Sarah Philipp, Global Lead för AI-aktivering och antagande på Altimetrik – Intervjuserie

Sarah Philipp, Global Lead för AI-aktivering och antagande på Altimetrik, fokuserar på att hjälpa organisationer att överbrygga gapet mellan snabb AI-innovation och verklig arbetskraftsantagande. Hennes arbete kretsar kring att bygga AI-litteracitetsprogram, arbetsflödesaktiveringsstrategier och rollbaserade utbildningsinitiativ som hjälper anställda och chefer att integrera generativ AI i dagliga operationer. På Altimetrik har hon hjälpt till att forma företagsantagningsprogram kring teknologier som ChatGPT Enterprise, OpenAI Agents SDK och företagsomfattande AI-arbetsflöden, samtidigt som hon har medskapat “LAByrinth”, en projektbaserad GenAI-simuleringsplattform designad för ingenjörer och tekniska programchefer. Innan hon gick med i Altimetrik tillbringade hon år med att leda kundutbildnings- och implementeringsinitiativ på SaaS-plattformar som Nudge Coach, vilket gav henne en stark grund i lärningssystem, beteendeförbättring och digital transformation. Hennes karriär speglar en växande trend inom företags-AI där framgång alltmer beror inte bara på att distribuera modeller, utan också på att göra anställda säkra, kapabla och produktiva med AI-verktyg i sitt dagliga arbete.

Altimetrik är ett AI-först digitalt ingenjörs- och dataföretag som fokuserar på att hjälpa företag att modernisera äldre system och skala generativ AI över affärsoperationer. Företaget arbetar över branscher, inklusive finansiella tjänster, hälsovård, tillverkning, detaljhandel och livsvetenskaper, och kombinerar produktutveckling, molnmodernisering, datainfrastruktur och AI-distributionstjänster. Altimetrik har positionerat sig som en stor företags-AI-implementeringspartner genom samarbeten med OpenAI, med ett starkt fokus på agens-AI, arbetsflödesorkestrering, styrning och produktionsklara AI-system. Deras ALTI AI Lab fungerar som en intern innovationshub där företaget prototypar företags-AI-applikationer som sträcker sig från intelligenta assistenter till multimodala arbetsflöden och AI-nativa affärsoperationer. Under de senaste åren har Altimetrik expanderat aggressivt genom partnerskap och förvärv, och har stärkt sin globala ingenjörsfotavtryck och företags-AI-leveransförmåga.

Du har byggt din karriär vid skärningspunkten mellan företagstransformation, lärandedesign och ny teknik — vad var den avgörande erfarenheten som först övertygade dig om att ansvarsfull AI-antagande skulle bero lika mycket på mänsklig aktivering som på teknisk förmåga?

Jag tenderar att vara en ganska sen adopterare av saker. Jag är skeptisk till hype och envis med att hålla fast vid det sätt jag är van att göra saker på. Detta var sant med AI. Jag var en sen adopterare och rörde mig mycket långsamt i början.

Det som förändrades för mig var när jag hörde, i mycket mänsklig och icke-teknisk språk, hur andra människor faktiskt använde AI i sitt dagliga liv och arbete. När jag kunde koppla det till verkliga och personliga friktionspunkter, följde nyfikenheten.

Den erfarenheten bekräftade något jag har sett över alla transformationsansträngningar jag har varit en del av: antagande börjar sällan med förmåga ensam. Det börjar med relevans, förtroende och mening. Människor behöver först se sig själva i förändringen och det är varför ansvarsfull AI-antagande beror lika mycket på mänsklig aktivering som på teknisk beredskap.

I din roll som ledare för global AI-aktivering på Altimetrik, hur definierar du vad framgångsrikt företagsomfattande generativt AI-antagande ser ut bortom piloter och bevis för koncept?

