Rajan Sethuraman, CEO of LatentView Analytics – Interview Series

Rajan Sethuraman, CEO of LatentView Analytics, je zkušený manažer, jehož kariéra zahrnuje konzultace, vedení talentů a transformaci podniků, s vedoucími pozicemi v Accenture a KPMG předtím, než se připojil k LatentView. Jeho postup od Chief People Officer až po CEO odráží silný důraz na rozvoj talentů, organizační design a škálovatelné provozní modely, které nyní formují jeho přístup k AI a analýzám. S hlubokými zkušenostmi v náboru, vzdělávání a obchodní strategii se neustále zaměřoval na sladění lidí, kultury a technologií, aby dosáhl měřitelných výsledků, což vyvrcholilo vedením LatentView během jeho IPO a globální expanze, zatímco AI umístil jako podnikatelskou schopnost, spíše než jako samostatnou funkci.

LatentView Analytics je globální firma pro datové analýzy a digitální transformaci, která pomáhá podnikům využívat data, umělou inteligenci a pokročilé analýzy, aby zlepšily rozhodování a poháněly růst. Společnost poskytuje služby, jako je datové inženýrství, prediktivní analýzy a poradenské služby poháněné AI, napříč odvětvími, včetně finančních služeb, maloobchodu a technologií, a to ve spolupráci s klienty z žebříčku Fortune 500 po celém světě. Jeho jádrem je transformace syrových dat na akční informace, které umožňují podnikům optimalizovat operace, předpovídat trendy a vytvářet konkurenční výhodu v stále více ekonomice.

Začali jste svou kariéru v konzultacích a vedení talentů v Accenture a KPMG, než jste se stal CEO of LatentView Analytics, kde jste vedl společnost během jejího IPO a první akvizice. Jak vaše pozadí v rozvoji talentů a organizační strategii ovlivnilo způsob, jakým škáluje AI a analýzy dnes?

Moje raná kariéra se silně zaměřovala na talenty, rozvoj leadershipu a budování organizací, které mohou škálovat. Tato zkušenost stále ovlivňuje, jak přemýšlím o AI dnes. Technologie sama o sobě nezvětšuje organizaci. Co záleží, je to, jak týmy přijímají, jak se vedoucí osoby shodují na něm a jak jasně je definován obchodní problém. V LatentView trávíme hodně času tím, že pomáháme organizacím budovat provozní model, dovednosti a kulturu potřebné k tomu, aby se z analýz a AI staly každodenní rozhodování.

Mluvili jste o AI minimalismu — priorizaci jasnosti, zvědavosti a kultury nad honbou za každým novým trendem GenAI. Jak vypadá AI minimalismus v praxi pro podnikové lídry?

AI minimalismus začíná zaměřením. Podnikoví lídři nemusí sledovat každý nový model nebo schopnost, která se objeví. Potřebují malé množství významných problémů, kde může AI zlepšit rozhodnutí nebo produktivitu měřitelným způsobem. To může být rozhodnutí o cenách, plánování dodavatelského řetězce nebo to, jak znalosti přecházejí napříč organizací. Začínání s jasně definovaným problémem pomáhá týmům budovat důvěru a naučit se, co skutečné škálování skutečně vypadá.

To také znamená vkládání AI do skutečných pracovních toků místo toho, aby se s ním nakládalo jako s izolovaným experimentem. Když týmy vidí, že technologie pomáhá řešit každodenní problémy, přijetí tends k růstu přirozeně. Zvědavost a experimentování jsou stále důležité, ale fungují nejlépe, když jsou ukotveny v jasném smyslu účelu.

Mnohé organizace spěchají do generativní AI bez posílení svých datových základů. Jaké jsou varovné signály, že společnost staví na nestabilním základě?

Jednou věcí, kterou často zjišťuji, je to, že konverzace o AI postupuje mnohem rychleji než konverzace o datech. Pokud lídři mluví o copilotovi a generativních modelech, ale stále existuje zmatení ohledně toho, kde žijí klíčová data, kdo je vlastní, nebo které metriky podnik skutečně důvěřuje, je to obvykle signál, že základ není připravený.

Jiným signálem je to, když společnosti mají mnoho pilotních projektů běžících, ale velmi málo z nich ovlivňuje skutečná rozhodnutí. Generativní AI může produkovat působivé demonstrace, ale skutečným testem je, zda se stane součástí toho, jak organizace funguje.

Od chvíle, kdy jste se stal CEO, jste poháněli měřitelný dopad pro globální klienty. Co odlišuje společnosti, které úspěšně operacionalizují AI od těch, které zůstávají uvíznuté v pilotním režimu?

Společnosti, které úspěšně škálují AI, pohlížejí na něj jako na provozní disciplínu, ne jako na inovační vedlejší projekt. Přiřazují výkonné vlastnictví, spojují použití s měřitelnými obchodními výsledky a navrhují pro integraci od začátku. Investují také do méně okouzlující práce, jako jsou datové potrubí, správa, procesní redesign a přijetí uživatelů. To je obvykle rozdíl mezi pilotním projektem, který získá pozornost, a schopností, která skutečně mění, jak se dělají rozhodnutí.

V LatentView jsme viděli, že společnosti postupují rychleji, když kotví AI v obchodním problému, který již záleží na podniku, jako je zlepšení plánovací přesnosti, zásob nebo dodavatelské viditelnosti. AI, který je spojen s metrikami, které podnik již pečuje, má mnohem lepší šanci na získání financování, správy a přijetí ve velkém měřítku.

Jak přistupujete ke škálování AI zodpovědně napříč velkou organizací, zatímco udržujete správu, bezpečnost a odpovědnost?

