Afsheen Afshar, grundlægger af Pilot Wave Holdings – Interviewserie

Afsheen Afshar, grundlægger af Pilot Wave Holdings, er en erfaren leder inden for datavidenskab og investeringer, hvis karriere spænder over seniorteam i Goldman Sachs (GS ), J.P. Morgan og Cerberus Capital Management, hvor han hjalp med at bane vejen for storstilede datavidenskabs- og AI-initiativer inden for finansielle institutioner. Med en teknisk grundlæggelse i neurovidenskab og maskinlæringsforskning på Stanford University, har Afshar bygget en karriere på skæringen af avanceret analyse, private equity og operationel transformation, med fokus på at anvende AI til virkelige forretningsresultater. I Pilot Wave samler han investeringskompetence, operationel ledelse og dyb teknisk viden for at identificere, erhverve og skala virksomheder, der anvender datastyrede strategier og moderne teknologi.

Pilot Wave Holdings er en erhvervs- og vækstplatform, der fokuserer på at transformere små og mellemstore virksomheder gennem kunstig intelligens og avanceret teknologi. Firmaet anvender proprietære AI-systemer til at analysere operationer, afsløre ineffektiver og drive forbedringer af ydeevne i sine porteføljevirksomheder. Ved at kombinere praktisk operationel involvering med moderne datainfrastruktur, sigter Pilot Wave mod at modernisere traditionelle virksomheder, der historisk set har manglet adgang til avancerede værktøjer, og positionere dem for skalerbar, langsigtede vækst i en stadig mere teknologi-dreven økonomi.

Du har haft pionerende AI-lederroller i firmaer som JPMorgan og Cerberus, og senere grundlagt Pilot Wave Holdings for at bringe AI ind i traditionelle industrier. Hvad var den centrale indsigt eller frustration, der fik dig til at skifte fra at bygge AI inden for store institutioner til at erhverve og transformere virksomheder direkte?

Det centrale problem var behovet for empowerment til at kunne bevæge sig med hast. Inden for store institutioner, selv når folk er enige om muligheden, er der ofte for mange lag mellem at identificere problemet og faktisk gøre noget ved det. AI fejler ikke normalt, fordi det tekniske arbejde er umuligt, men fordi organisationen er for langsom, for politisk eller for fragmenteret til at handle med hast. Jeg ville arbejde i en omgang, hvor strategi, operation og teknologi kunne være tilpasset hurtigt. At erhverve og bygge virksomheder direkte skaber den slags empowerment. Hvis du virkelig vil ændre, hvordan en forretning køres med hast og vilje, er det vigtigt at være ejer.

Meget af industrien fejrer stadig succesfulde pilotprojekter, men den virkelige værdi kommer fra produktionsystemer. Hvorfor bryder AI-initiativer så ofte sammen ved overgangspunktet, og hvad adskiller organisationer, der succesfuldt operationaliserer AI, fra dem, der stagnere?

En del pilotprojekter er designet til at lykkes, hvilket er præcis, hvorfor så mange virksomheder bedrager sig selv. De sker i rene miljøer, med ekstra opmærksomhed, begrænset omfang og ingen af den friktion, der viser sig i produktion. Det dybere problem er ofte en empatilucke. Teknologer tager ofte ikke tiden, eller har ikke lyst, til at lære operatørens erfaring, så de bygger noget, der fungerer i teorien eller i en demo, men ikke passer til virkelighedens rod. Virksomhederne, der operationaliserer AI succesfuldt, er dem, der tager den menneskelige arbejdsgang alvorligt fra begyndelsen og bygger til den rod, der findes i virkelige operationer, i stedet for at forsøge at undgå den. Alle siger, de vil have produktionsværdi, men mange teams er stadig optimeret til pilotapplaus.

Dit arbejde fokuserer på at integrere AI i sektorer som infrastruktur, fremstilling og e-handel. Hvordan adskiller implementering af AI i disse miljøer sig fundamentalt fra implementering i digitalt-native eller software-først virksomheder?