Framgångsrikt företagsomfattande antagande lever inte i silos. En av de vanligaste mönstren vi ser är avgränsat antagande. Ett team blir mycket avancerat i sin AI-mognad, medan ett annat team i samma organisation inte har någon tydlig strategi ännu och kanske till och med använder fragmenterade verktyg eller personliga konton. Den typen av ojämnt antagande skapar inkonsekvens och risk.

Sann framgång kommer när en organisation bygger delade vanor, delade standarder och sammanhängande sätt att arbeta. Det kräver både topp-ned och botten-upp förändringshantering. Topp-ned, ledarskap måste ange riktning, etablera styrning och skapa tydlighet kring vad ansvarsfullt, värdefullt antagande ser ut. Botten-upp, anställda behöver förstå hur AI passar in i deras dagliga arbete, var det löser verkliga problem och hur man använder det med tillförsikt inom sin roll.

Det verkliga tecknet på mognad är när arbetsflöden körs smidigt från slut till slut och över team, inte bara inom isolerade fickor.

Många organisationer investerar i generativa AI-verktyg men kämpar för att operationalisera dem. Vilka är de vanligaste exekveringsgapen du ser mellan ambition och mätbar affärspåverkan?

Ägarskap för styrning är ofta oklart. Vem är ansvarig för att dokumentera vad som används, versionera prompt eller arbetsflöden, övervaka kvalitet och hålla reda på var AI faktiskt visas i affären? Utan den tydligheten slutar organisationer med utspridd användning och mycket liten operativ disciplin.

Många organisationer har inte bestämt vad de vill uppmuntra till AI-användning. Syftar de till rollspecifika promptvanor, individuell produktivitetsanvändning som brainstorming och utkast, eller syftar de till ändamålsenliga agenter kopplade till definierade arbetsflöden? Om det inte är tydligt, förblir aktiveringen vag och påverkan blir svår att mäta.

Det finns också ofta en koppling mellan utrullning och verkligt arbete. Företag investerar i verktyg innan de har identifierat de ögonblick då AI kan ta bort friktion, förbättra kvalitet eller påskynda genomförandet på ett meningsfullt sätt. Ambition är lätt, men operationalisering kräver specifikhet.

Du arbetar nära med ledande ledningsgrupper — vad ser effektiv AI-fluens ut som på C-nivå, och hur påverkar ledarskapsbeteende antagande över hela organisationen?

Det ser ut som modellering, nyfikenhet och en nybörjarmentality. Det ser ut som ledare som är sårbara i ett rum med folk som rapporterar till dem.

De ledare som gör den största skillnaden är de som visar en nybörjarmentalitet. De är villiga att lära sig offentligt. De är bekväma med att säga, “Jag är fortfarande i färd med att lära mig också.” Den typen av sårbarhet är viktigare än människor förstår, eftersom det ger alla andra tillstånd att engagera sig utan att känna att de måste vara experter först.

Ledarskapsbeteende sätter tonen. Om chefer behandlar AI som en sidouppgift, kommer organisationen att göra detsamma. Om de modellerar tankeväckande användning, ställer praktiska frågor och synligt investerar i lärande, blir antagande kulturellt säkrare. Förtroende är lika viktigt som förmåga när det gäller att skala AI i företaget.

Vad ser en strukturerad experimentram för generativ AI ut som i praktiken, och hur kan företag uppmuntra innovation utan att skapa fragmentering eller riskexponering?

Vi vill börja med verkliga arbetsflödesproblem, inte slumpmässiga förslag. Team bör uppmuntras att identifiera repetitiva uppgifter, beslutsbottennackor eller befintliga kunskapsgap. Därifrån kan organisationer prioritera experiment baserat på affärsrelevans, genomförbarhet och risk.

De hälsosammaste miljöerna är de där människor kan prova saker säkert, dela vad som fungerar och undvika att återuppfinna hjulet i isolering.

Du medskapade LAByrinth, en generativ AI-projektsimulator designad för att ge ingenjörer hands-on-erfarenhet av att bygga med AI-verktyg i en säker, vägledande miljö. Vad inspirerade dess skapande, och hur accelererar simuleringsbaserat lärande verklig AI-förmåga?

