Scott Ernst, vd för Vyond – intervjuserie

Du har vid upprepade tillfällen lett teknikföretag genom stora omställningar: från att hjälpa Compete att växa från ett företag i ett tidigt skede fram till förvärvet, till att ta Macromill genom en börsnotering och senare ställa om Drift med fokus på AI före förvärvet av Salesloft. När du nu tar över ledningen för Vyond under ännu en stor teknisk omställning, vilka lärdomar från de erfarenheterna påverkar hur du tar dig an AI-eran?

Det mönster jag har sett i alla de här omställningarna är att själva teknikskiftet sällan är den svåra delen. Det svåra är att få en organisation att röra sig åt samma håll när skiftet väl är uppenbart. På Compete handlade lärdomen om disciplin: att bygga en kategoriledare från en liten utgångspunkt kräver ett kompromisslöst fokus på de få saker som faktiskt driver verksamheten framåt, inte att jaga varje möjlighet. På Macromill lärde jag mig genom den globala expansionen och börsnoteringen att tillväxt utan operativ stringens förr eller senare leder till problem … man behöver rapportering, prognoser och styrning för att kunna skala upp i samma takt som verksamheten växer.

Det är erfarenheterna från Drift som tydligast motsvarar det som händer nu. När ChatGPT lanserades hade vi redan utvecklat en egen AI-produkt, och vår instinkt var att skydda den. I stället fattade vi det svårare beslutet att öppna upp och ställa om hela företaget med generativ AI som utgångspunkt, eftersom vi trodde att marknaden rörde sig snabbare än vad vårt konkurrensskydd kunde stå emot. Det var inte ett produktbeslut, utan ett ledarskapsbeslut som handlade om övertygelse och tajming.

Lärdomen jag har tagit med mig till Vyond är att de företag som vinner under ett verkligt plattformsskifte varken är de mest försiktiga eller de mest hänsynslösa. Det är de företag som snabbt lyckas ena hela organisationen kring en tydlig ståndpunkt och sedan agerar med verklig brådska. Det är precis den process vi genomför nu: vi tar reda på vad som gäller i dag, skapar en genuin övertygelse om vart marknaden är på väg och får hela företaget att röra sig i samma riktning innan möjligheten försvinner.

Generativ AI har gjort det mycket enklare för företag att producera innehåll, men du har hävdat att den större utmaningen nu är att omsätta kunskap i praktiken. Vad innebär det konkret, och varför menar du att innehållsgenerering bara löser en liten del av problemet?

Generativ AI har löst det största historiska hindret för att skapa innehåll: tidigare krävdes en specialist, ett produktionsflöde och ordentligt med framförhållning. Nu kan nästan vem som helst i en organisation skapa något på några minuter. Det är ett verkligt genombrott, men det innebär också att varje funktion inom marknadsföring, HR, försäljning, IT och lärande och utveckling nu skapar innehåll på egen hand, ofta om samma underliggande kunskap, med olika verktyg och utan ett gemensamt system för lagring av information.

Att omsätta kunskap i praktiken handlar mindre om att skapa mer innehåll och mer om att se till att människor kan hitta och använda rätt information. Det handlar om att veta var den betrodda, aktuella versionen finns, vem som ansvarar för den, om den är godkänd och hur den förs in i de arbetsflöden där människor faktiskt behöver den: lärplattformen, CRM-systemet, checklistan för introduktion av nyanställda och verktyget för uppföljning av regelefterlevnad. Utan det lagret uppstår det jag skulle kalla kommunikationskaos: innehåll dubbleras, varumärkesriktlinjerna börjar spreta, team gör om arbete som redan har utförts och ingen kan med säkerhet säga vilken version som är den rätta. Mycket av det kaoset börjar ännu tidigare än folk tror, innan ett enda material har skapats, när ingen har bekräftat målgruppen, målet eller källmaterialet som beställningen skulle utgå från.

