Victor Coimbra, teknisk chef och managing partner på Artefact – intervjuserie

Victor Coimbra är teknisk chef och managing partner på Artefact, där han leder arbetet med AI, datavetenskap och ingenjörskonst i hela Amerika. Hans karriär förenar erfarenhet av affärsstrategi på Bain och Accenture med praktiskt ledarskap inom utveckling av AI- och maskininlärningssystem i komplexa företagsmiljöer. Han fokuserar på att hjälpa organisationer att koppla samman teknisk kapacitet med mätbara affärsresultat, bland annat genom den arkitektur, styrning och verksamhetsmodell som krävs för att skala upp AI.

Artefact är ett globalt konsultföretag inom data och AI som hjälper företag att ta fram strategier, bygga dataplattformar, införa AI-lösningar och hantera organisatoriska förändringar. Företaget arbetar inom en rad branscher, däribland finansiella tjänster, hälso- och sjukvård, tillverkningsindustri och detaljhandel. Inför Adopt AI Summit, som äger rum den 3–4 december 2026 på Grand Palais i Paris, diskuterar Coimbra hur företag kan ta sig bortom pilotprojekt, bygga team där människor och AI-agenter arbetar tillsammans och mäta värdet av AI i produktion.

Din karriär har tagit dig från affärsstrategi på Accenture till att leda team inom AI, datavetenskap och ingenjörskonst på Artefact i hela Amerika. Hur har kombinationen av strategisk rådgivning och praktiskt tekniskt ledarskap format ditt sätt att hjälpa företag att omvandla AI-investeringar till mätbara affärsresultat?

Det lärde mig att alltid koppla AI-strategin till genomförandet. Strategiarbetet på Bain och Accenture visade mig att företagsledare satsar på förändringar i en post i resultaträkningen. Ingenjörsarbetet lärde mig att mycket av det värdet kan gå förlorat mellan presentationen och produktionssättningen.

I dag handlar AI mindre om teknik och mer om att bygga en vallgrav kring kärnverksamheten. Nyckelfrågan är hur man omvandlar individuell produktivitet till ett kollektivt värde för hela företaget, med en verkligt gemensam kognitiv förmåga i hela organisationen.

Det kräver en kombination av strategi och genomförande, något jag har lärt mig mycket av genom att arbeta med båda delarna.

Trots betydande investeringar i artificiell intelligens har många organisationer fortfarande svårt att ta sig vidare från framgångsrika pilotprojekt. Vilka är enligt din erfarenhet de vanligaste hindren för att få AI-initiativ i företag i produktion, och vad utmärker företagen som lyckas skala upp sina lösningar?

Enligt min erfarenhet kör många pilotprojekt fast eftersom AI införs i organisationer som utformats enbart för människor. Tekniken fungerar vanligtvis. Det som ofta fortfarande är oklart är arbetsfördelningen: vilka uppgifter agenterna ska sköta, vilka som ska ligga kvar hos människor, vem som granskar arbetet och vem som ansvarar för resultatet.

Därtill finns tre behov som brukar bromsa uppskalningen: tokenkostnader som skenar med användningsbaserad prissättning, säkerhet och styrning samt införande som aldrig leder från åtkomst till faktisk användning.

Företagen jag ser lyckas med uppskalningen behandlar AI som en omorganisation av verksamheten. De delar upp arbetet i två loopar. I den inre loopen utför agenterna hela arbetsflödet: kodar, bygger, testar, skickar vidare och granskar. I den yttre loopen fastställer människor målet, verifierar resultatet och följer upp kostnader och kvalitet. Sedan bygger de en gemensam plattform som ligger till grund för allt och återanvänder den för varje användningsområde.

Du har skrivit om vikten av att bygga en AI-infödd organisation i stället för att bara lägga till chattbottar och copiloter i befintliga system. Vilka grundläggande förändringar i företagens tekniska arkitektur krävs för att stödja den här omställningen, och på vilka områden investerar företag för lite i dag?