Forskellen er, at i mere traditionelle forretningsmiljøer er empati og det menneskelige element endnu vigtigere, end folk i AI-verdenen normalt vil indrømme. I software-først miljøer kan teams ofte bevæge sig hurtigt og rette fejl senere. I infrastruktur, fremstilling og e-handel er arbejdet knyttet til fysiske systemer, reelle begrænsninger og mennesker, der ved med det samme, når noget ikke passer til, hvordan forretningen faktisk køres. Det betyder, at du ikke bare kan vise op med en teknisk elegant løsning og forvente adoption. Hvis du ikke forstår operatørens erfaring, er din AI-strategi sandsynligvis allerede brudt. Disse miljøer afslører overfladisk tænkning meget hurtigt, hvilket er en del af, hvorfor de betyder så meget.

Du har argumenteret for, at AI-adoptionsprocessen skal starte med forretningsprioriteter i stedet for værktøjer. Hvad ser det ud til i praksis, og hvordan bør ledelseshold omdefinere deres tilgang til AI-transformation?

De fleste ledelseshold starter i det forkerte sted. De begynder med en hvad-kan-denne-teknologi-gøre-for-os-konversation, fordi det lyder spændende og aktuelt, når det rette sted at starte er, hvad er vores vigtigste forretningsprioriteter. Når du ved det, kan du så tale ærligt om de bedste værktøjer til at løse disse prioriteringer, og det behøver ikke altid at være AI. Det lyder åbenlyst, men de fleste virksomheder starter stadig med at jagte teknologi først og håber, at forretningsfaldet vil dukke op efterfølgende. Det er bagvendt, og det fører til en masse spildt bevægelse. Hvis ledelsen vil have reelle resultater, må de stoppe med at behandle AI-strategi som en indkøbsøvelse.

I Pilot Wave er du ikke kun rådgiver for virksomheder, men omformer dem efter erhvervelse. Hvad er de første strukturelle eller kulturelle ændringer, du implementerer for at gøre AI-adoptionsprocessen til en succes?

Det første er at finde både seniore og juniorsponsorer. Juniorsponsorernes dag-til-dag-erfaring kan sikre, at linjen følger, hvad der skal gøres, mens seniorsponsorernes politik kan minimere og sikre, at indsatsen ikke bliver stille og roligt stranguleret. Mange virksomheder læner for tungt på top-down-støtte og undrer sig derefter over, hvorfor intet ændrer sig i praksis. Sandheden er, at AI-adoptionsprocessen ofte fejler enten, fordi organisationen modstår det på grundniveau, eller fordi ledelsen lader forstyrrelser opbygge sig omkring det. Du behøver begge former for støtte på plads tidligt. Ellers bliver initiativet et andet ledelsesmæssigt tal, der aldrig rigtig lander.

Når AI-agenter bliver mere kapable og infrastruktur bliver mere abstrakt, hvilke strategiske risici opstår for virksomheder, der ikke kontrollerer deres egen data og AI-stak?

Jeg ville argumentere for, at virksomheder altid behøver grundlæggende kontrol. Det kræver instrumentering af hvert system, hvilket er, hvordan Pilot Wave tilgår systemdesign, fordi hvis du ikke kan se, hvad der sker, måle det og sætte sikkerhedsforanstaltninger på plads, så tager du en risiko, du ikke forstår. Det betyder ikke, at du ikke skal dele opgaver, fordi delegering vil absolut fortsætte i stor skala, men delegering uden måling er ikke en gennemførlig strategi. En del af markedet bliver lokket af abstraktion, fordi det gør tingene lettere og hurtigere, men den komfort kan skjule reel systemisk sårbarhed. Hvis den rette instrumentering, måling og sikkerhedsforanstaltninger er på plads, kan den potentielle systemiske risiko minimimeres. Hvis de ikke er, bygger du afhængighed, før du har tjent tillid.