Innehållsgenerering besvarar frågan: ”Kan vi skapa det här snabbt?” Det är ett verkligt problem som AI till stor del har löst. Att omsätta kunskap i praktiken besvarar frågan: ”Kan rätt person hitta rätt, betrodd version av det här när hen behöver den, i verktyget hen redan använder?” Det andra problemet är större, mer strukturellt och långt ifrån löst i hela branschen. Det är den verkliga möjligheten som ligger framför oss.

Företag samlar på sig enorma mängder dokument, data, AI-genererade sammanfattningar och institutionell kunskap. Var ser du det största glappet mellan att ha tillgång till informationen och att faktiskt kommunicera den på ett sätt som medarbetarna kan förstå och agera utifrån?

Problemet handlar inte om åtkomst… de flesta företag har redan mer information än vad en enskild person kan ta till sig. Det handlar om omvandling och tillit. Kunskap finns i täta, statiska format som PDF-filer, presentationer, wikis och policydokument, utformade för att lagras och sökas i, inte för att snabbt förstås. Att omvandla den till något som människor faktiskt kan ta till sig och agera utifrån kräver ett omvandlingssteg som de flesta organisationer inte satsar systematiskt på.

Det blev tydligt för mig i ett samtal med en kunds vice vd med ansvar för marknadsföringsteknik för storföretag på ett teknikföretag på Fortune 100-listan. Hans problem var inte brist på information, utan att olika delar av en mycket stor organisation löste samma kommunikationsproblem var för sig och på olika sätt. Därför nådde kunskap som fanns någonstans i företaget inte på ett tillförlitligt sätt fram till dem som behövde den, i en form de kunde använda. Som han uttryckte det: i ett så stort företag vet högerhanden helt enkelt inte vad vänsterhanden gör.

Det är det verkliga glappet: företag har gott om data men för lite insikt. Lösningen är inte mer innehåll eller mer lagringsutrymme, utan en disciplin och, i allt högre grad, ett system för att omvandla rå institutionell kunskap till tydlig, visuell kommunikation som inger förtroende och styra den till de arbetsflöden där beslut faktiskt fattas.

När AI-agenter blir kapabla att självständigt omvandla företagskunskap till utbildning, säljstöd, regelefterlevnad eller internkommunikation, vad bör fortsatt stå under mänsklig kontroll, och var kan företag tryggt låta agenter arbeta på egen hand?

Min grundregel är att agenter ska stå för arbetet och människor för bedömningarna, särskilt när misstag kan få verkliga konsekvenser. Vid mindre insatser och för repetitivt arbete med stora volymer, till exempel att ta fram första utkast, formatera om kunskap till ett nytt format, anpassa befintligt godkänt innehåll till ett nytt språk eller en ny region eller uppdatera ett utbildningsavsnitt när ett källdokument ändras, kan och bör agenter arbeta med stor självständighet. Det är precis den sortens arbete som i dag tar enormt mycket tid men skapar mycket litet strategiskt värde.

Mänsklig kontroll måste finnas kvar där innehållet innebär juridiska risker, risker kopplade till reglering, säkerhet eller varumärke. I sådana fall måste en människa göra den sista kontrollen innan något publiceras, och det måste gå att spåra det underliggande källmaterialet fullt ut.

Vi såg det här i praktiken hos en kund inom försvarssektorn. Med tanke på hur känsligt arbetet var ville deras säkerhetsteam till en början inte godkänna AI i arbetsflödet över huvud taget. Lösningen var inte att ge agenten större självständighet, utan att införa rätt skyddsåtgärder: ett särskilt avtal som garanterade att deras data aldrig skulle användas för att träna externa modeller, och tydliga kontrollpunkter där deras egna team behöll godkännanderätten. Det är den modell jag skulle tillämpa generellt: agentens självständighet kan öka i takt med att uppgiften blir mer reversibel och innebär lägre risk, medan den mänskliga kontrollen behöver öka ju större betydelse tillit, regelefterlevnad eller varumärkesexponering har.