Ett AI-infött företag bygger på en plattform som består av fyra lager: ramverk, kontext, modell och infrastruktur. Ramverket är den kompletta applikationen runt modellen, där människor och agenter möts och arbetar. Kontexten avgör vad agenterna känner till och vilka befogenheter de har. Modellagret styr hur modellerna nås, dirigeras och förvaltas till rätt kostnad. Infrastrukturen är den miljö där modellerna faktiskt körs och avgör vem som har nycklarna.

Det är naturligt att det mesta av uppmärksamheten riktas mot de synliga 20 procenten: copiloter och chattverktyg. De dolda 80 procenten är där merparten av ingenjörsarbetet finns och där kostnader, säkerhet och kontroll avgörs.

Mitt förslag är enkelt. Köp generella agentramverk och bygg branschspecifika. Hyr modeller och infrastruktur och experimentera med dem, eftersom de förändras varje kvartal. Och äg er kontext fullt ut. Det är det lager som verkligen är ert och där jag ser störst potential för ökade investeringar.

I takt med att AI går från att hjälpa medarbetare till att självständigt utföra komplexa arbetsflöden, hur bör organisationer avgöra vilka processer som lämpar sig för agentbaserad automatisering? Vilka tekniska och operativa skyddsåtgärder måste finnas på plats innan AI-agenter får större befogenheter att fatta beslut?

Som jag ser det är agenter mycket bra på arbete som blickar bakåt, medan människor är bra på arbete som blickar framåt. Agenter är särskilt lämpade för sådant som bygger på befintlig information, till exempel analys, kodning, testning, dokumentation och avstämning. Människor ansvarar för sådant som kräver kreativitet, och kreativitet blickar per definition framåt: känsla, vision, planering, beslut och bedömning av om ett resultat faktiskt är bra.

I praktiken motsvarar det de två looparna. Agenterna sköter den inre loopen och utför arbetet. Människorna ansvarar för den yttre loopen: mål, verifiering och uppföljning.

Skyddsåtgärderna byggs in i systemet, de läggs inte till genom instruktioner. Vi använder sex lager i agentramverket: uppgiftsregistrering, minne, en säker arbetsmiljö med isolerad körmiljö och behörigheter, en arbetsloop med kontrollpunkter och förtydliganden, modellstyrning samt skyddsräcken som anger vad en agent inte får göra på egen hand, till exempel krav på mänskligt godkännande, policykontroller och kontroller av personuppgifter. Agenternas autonomi ökar sedan i takt med att de visar vad de går för, precis som för en nyanställd.

Du har beskrivit AI-agenter som lagkamrater snarare än traditionella programvaruverktyg. Hur förändrar det här perspektivet hur organisationer bör strukturera team, fördela ansvar och utbilda medarbetare i att samarbeta med alltmer autonoma AI-system?

Vi befinner oss redan i en hybridorganisation. Den fråga jag tycker är viktigast just nu är hur arbetsstyrkan ska fördelas mellan människor och agenter. Jag tror att det är nyckeln till att kunna skala upp.

I ett hybridteam fördelar organisationsschemat den kognitiva kapaciteten, inte antalet anställda. En typisk fördelning i ett moget teknikteam, som jag ser det, är 15 % arbete som utförs enbart av människor, 25 % arbete med AI-stöd och 60 % arbete som utförs av agenter. IT-chefen anger inriktningen, fördelar kapaciteten och ansvarar för resultat och kostnader. En senior utvecklare verifierar agenternas leveranser och fattar arkitekturbesluten. En orkestreringsagent fördelar uppgifter och rapporterar kostnader, medan en granskningsagent kontrollerar varje leverans.

Vinsterna byggs på i tre steg. Medarbetare med AI-stöd levererar ungefär fem gånger så mycket. Agenter som syntetiska medarbetare och utför arbete från början till slut levererar ungefär tio gånger så mycket. Jag tror att potentialen att nå 1 000 gånger så mycket ligger i att samordna båda som en gemensam arbetsstyrka.