Der er en voksende forskel mellem, hvordan AI markedsføres, og hvordan det fungerer i virkelige miljøer. Hvilke signaler bør tekniske ledere og operatører se efter for at skelne mellem meningsfulde AI-kapaciteter og overfladiske påstande?

Bed altid om reel værdimåling. Jeg har været religiøs omkring værdimåling hele min karriere, ned til enkeltprojekter, fordi uden den disciplin kan det blive meget let at forveksle begejstring med resultater. Hver indsats skal være underlagt en ROI og spores. Hvis nogen ikke kan forklare tydeligt, hvordan systemet påvirker omsætning, omkostninger, gennemløbstid, arbejdseffektivitet eller andre reelle forretningsmål, så er der en god chance for, at de sælger teater. Branchen er blevet alt for komfortabel med at belønne polerede demos og vage påstande. Uden rigorøs værdimåling er der reel risiko for at smide tid og penge ud.

Du har bygget og ledet store datavidenskabsorganisationer. Hvordan ser du på AI-holdenes rolleudvikling, når automatisering øges og agentbaserede systemer tager på sig flere ansvar?

AI vil tage på sig højere og højere niveauopgaver. I Pilot Wave udvikler vi allerede AI, der kan tage noget som “øg min omsætning med 10 procent” som input i stedet for “gør mit website om” igen, hvilket er meget tættere på, hvor mange AI-systemer stadig sidder i dag. Den skift kan ændre AI-holdenes rolle på en alvorlig måde, fordi arbejdet bliver mindre om isolerede opgaver og mere om, hvordan systemer forstår sig selv over virkelige forretningsmål. Mange hold tænker stadig for snævert om automatisering og undervurderer, hvor hurtigt teknologien bevæger sig op ad stakken. Tyngdepunktet vil skifte fra opgaveudførelse til forretningsdelegering. Det er en langt større ændring, end de fleste virksomheder er klar til.

Mange virksomheder investerer massivt i AI, men kæmper med at generere målbart ROI. Hvad er de mest almindelige fejlmodeller, du har observeret, og hvordan kan de undgås?

De fleste AI-bevægelser, især i store virksomheder, er stadig for fokuseret på sofistikerede dashboards, buzzwords og ting, der er lette at præsentere internt, men svære at binde til reel værdi. Virksomheder bruger meget tid på at gøre arbejdet til at se sofistikeret ud i stedet for at gøre det nyttigt. Fejlmodellen er normalt ikke mystisk, det er bare en mangel på disciplin omkring skabning af handlebar værdi. Hvis der ikke er et klart økonomisk mål, ingen ejer og ingen målingsramme, skal indsatsen ikke fortsætte. At være religiøst fokuseret på værdiskabning på hver enkelt stoppested er kritisk. Ellers bliver enterprise AI en meget dyr branding-øvelse.

At kigge fremad, hvilke AI-kapaciteter eller systemniveaubrud kan have den største indvirkning på fysisk-verden industrier i de næste fem til ti år?

Evacueren af at give meget højt niveau mål til et AI-system og delegering af store dele af forretningen vil blive meget virkeligt meget snart. Det er den kapacitet, der vil betyde mest, fordi det flytter AI ud over snævert opgaveudførelse og ind i reel operationel gevinst. Som en følge vil folk fokusere mere på relationer og tillidsaspekter af forretning samt den faktiske fysiske natur af arbejdet, uanset om det er bygge- eller anden fysisk baseret industri. Mange mennesker taler stadig om AI som et produktivitetslag, der sidder på siden, men den synsvinkel er allerede begyndt at føles forældet. Systemerne bliver mere og mere i stand til at tage på sig bredere ansvar. Fremtiden er meget spændende, men den vil også være langt mere disruptiv, end mange etablerede virksomheder vil indrømme.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Pilot Wave Holdings.