Rajan Sethuraman, generální ředitel LatentView Analytics – Interview Series

Rajan Sethuraman, generální ředitel LatentView Analytics, je zkušený manažer, jehož kariéra zahrnuje poradenství, vedení talentů a transformaci podniků, s vedoucími pozicemi v Accenture a KPMG předtím, než se připojil k LatentView. Jeho postup od Chief People Officer k generálnímu řediteli odráží silný důraz na rozvoj talentů, organizační design a škálovatelné provozní modely, které nyní formují jeho přístup k AI a analytice. S hlubokými zkušenostmi v náboru, vzdělávání a obchodním strategickém plánování se vždy zaměřoval na sladění lidí, kultury a technologií, aby dosáhl měřitelných výsledků, což vyvrcholilo vedením LatentView prostřednictvím jeho IPO a globální expanze, zatímco AI byla позиcionována jako obchodní schopnost, nikoli jako samostatná funkce.

LatentView Analytics je globální firma pro data analytics a digitální transformaci, která pomáhá podnikům využívat data, umělou inteligenci a pokročilou analytiku, aby zlepšily rozhodování a poháněly růst. Společnost poskytuje služby, jako je data engineering, prediktivní analytika a AI-driven poradenství napříč odvětvími, včetně finančních služeb, maloobchodu a technologií, a pracuje s klienty z Fortune 500 po celém světě. Jeho jádrové hodnoty spočívají v transformaci syrových dat na akční poznatky, které umožňují podnikům optimalizovat operace, předpovídat trendy a vytvářet konkurenční výhodu v stále se měnící ekonomice.

Začali jste svou kariéru v poradenství a vedení talentů v Accenture a KPMG, než jste se stal generálním ředitelem LatentView Analytics, kde jste vedl společnost prostřednictvím jejího IPO a první akvizice. Jak vám vaše zkušenosti v rozvoji talentů a organizační strategii pomohly při škálování AI a analytiky?

Má raná kariéra se silně zaměřovala na talenty, rozvoj leadershipu a budování organizací, které mohly škálovat. Tyto zkušenosti stále formují, jak přemýšlím o AI. Technologie samotná neškáluje organizaci. Co matters je, jak týmy adoptují, jak líderi sladění kolem ní a jak jasně je definován obchodní problém. V LatentView trávíme hodně času pomáháním organizacím budovat provozní model, dovednosti a kulturu, které jsou potřebné k tomu, aby se analytika a AI staly součástí každodenního rozhodování.

Proto se snažím myslet na AI skrze optiku organizační připravenosti. Škálování AI vyžaduje silné odborné znalosti, datové základy a týmy, které mohou přeložit poznatky do akce. Můj důraz vždy spočíval v budování těchto schopností společně, nikoli v zacházení s AI jako s izolovanou schopností.

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

AI minimalismus začíná zaměřením. Lídrům podniků není třeba sledovat každý nový model nebo schopnost, která se objeví. Potřebují malé množství významných problémů, kde AI může zlepšit rozhodování 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 znamená zodpovědné škálování.

To také znamená vkládání AI do skutečných pracovních toků místo toho, aby se s ní zacházelo jako s izolovaným experimentem. Když týmy vidí, že technologie pomáhá řešit každodenní problémy, adoptace tends to grow naturally. Zvědavost a experimentování jsou stále důležité, ale fungují nejlépe, když jsou ukotveny v jasném smyslu účelu.

Mnohé organizace spěchají do generativní AI, aniž by nejdříve posílily své datové základy. Jaké jsou varovné signály, že společnost staví na nestabilním základě?

Jedna věc, kterou často zjišťuji, je, když konverzace o AI postupuje mnohem rychleji než konverzace o datech. Pokud lídrům jde o copiloty a generativní modely, ale stále existuje zmatek ohledně toho, kde žijí klíčová data, kdo je vlastní nebo které metriky podnik skutečně důvěřuje, je to obvykle znamení, že základy nejsou připraveny. AI systémy silně závisí na spolehlivých a dobře řízených datech. Bez toho je pro lidi obtížné důvěřovat výstupům.

Jiným signálem je, když společnosti mají mnoho pilotních projektů, ale velmi málo z nich ovlivňuje skutečná rozhodnutí. Generativní AI může produkovat působivé demonstrace, ale skutečný test spočívá v tom, zda se stává součástí toho, jak organizace operuje.

Od chvíle, kdy jste se stal generálním ředitelem, jste dosáhli měřitelného dopadu pro globální klienty. Co odlišuje společnosti, které úspěšně operacionalizují AI, od těch, které zůstávají uvíznuté v pilotním režimu?

