoft Copilot och Google Gemini, och vilka faktorer bör organisationer överväga när de väljer en AI-plattform för vardagsarbete?

Landskapet utvecklas snabbt, och organisationer har fler alternativ än någonsin. Beslutet bör komma ner till vilken lösning som bäst överensstämmer med en organisations befintliga tekniska miljö, arbetsflöden, säkerhetskrav och affärsmål.

För organisationer som redan är investerade i Microsoft 365 kan verktyg som Copilot tillhandahålla fördelar genom integration med befintliga applikationer och data. Andra kan hitta olika plattformar som är bättre anpassade till deras behov.

Jag tror att den viktigaste frågan som ledare bör ställa är inte “vilket verktyg?” Det är “vilket problem löser vi, och vilken plattform hjälper oss att lösa det på ett ansvarsfullt sätt?”

Detta är vad vi har lärt oss första hand: framgångsrik antagande handlar om mer än verktyget. Vi har implementerat företagsomfattande AI-plattformar, med anpassade modeller som är inställda på hur vi faktiskt arbetar. Varje anställd använder det, men det kom inte från att välja rätt produkt; det kom från starka data-grundval, styrning och byggande av AI i hur företaget fungerar.

Modellprestanda dominerar ofta samtal om arbetsplats-AI, men organisationer måste också överväga behörigheter, dataåtkomst, granskning och ansvar. Vilka styrningskontroller bör etableras innan en AI-agent tillåts operera över e-post, dokument, interna databaser och affärsapplikationer?

En av de största misstagen jag ser organisationer göra är att behandla AI-styrning som en eftertanke. När AI-system blir mer kapabla och anslutna till affärsdata, måste organisationer etablera tydliga principer kring hur dessa verktyg används innan de skalar dem brett.

Det börjar med att förstå vad information AI-system kan komma åt, säkerställa att behörigheter är lämpligt omfattande och sätta kontroller på plats kring övervakning och ansvar.

Organisationer behöver också tydliga riktlinjer kring var AI kan operera oberoende och var mänsklig tillsyn krävs.

Genom att bygga rätt grundval kring data och säkerhet från början kan företag låsa upp värdet av AI samtidigt som de hanterar riskerna som kommer med alltmer autonoma system.

När AI-agenter utför åtgärder istället för att bara tillhandahålla svar, kan misstag ha operativa konsekvenser. Hur bör företag validera agent-genererat arbete, bestämma vilka åtgärder som kräver mänsklig godkännande och tilldela ansvar när en agent producerar ett felaktigt resultat eller utför en oönskad åtgärd?

När AI flyttar från att svara till att agera, förändras riskprofilen. Inte varje uppgift bär samma vikt, så gränsen för mänskligt godkännande bör skalas med vad som står på spel.

Det kräver enkelt uttryckt tydligt ägande. AI bör stödja beslutsfattande, inte ersätta ansvar. Organisationer måste definiera vem som övervakar AI-prestanda, validerar utdata och är slutligen ansvarig för resultaten. Målet är att kombinera AI-driven effektivitet med mänsklig bedömning, skapande system som är både skalbara och pålitliga.

Många organisationer experimenterar med AI utan att ännu ansluta antagande till mätbara affärsresultat. Hur bör ledare identifiera meningsfulla agenter-användningsfall, mäta deras avkastning på investeringen och bestämma om en pilot är redo att skalas över hela organisationen?

Luckan spårar vanligtvis tillbaka till sekvensen. Team väljer en teknik först och sedan letar efter var de kan placera den, när de varaktiga vinsterna kommer från att börja med ett arbetsflöde som redan är smärtsamt och dyrt och fråga om en agent verkligen är rätt verktyg.

Det bästa filtret är variabilitet. Om en process är tillräckligt förutsägbar för en regelmotor, behöver du inte en agent. Om det är så öppet att ingen kan beskriva ett bra resultat, kommer agenten att kämpa och du kommer inte att kunna lita på den. Värdet sitter mitt emellan, i arbete som behöver bedömning över flera system men fortfarande körs inom begränsade, granskbara regler.

Jag skulle lägga till en skärningsfråga som ändrar riskprofilen mer än något annat. Är kostnaden för en felaktig åtgärd begränsad och omvändbar? Där det är, låt agenten agera och flytta snabbt. Där ett misstag är dyrt eller svårt att återställa, håll en person i beslutet.

När det gäller avkastning är det vanliga misstaget att mäta fel sak för sent. Timmar sparade är standard-mätningen, men det underskattar påverkan. De större avkastningarna visas som cykel-tid-kompression, lägre fel-räntor och kapacitet som tidigare var rationerad blir tillgänglig. Ett support-team som bara kunde nå hälften av sina biljetter blir en annan verksamhet när de kan nå alla. Fånga en ren baslinje innan piloten börjar, eftersom du annars kommer att fastna i att argumentera över anekdoter. Och när du summerar kostnad, räkna hela bilden. Integrationsarbete och mänsklig tillsynstid är verkliga rad-artiklar, och tillsyn är kroniskt underskattad.

Att bestämma om man ska skalas är där disciplin spelar roll som mest, och det är steget team rusar. En demo på rena indata berättar dig lite. En pilot är redo när den håller på den långa svansen av verkliga, smutsiga indata, när fel-lägena är förstådda och begränsade, när observabilitet är på plats så att en tyst fel upptäcks snarare än upptäcks av en kund, och när en namngiven person är ansvarig i produktion.

Kör en enhets-ekonomi-kontroll också, eftersom agent-kostnader skalar med användning på ett sätt som programvara-stolar inte gör.

Agenter-system misslyckas annorlunda än traditionell programvara. De misslyckas sannolikhets-mässigt och ofta tyst, så organisationer som drar fördel bygger utvärdering och övervakning i från dag ett snarare än att skruva på det efter att något går sönder.

Punchcard Systems hjälper organisationer flytta från att experimentera med AI till att integrera det i riktiga affärsprocesser. Hur bedömer du en organisations beredskap för AI, identifierar du arbetsflöden där det kan leverera mätbara värden och hjälper team att implementera dessa system på ett ansvarsfullt sätt utan att störa befintliga verksamheter?

Det är viktigt att börja med att förstå en organisations nuvarande tillstånd. En av de största missuppfattningarna är att AI-antagande enbart handlar om att välja rätt verktyg. I verkligheten beror framgångsrik implementering på att ha starka grundvalar: kvalitetsdata, tydliga processer och definierat ägande.

Från där hjälper vi organisationer att identifiera var AI kan skapa mest värde, ofta i arbetsflöden som äter upp oproportionerligt mycket tid i förhållande till deras påverkan, eller i beslut som fattas utan rätt information till hands.

Organisationer måste tänka på hur roller och beslutsfattande kommer att utvecklas tillsammans med tekniken. Genom att kombinera rätt teknik med medarbetar-antagande och förändringshantering kan företag integrera AI på ett sätt som skapar mätbara värden utan att bryta det som redan fungerar.

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