Varumärkesstyrning blir mycket mer komplicerad när tusentals innehållsdelar kan genereras automatiskt. Vilka tekniska och organisatoriska skyddsåtgärder behöver företag för att säkerställa att AI-genererad kommunikation förblir korrekt, konsekvent och förenlig med företagets policyer?

Tekniskt sett är de viktigaste skyddsåtgärderna de som ser till att AI-genererat innehåll grundar sig på företagets eget godkända källmaterial och varumärkessystem, i stället för att låta AI:n generera fritt. Plattformen själv måste upprätthålla stilguider, varumärkesmaterial och anpassningsregler, inte överlåta åt enskilda användare att komma ihåg dem. Det innebär att godkända logotyper, färger, mallar och referensvideomaterial måste finnas på själva plattformen, så att varje genererat innehåll hämtas från samma källa och inte från den version som råkar ligga på någons dator just den veckan. Versionshantering och granskningsspår är minst lika viktiga: om ett innehåll skapas, redigeras eller godkänns måste företaget kunna spåra vem som begärde det, vilken källa det hämtades från och vem som godkände det. Det innebär också att ge granskare och berörda parter, inte bara personen som använder verktyget, möjlighet att kommentera och godkänna innehållet i samma arbetsflöde. På så sätt sker godkännandet inte i en separat e-posttråd som bryter det granskningsspår man försöker skapa.

Organisatoriskt handlar skyddsåtgärden om tydligt ansvar. De företag vi arbetar med som hanterar styrningen väl har slutat låta varje team självständigt välja egna verktyg och processer. I stället behandlar de sin kommunikationsplattform som ett system som utgör den auktoritativa informationskällan: åtkomst beviljas medvetet, användningen följs upp på övergripande nivå och en liten styrningsfunktion ansvarar för de standarder som alla utgår från. Vi har sett stora organisationer uttryckligen utvärdera om en plattform kan bli deras företagsövergripande standardsystem, just av det här skälet: det är det enda sättet att skapa konsekvens i stor skala, i stället för tusentals innehållsdelar som var för sig är ”tillräckligt bra” men som i själva verket inte stämmer överens.

Grundprincipen är densamma som alltid har gällt för varumärkesstyrning, men nu tillämpas den i betydligt större omfattning och med mycket högre hastighet. Därför måste skyddsräcken byggas in i systemet, inte införas i efterhand.

Hallucinationer är oroande i en chattbot, men kan få mycket allvarligare konsekvenser när felaktig information omvandlas till en auktoritativt utformad utbildnings- eller efterlevnadsvideo. Hur bör företag tänka kring förankring, verifiering och spårbarhet när AI-genererad kommunikation blir allt mer automatiserad?

Du har rätt i att insatserna är olika stora. Ett hallucinerat svar i ett chattfönster ifrågasätts direkt. Ett hallucinerat faktum som bäddas in i en professionellt producerad video om regelefterlevnad bär på en auktoritet som gör att människor är mindre benägna att ifrågasätta det, vilket är precis tvärtom mot vad som borde gälla när granskningen behöver vara som mest noggrann.

Den första principen måste vara förankring: AI-genererad kommunikation bör begränsas till det källmaterial som företaget faktiskt tillhandahåller…dess egna dokument, dess egna riktlinjer och dess egna godkända data, snarare än modellens allmänna kunskap.

Den andra principen är spårbarhet: varje del av det genererade innehållet bör kunna spåras tillbaka till den specifika källa som det skapades utifrån. Då kan man, om något är fel, ta reda på exakt varifrån det kommer och rätta till felet vid källan, i stället för att bara lappa ihop resultatet.