Utbildningen följer samma logik. Medarbetarna lär sig att ge en agent instruktioner som till en junior ingenjör, med strukturerad kontext och tydliga mål, och att ägna sin tid åt omdöme, planering och beslut.

Företagsbaserade AI-system är starkt beroende av en tillförlitlig datainfrastruktur, men många organisationer har fortfarande problem med fragmenterade data, inkonsekvent styrning och äldre teknik. Vilka grundläggande förmågor bör företag prioritera när de förbereder sina dataplattformar för agentbaserad AI, och hur kan de modernisera utan att störa den befintliga verksamheten?

Utforma dataplattformen för en ny typ av användare: agenter. Om en instrumentpanel visar en felaktig siffra ifrågasätter en människa den. En agent agerar utifrån den felaktiga siffran – i stor skala.

Prioritera fyra förmågor. Gemensamma affärsdefinitioner, så att alla agenter och team lägger samma innebörd i ”aktiv kund”. En integrationsgateway med autentisering och standardprotokoll som MCP, så att agenter får åtkomst till data med de behörigheter som gäller för den roll de agerar på uppdrag av. Kvalitet och datalinje som går att följa upp. Och ostrukturerade data som en förstklassig tillgång, eftersom avtal, ärenden och mötesanteckningar rymmer merparten av den verkliga kunskapen.

För att modernisera utan avbrott bör man först bygga ett omslutande lager kring äldre system och sedan migrera ett användningsfall i taget. Agenter förändrar också förutsättningarna för ekonomin här. Migreringsflöden med flera agenter kan nu modernisera hundratusentals rader äldre kod på några månader, medan människor fattar arkitekturbesluten.

Utöver åtkomst till strukturerade data behöver AI-agenter allt oftare förstå institutionell kunskap, affärsprocesser och organisationens kontext. Hur kan företag effektivt fånga upp och integrera denna kunskap i sina AI-system, och vilka risker uppstår när agenter arbetar utan tillräcklig kontext om verksamheten?

Kontext är det som gör en modell till en kollega. Verktyg förstår uppgifter, agenter förstår kontext. Man ber inte en junior ingenjör att arbeta utan att förklara målet, begränsningarna och vad ett bra resultat innebär – och en agent är inget undantag.

Fånga upp kunskap i själva arbetet i stället för att förlita er på omfattande dokumentationsprojekt som är svåra att hålla uppdaterade. Varje möte, ärende, beslut och korrigering tillför information till ett kontextlager som kombinerar filer, tabeller, vektorer och en relationsgraf. Varje slutförd uppgift sparar information i minnet, så att organisationen lär sig av varje leverans. Även kontexten behöver styrning: utvärderingar, behörigheter och kostnadskontroll.

Utan kontext får agenter ofta problem på några förutsägbara sätt. De följer den nedskrivna regeln men missar den outtalade regel som alla känner till. De hämtar fel information och svarar med fullständig säkerhet. De arbetar utifrån fakta från förra kvartalet. Och ett kontextlager utan strikta behörigheter kan utsätta känsliga data för risker.

Många företag mäter framgång med AI genom produktivitetsförbättringar, användningsgrad eller antalet lanserade pilotprojekt. Vilka mätetal bör CIO:er och företagsledare använda för att bedöma AI:s faktiska avkastning på investering, särskilt med hänsyn till infrastrukturkostnader, löpande underhåll och den operativa komplexiteten hos autonoma agenter?

Mät den hybrida arbetsstyrkan, inte verktyget. Användning är bara den första av fyra nivåer och ska alltid jämföras med ett basvärde från tiden före införandet. Användning handlar om huruvida människor använder verktyget. Produktivitet handlar om huruvida vi levererar snabbare: ledtid, genomströmning och lösningstid. Kvalitet handlar om huruvida resultatet är bättre: oupptäckta fel, andel ändringar som orsakar fel och omarbete. Värde och kostnad handlar om huruvida det lönar sig: frigjord arbetstid, tid till marknaden och full kostnad per uppgift.