Zodpovědné škálování začíná uznáním toho, že rozhodnutí AI nakonec ovlivňují skutečné zákazníky, zaměstnance a obchodní výsledky. To znamená, že správa nemůže být pozdní. Organizace potřebují jasnou politiku ohledně přístupu k datům, dohledu nad modely a monitorování, jakmile jsou systémy v produkci.

V praxi jsou nejúčinnější modely správy mezioborové. Podnikoví lídři, technologické týmy a rizika nebo skupiny dodržování předpisů musí být všechny zapojeny. AI systémy také profitují z transparentnosti ohledně toho, jak jsou generovány výstupy, a kde je lidský úsudek stále esenciální. S ochrannými zábranami zavedenými brzy, organizace mohou expandovat přijetí, zatímco udržují důvěru.

LatentView spolupracuje s podniky na různých úrovních digitální zralosti. Jak se vaše AI strategie liší, když radíte organizaci versus jednu, která je stále raná ve své analytické cestě?

S organizací je konverzace obvykle o urychlení. Už mají významná datová aktiva, takže se zaměřujeme na priorizaci vysokohodnotných použití, zlepšování přístupnosti a vkládání AI do pracovních toků, kde podnik může jednat rychle. To může znamenat firemní vyhledávání znalostí, propojené plánování v dodavatelském řetězci nebo doménově specifické modely, které zlepšují rozhodovací rychlost napříč funkcemi.

Pro organizace rané v cestě je starting point odlišný. Trávíme více času datovou připraveností, správou, modernizací BI a budováním kapacit, aby společnost mohla podporovat AI udržitelným způsobem. V těch situacích záleží na hodnocení zralosti a sekvencování. Nechcete slibovat agendu budoucnosti podniku, který stále postrádá důvěryhodná data, společné KPI nebo výkonnou shodu na problému, který se snaží vyřešit.

Dané vaše hluboké zkušenosti v náboru a vzdělávání, jaké dovednosti by společnosti měly prioritizovat vnitřní rozvoj versus externí nábor?

Interně si myslím, že společnosti by měly zaměřit na budování široké AI a datové gramotnosti. Ne všichni potřebují stát se datovými vědci, ale lidé napříč podnikem by měli prioritizovat zakotvení rozhodnutí v informacích, klást lepší otázky a používat AI nástroje ve svém denním pracovním toku. Když se tato praxe šíří napříč týmy, stává se mnohem jednodušší identifikovat, kde AI může skutečně pomoci, a kde by se nemělo používat.

Externě se nábor tenduje k více specializovaným. Odborníci, jako je datové inženýrství, architektura strojového učení a AI správa, vyžadují hlubokou odbornost, kterou organizace nemusí vždy mít v domě. Společnosti, které to dělají dobře, obvykle kombinují tyto specialisty s obchodními týmy, které rozumí kontextu a rozhodnutím, která potřebují zlepšit.

Kulturní odpor často zpomaluje transformaci. Jaké vedoucí chování jste našli nejúčinnější pro budování důvěry a hybnosti kolem AI přijetí?

Jasná komunikace z vedení dělá velký rozdíl. Zaměstnanci chtějí pochopit, proč jsou zavedeny nové technologie, a jak se váží k podnikové strategii. Vysvětlování účelu za AI iniciativami a vázání je na skutečné obchodní cíle pomáhá budovat důvěru napříč organizací.

Učení je stejně důležité. Automatizace a AI již mění mnohé role, takže společnosti potřebují aktivně podporovat zaměstnance v rozvoji nových schopností. Lidé se angažují mnohem otevřeněji se změnou, když vidí skutečné příležitosti k budování nových dovedností a růstu spolu s technologií.

Jak AI se stává zakotveným v rozhodovacích procesech, jak by měly představenstva a výkonné týmy přehodnotit výkonové metriky a odpovědnost?

AI mění, jak se dělají rozhodnutí, takže vedoucí týmy potřebují pohlížet za hranice tradičních projektových metrik. Skutečnou otázkou se stává, zda AI zlepšuje kvalitu a rychlost rozhodnutí v oblastech, které záleží na podniku. To může znamenat lepší předpovědi poptávky, přesnější rozhodnutí o cenách nebo rychlejší reakce na změny na trhu.

Pokud tyto výsledky se zlepšují, AI dělá svou práci. Výkon AI nemůže sedět v samostatném dashboardu od obchodního výkonu po velmi dlouhou dobu.

Odpovědnost také potřebuje být jasnější. Někdo stále vlastní data, někdo je zodpovědný za monitorování modelů v produkci, a někdo nakonec činí rozhodnutí. AI může podporovat tato rozhodnutí, ale správa a dohled zůstávají esenciální.

Podle vašich zkušeností, jaké posuny v podnikovém AI přijetí budou nejvíce záležet — a co by měli lídři začít dělat nyní, aby zůstali před nimi?

V průběhu následujících tří až pěti let AI začne ukazovat se mnohem více uvnitř každodenních obchodních rozhodnutí. Mnohé společnosti strávily čas experimentováním s piloty a koncepty. Další krok spočívá v zajištění toho, aby tyto schopnosti skutečně podporovaly, jak týmy plánují, předpovídají poptávku, spravují dodavatelské řetězce nebo činí marketingová rozhodnutí.

Práce také evoluje, jak AI stává schopnější. Jak rutinní úkoly se stávají více automatizovanými, role se posunou směrem k vedení, interpretaci a spolupráci s AI systémy. Organizace, které posílí své datové základy a pomohou zaměstnancům budovat tyto schopnosti, budou se přizpůsobovat mnohem snadněji, jak AI se stává součástí každodenních operací.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit LatentView Analytics.