Společnosti, které úspěšně škálují AI, zacházejí s ní jako s provozní disciplínou, nikoli jako s inovačním vedlejším projektem. Přiřazují výkonné vlastnictví, spojují use cases s měřitelnými obchodními výsledky a navrhují pro integraci od začátku. Investují také do méně okouzlující práce, jako jsou datové potrubí, governance, procesní návrh a uživatelská adopce. To je obvykle rozdíl mezi pilotním projektem, který získává 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 matters podniku, jako je zlepšení plánovací přesnosti, inventární výsledky nebo dodavatelská viditelnost. AI, která je vázána na metriky, o kterých se podnik již stará, má mnohem lepší šanci na získání financování, governance a adopci na škálu.

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

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

V praxi jsou nejúčinnější modely governance mezioborové. Lídrům podniků, technickým týmům a skupinám rizik nebo compliance je třeba zapojit. AI systémy také bénéficií z transparentnosti ohledně toho, jak jsou generovány výstupy a kde zůstává lidské úsudku nezbytné. S guardrails zavedenými brzy, organizace mohou expandovat adopci, 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 na počátku své analytické cesty?

S organizací je konverzace obvykle o urychlení. Už mají významná data aktiva, takže se zaměřujeme na priorizaci high-value use cases, zlepšování přístupnosti a vkládání AI do pracovních toků, kde podnik může jednat rychle. To může znamenat enterprise znalostní vyhledávání, connected plánování v dodavatelském řetězci nebo doménově specifické modely, které zlepšují rozhodovací rychlost napříč funkcemi.

Pro organizace, které jsou dříve na své cestě, je starting point jiný. Trávíme více času na datové připravenosti, governance, BI modernizaci a budování kapacit, aby společnost mohla podporovat AI udržitelným způsobem. V těchto situacích, hodnocení zralosti a sekvenční důležité. Nechcete slibovat agentic budoucnost podniku, který stále postrádá důvěryhodná data, společné KPI nebo výkonné sladění ohledně problému, který se snaží vyřešit.

Dané vaše hluboké zkušenosti v náboru a vzdělávání, jaké dovednosti by společnosti měly prioritizovat vnitřní rozvoj v éře AI versus najímání externě?

Interně si myslím, že společnosti by měly zaměřit na budování široké AI a datové gramotnosti. Ne každý potřebuje se stát datovým vědcem, ale lidé napříč podnikem by měli priorizovat zakotvení rozhodnutí na poznatcích, klást lepší otázky a používat AI nástroje ve svém každodenním pracovním toku. Když se tato praxe šíří napříč týmy, stává se mnohem snadnějším identifikovat, kde AI může skutečně pomoci a kde pravděpodobně neměl by být použit.

Externě se najímají tend to být více specializovaní. Dovednosti, jako je data engineering, strojové učení architektura a AI governance, vyžadují hluboké odborné znalosti, které organizace nemusí mít vždy 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 leadership chování jste našli nejúčinnější při budování důvěry a hybatele kolem AI adopce?

Jasná komunikace z leadershipu dělá velký rozdíl. Zaměstnanci chtějí pochopit, proč jsou zavedeny nové technologie a jak se váží k podnikové strategii. Vysvětlení 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, takže společnosti potřebují aktivně podporovat zaměstnance při rozvoji nových kapacit. Lidé se mnohem více angažují s změnou, když vidí skutečné příležitosti k budování nových dovedností a růstu spolu s technologií.

Jak by měly představenstva a výkonné týmy přehodnotit výkonové metriky a odpovědnost, když se AI stává součástí rozhodovacích procesů?

AI mění, jak se dělají rozhodnutí, takže výkonné týmy potřebují podívat se za tradiční projektové metriky. Skutečná otázka se stává, zda AI zlepšuje kvalitu a rychlost rozhodnutí v oblastech, které matters podniku. To může znamenat lepší prognózy poptávky, více přesná 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 dlouhou dobu.

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

V následujících třech až pěti letech, jaké posuny v podnikové AI adopci budou nejvíce záležet — a co by lídrům mělo začít dělat, aby zůstali před nimi?

V následujících letech AI začne ukazovat mnohem více uvnitř každodenních obchodních rozhodnutí. Mnohé společnosti strávily čas experimentováním s pilotními projekty a koncepty. Další krok spočívá v zajištění toho, aby tyto schopnosti skutečně podporovaly, jak týmy plánují, prognózují poptávku, spravují dodavatelské řetězce nebo dělají marketingová rozhodnutí.

Práce také evoluje, jak se AI stává více schopnou. Jak rutinní úkoly se stávají více automatizovanými, role se posunou směrem k vedení, interpretaci a práci spolu s AI systémy. Organizace, které posílí své datové základy a pomohou zaměstnancům budovat tyto kapacity, přizpůsobí se mnohem snadněji, jak se AI stává součástí každodenních operací.

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