Ett mätetal som är lätt att förbise är hur den kognitiva kapaciteten fördelas mellan människor och agenter, team för team. Den frigjorda mänskliga kapaciteten måste medvetet styras om till framtidsinriktat arbete. Annars går en del av vinsten förlorad.

När det gäller kostnader går prissättningen från fasta avgifter till användningsbaserad prissättning. Det kan göra kostnaderna svårare att förutse, så modellrouting och FinOps hör hemma i plattformen från dag ett. Behandla AI-utgifter som molnutgifter: gör dem synliga, hänför dem till ett team och koppla dem till värde.

Artefact arbetar med företag inom finanssektorn, hälso- och sjukvården, tillverkningsindustrin, detaljhandeln och andra branscher där införandet av AI innebär olika utmaningar. Vilka lärdomar drar man av verkliga implementeringar i dessa branscher, och hur bör organisationer balansera innovation mot regelefterlevnad, tillförlitlighet och mänsklig tillsyn?

Alla branscher står inför samma fråga: hur ska arbetet fördelas mellan människor och agenter? Det som skiljer sig åt är hur stor del av den yttre arbetsloopen som måste förbli mänsklig. Inom detaljhandeln och konsumentvarubranschen är misstag billiga, så agenter får ta över mer av arbetet och gör det snabbare. Inom tillverkningsindustrin sätter tillförlitlighet och integration med operativa system takten. Inom finanssektorn och hälso- och sjukvården måste varje beslut kunna förklaras, så människor fortsätter att stå för en större del av verifieringen och beslutsfattandet under längre tid.

Lärdomen jag ser överallt är att regelefterlevnaden fungerar bäst som en inbyggd egenskap hos plattformen, från första början. När skyddsräcken, granskningsloggar och mänskliga godkännanden finns i agentramverket ärvs de av varje nytt användningsfall. Om regelefterlevnaden kommer in först i slutet måste varje nytt projekt börja om den diskussionen.

Tillsynen bör vara uppdelad i nivåer. Agenter arbetar självständigt med uppgifter med låg risk, granskas vid avvikelser när risken är medelhög och tar endast fram beslutsunderlaget när risken är hög. Nivåerna förändras i takt med att förtroendet byggs upp.

Artefacts Adopt AI Summit äger rum i Paris i december, och diskussionerna om AI-suveränitet, styrning och industriell konkurrenskraft blir allt viktigare. Hur tror du att Europas sätt att införa AI kommer att påverka globala företagsstrategier, och vilken utveckling tror du kommer att prägla nästa fas av AI i företag under de kommande åren?

Europa var tidigt ute med att ställa frågan om suveränitet, och jag tror att den håller på att bli en global designprincip. Multinationella företag vill inte ha en arkitektur per regelverk, så de utformar sina system utifrån det striktaste regelverket: äg er kontext, hyr era modeller och behåll kontrollen över var de körs och vem som har nycklarna. Nästa möjlighet för Europa är att lägga samma kraft på införandet, eftersom konkurrenskraften kommer att bygga på användning i stor skala.

Nästa fas är den hybrida organisationen, och jag tror att det är framtidens arbetsliv. Företag kommer att gå från att räkna anställda till att förvalta en gemensam kognitiv kapacitet hos människor och agenter. Agenter kommer att ta över merparten av det bakåtblickande arbetet: analys, kod och rapportering. Människor kommer att ägna sig åt det framåtblickande arbetet: omdöme, visioner, planering och beslut.

Jag tror att de företag som först hittar lösningen på hur arbetet ska fördelas kommer att gå i täten. Det är den diskussionen jag vill föra i Paris för att forma de kommande åren.

Tack för en mycket givande intervju. Läsare som vill veta mer om hur företag inför AI, agentbaserade arbetsflöden och datatransformation bör besöka Artefact.