Den tredje principen är verifiering: kontrollpunkter ska byggas in i själva arbetsflödet, inte läggas till i efterhand. En mänsklig granskare bör kunna se de mellanliggande stegen, inte bara den färdiga, polerade videon, eftersom det just är poleringen som gör fel svårare att upptäcka. I praktiken innebär det att man går igenom en fullständig disposition eller ett grovklippt utkast scen för scen innan man bestämmer sig för en slutlig, dyrare rendering, så att felaktiga fakta eller påståenden som inte stämmer med varumärket kan upptäckas medan de fortfarande är billiga och enkla att rätta till. Det här är ett område där företag gör rätt i att vara försiktiga, och därför kommer de plattformar som vinner företagens förtroende inte att vara de snabbaste, utan de som gör förankring, spårbarhet och granskning till en strukturell del av hur systemet fungerar, inte till en valfri inställning

Det fjärde lagret är löpande utvärdering, inte bara en slutgranskning. I ett agentbaserat system räcker det inte att kontrollera den färdiga videon. Vi vill kunna se hur agenten kom fram till resultatet. Vi övervakar kontinuerligt agentens resultat och de beslut den fattar på vägen och kontrollerar att de fortsätter att stämma överens med kundens källdokument, kunskapsbas och ursprungliga avsikt. På så sätt kan vi upptäcka avvikelser eller försämrad kvalitet medan en video fortfarande skapas, i stället för att upptäcka ett problem först när den redan är klar.

AI-system kopplas i allt högre grad direkt till företagens kunskapsbaser och arbetsflöden. Tror du att nästa generations kommunikationsplattformar kommer att fungera som ett gränssnitt mellan företagsdata, AI-agenter och anställda, snarare än bara som verktyg för att skapa innehåll?

Ja, och jag tror att den omställningen redan har börjat. Att skapa innehåll var det första och mest uppenbara problemet för AI att lösa, eftersom det var den mest synliga flaskhalsen. Men när själva skapandet inte längre är begränsningen blir den mer värdefulla positionen den mellan företagets kunskap…dess CRM-system, LMS, policysystem och interna wikis och de människor som behöver få kunskapen översatt till något de faktiskt kan använda.

Det är en väsentligt annorlunda roll än ett verktyg för innehållsskapande. Ett sådant verktyg väntar på att någon ska komma med en förfrågan. Ett gränssnittslager finns i de arbetsflöden där kunskapen redan finns, förstår vad som har förändrats och hjälper till att förmedla rätt kommunikation till rätt person utan att någon behöver ta initiativ varje gång.

Vi ser redan de första tecknen på att företag vill ha just detta. Stora kunder frågar allt oftare inte om vi kan vara ett videoverktyg för ett enda team, utan om vi kan bli standardsystemet för hela organisationen. Att omvandla organisationens samlade kunskap till kommunikation skulle göra det möjligt för medarbetare långt utanför det centrala kreativa teamet – inom juridik, regelefterlevnad och regionala team samt bland chefer nära den operativa verksamheten – att bidra utan att behöva en fullständig licens eller en lång inlärningsperiod.

Den här omställningen påskyndas också av framväxande öppna protokoll som MCP och A2A. MCP ger AI-agenter ett standardiserat sätt att hämta tillförlitlig kontext från företagets egna verktyg och källsystem, medan A2A gör det möjligt för specialiserade agenter från olika plattformar att samarbeta. I praktiken innebär det att en plattform som vår inte behöver äga varje arbetsflöde eller all företagsdata för att vara användbar. Den kan kopplas till de system som ett företag redan litar på, samarbeta med andra agenter när det är lämpligt och fokusera på det vi gör bäst: att omvandla den kontexten till kommunikation som människor faktiskt kan förstå och agera utifrån. Det är övergången från innehållsskapande till kommunikationsinfrastruktur, och jag tror att hela branschen kommer att röra sig i den riktningen.

Vyond arbetar redan med organisationer inom kompetensutveckling, HR, säljstöd, regelefterlevnad och internkommunikation. Vilka av dessa områden tror du kommer att förändras mest av agentbaserad AI, och hur kan arbetsflödena komma att se ut när agenterna blir mer kapabla?