Jag har alltid älskat former av hands-on, erfarenhetsbaserat lärande. Specifikt, den typen av “över axeln”-mentorskap som finns i konststudior.

När Martin Gaida och jag började bolla idéer för den här typen av utbildningsstruktur, blev hela projektet väldigt roligt att skapa. Det kändes som om vi skapade en pussel för folk att lösa. Det visste jag att vi var på rätt spår. Människor är mer benägna att engagera sig i nytt material när de hittar det intressant och känner sig stödda.

Simuleringsbaserat lärande accelererar förmåga eftersom det stänger gapet mellan teori och tillämpning. Det ger dem en säker plats att öva omdöme, inte bara komma ihåg koncept. Och med AI, betyder det enormt, eftersom verklig förmåga inte bara handlar om att veta vad ett verktyg kan göra. Det handlar om att veta hur man använder det tankeväckande och säkert.

Hur bör företag närma sig arbetskraftsutveckling annorlunda i eran av generativ AI jämfört med tidigare vågor av digital transformation?

Samarbetsvilligt och kreativt. Med verktyg som Notebook LM och Figma make, finns det många sätt att skapa engagerande och färskt innehåll. Vi älskar en presentationsbild, men vi älskar också att skapa interaktiva arbetsböcker, animerade videor och andra metoder för att leverera läroplanen.

Personligen lär jag mig bäst med infografik och andra visuella hjälpmedel.

Ansvarsfull AI är ofta ramad kring styrning och regelefterlevnad. Från ett aktiveringsperspektiv, vad ser ansvarsfullt antagande ut som i dagliga arbetsflöden?

Samråda med de som faktiskt använder verktygen om vad som gör dem användbara, sedan se till att alla som använder verktygen vet vad policyn faktiskt betyder. Hur översätter det till hur de använder AI dagligen?

Ansvarsfullt antagande betyder en mänsklig-modell. AI kan hjälpa till att utkasta, sammanfatta, analysera eller påskynda, men människor äger fortfarande omdömet, kvalitetskontrollen och det slutliga beslutet. Det mänskliga ansvaret är nyckeln.

Liksom viktigt, ansvarsfullt antagande beror på förtroende. Diskriminering kommer från erfarenhet. Det är därför organisationer behöver lågrisk, icke-dömande utrymmen där anställda kan öva och bygga verklig flyt. När människor får tillräckligt med hands-on-erfarenhet för att fatta tankeväckande beslut, blir ansvarsfull användning inte längre abstrakt och börjar bli en vana.

När generativ AI utvecklas snabbt, hur kan organisationer utforma aktiveringsprogram som förblir anpassningsbara snarare än att bli föråldrade inom månader?

Det är en utmaning, men det finns många bra verktyg där ute.

Den största misstaget är att bygga aktivering helt kring det nuvarande verktygslandskapet.

Vi blir ofta tillfrågade om vi erbjuder verktygsagnostisk utbildning, och svaret är ja. Absolut. Vi fokuserar på varaktiga AI-färdigheter och lär sedan människor hur man tillämpar dessa färdigheter inom vilka verktyg organisationen använder idag. Det tillvägagångssättet ger programmen en mycket längre livslängd.

Anpassningsbar aktivering måste också vara modulär. Fraktal. Istället för att behandla utbildning som en engångshändelse, bör organisationer tänka i lager: grundläggande litteracitet, rollbaserad tillämpning, avancerad experiment och kontinuerliga uppdateringar när verktyg och prioriteringar skiftar.

Om vi ser framåt, vilka skift tror du kommer att definiera nästa fas av företags-AI-antagande under de kommande två åren?

Rollbaserad och agensbaserad. Företag har redan börjat anta användning av agenter. Dessa organisationer vill se till att deras tekniska team är uppskattade i alla nödvändiga sätt för att bygga och styra den här typen av AI-användning.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Altimetrik.