Jag skulle lyfta fram regelefterlevnad och lärande och utveckling som de två områden där det finns störst utrymme för förändring, just eftersom de i dag påverkas mest av att innehållet snabbt blir inaktuellt. Utbildningar i regelefterlevnad tas vanligtvis fram en gång och uppdateras sedan enligt en långsam årlig eller halvårsvis cykel, trots att policyer, regler och risker förändras kontinuerligt. När agenter på ett tillförlitligt sätt kan bevaka ett styrande policydokument och förstå vad som har ändrats, kan innehåll om regelefterlevnad gå från att vara ett återkommande produktionsprojekt till något som hålls kontinuerligt uppdaterat. Det innebär en verklig riskminskning för företaget, inte bara en effektivitetsvinst. I allt högre grad innebär det också att själva innehållet behöver ha en tydlig och granskningsbar dokumentation av att AI har använts som stöd, eftersom både tillsynsmyndigheter och företagskunder börjar förvänta sig att sådan information redovisas som standard, inte som en eftertanke.

Lärande och utveckling (L&D) präglas av en liknande dynamik, men möjligheten handlar snarare om individanpassning än om att hålla innehållet aktuellt: i stället för en utbildningsmodul utformad för en genomsnittlig deltagare kan agenter bidra till att anpassa tempo, exempel och till och med format efter rollen och individen, samtidigt som innehållet förankras i samma godkända källmaterial och följer samma standarder för utbildningsdesign. För globala organisationer omfattar det i allt högre grad även språk och röst, så att samma utbildning når ett produktionsgolv i Brasilien eller ett säljteam i Japan i en form som faktiskt känns lokal, inte bara försedd med undertexter.

Även säljstöd och internkommunikation kommer att förändras, men jag skulle beskriva förändringen som en fråga om snabbhet och relevans snarare än en strukturell omvandling … att snabbare få rätt budskap till rätt säljare eller rätt team, i ett format som passar hur de faktiskt tar till sig information. Den gemensamma nämnaren för alla dessa områden är densamma: agentbaserad AI gör inte bara arbetet snabbare, utan gör det möjligt att hålla innehållet aktuellt på ett sätt som helt enkelt inte är realistiskt med dagens manuella produktionscykler.

Om vi blickar längre fram: om företag kan omvandla intern kunskap kontinuerligt till individanpassad, aktuell kommunikation för varje medarbetare, hur skulle det kunna förändra hur organisationer utbildar människor, delar expertkunskap och i slutändan bedriver sin verksamhet?

Om det blir verklighet, och det tror jag att det kommer att bli, förändrar det företagets arbetstakt, inte bara utbildningsfunktionen. I dag kommunicerar de flesta organisationer i omgångar: en årlig cykel för regelefterlevnad, ett kvartalsvis möte för hela företaget och ett introduktionspaket som tas fram en gång och återanvänds i flera år. Det beror på att kommunikation historiskt sett har varit dyr och långsam att ta fram, inte på hur snabbt verksamheten faktiskt förändras.

I en värld där kunskap kontinuerligt omvandlas till individanpassad och aktuell kommunikation för varje medarbetare slutar utbildning att vara en enstaka händelse och blir i stället ett ständigt, anpassningsbart flöde … någon får uppdateringen i det format och på den detaljnivå som passar rollen, precis när den är relevant, inte flera månader senare i en samlad omgång. Expertkunskap förblir inte inlåst hos de personer som råkar besitta den, utan blir något som organisationen systematiskt kan sprida och hålla aktuellt.

Det jag hela tiden återkommer till är tid. Varje minut som en organisation i dag ägnar åt att leta efter rätt information, återskapa något som redan finns eller rätta till ett budskap som skickats ut inaktuellt eller inkonsekvent är en minut som inte ägnas åt att få saker gjorda. Om företag verkligen kan överbrygga klyftan mellan kunskap och förståelse, kontinuerligt och i stor skala, kommer de organisationer som lyckas först inte bara att kommunicera bättre, utan helt enkelt att röra sig snabbare än de som fortfarande arbetar i omgångar.

Tack för en givande intervju! Läsare som vill veta mer kan besöka Vyond.