Amit Sharma, CEO og grundlægger af CData – Interviewserie

Amit Sharma, CEO og grundlægger af CData Software, er en tech-ekspert, der har guidet CData fra dens tidlige startup-fase til at blive en global leder inden for dataadfærd og integration. Med en karriere, der omfatter roller som softwareingeniør hos Infosys og Elixar, teknisk arkitekt hos /n Software og senere CTO hos CData, har han opbygget dyb ekspertise inden for virksomhedsdataadgang og infrastruktur. Siden han blev CEO i 2014, har han ledet CData’s mission om at simplificere, hvordan organisationer forbinder, integrerer og udnytter data på tværs af systemer, og hjulpet med at positionere virksomheden som en grundlæggende lag i moderne dataadfærd.

CData Software er en førende leverandør af dataadgangs- og connectivitetsløsninger. Dens selvbetjening dataprodukter og connectivitetsplatforme leverer universel adgang til live-data på tværs af hundredvis af bredt anvendte on-premises- og cloud-applikationer. Millioner af brugere verden over afhænger af CData til at understøtte avanceret analyse, accelerere cloud-adopteringsprocessen og opbygge mere forbundne, data-drevne organisationer. Designet til at være forbrugervenligt for enhver bruger, tilgængeligt inden for enhver applikation og skalerbart for virksomheder af alle størrelser, gendefinerer CData, hvordan virksomheder adgang til og bruger data.

Du startede din karriere i Indien hos Infosys og gik senere over til amerikansk virksomhedssoftware. Hvad var den tidlige lære, du fik under den fase, som stadig former, hvordan du leder i dag?

Min tid hos Infosys gav mig tidlig indsigt i kravene til storstilede virksomheds-teknologi — kompleksiteten, behovet for pålidelighed og hvordan store organisationer tilgår tekniske problemer. Det formede en dyb respekt for struktur og virksomheds-klassekvalitet. Men da jeg gik over til en amerikansk startup, opdagede jeg, at jeg trivedes med hastighed, fleksibilitet og evnen til at have direkte indvirkning. I dag vejleder den dobbelte baggrund, hvordan jeg leder CData Software: Jeg insisterer på virksomheds-klassestandarder og robusthed, samtidig med at jeg fremmer en lean, hurtigbevægelig kultur, der værdsætter enkelhed, realverdenstilgængelighed og hurtig udførelse.

Efter mere end et årti som CEO for CData, hvilken ændring i mindset eller tilgang var mest væsentlig for at skala virksomheden fra dens tidlige dage til en global virksomhed?

Den største ændring for mig var at gå fra at tænke som en bygger af teknologi til at tænke som en bygger af en organisation. I de tidlige dage var mit fokus næsten udelukkende på produktet; sikre, at det var elegant, pålideligt og løste reelle problemer. Da CData voksede, måtte jeg lære, at god software alene ikke er nok; du behøver også gode mennesker, stærke ledere og processer, der kan skala uden at bremse dig. Det betød, at jeg tidligt investerede i rekruttering, team-empowerment og opbygning af gentagne systemer på tværs af salg, support og drift, samtidig med at jeg beskyttede vores ingeniørkultur. Mindset-ændringen var at recognisere, at mit job ikke kun var at lave god teknologi, men at skabe en omgang, hvor god teknologi kunne bygges konsekvent af en voksende global team.

CData har længe fokuseret på “at simplificere adgangen til enhver data, hvor som helst”. Hvordan er den mission udviklet, da branchen bevæger sig dybere ind i AI-naturlige applikationer?

Fra begyndelsen har vores mission på CData været at gøre data universelt tilgængeligt ved hjælp af velkendte, standardiserede grænseflader, fordi vi troede, at den største flaskehals for innovation ikke var lagring eller beregning, men adgang. Den grundlæggende idé er ikke ændret, men konteksten er. Da organisationer er gået fra analyse til cloud og nu ind i AI, er omkostningerne ved fragmenteret, inkonsistent dataadgang kun øget. Hvad der er udviklet, er vores ansvar: det er ikke længere kun om at forbinde applikationer til data, men om at sikre, at data er pålideligt, i realtid og brugbart på tværs af stadig mere komplekse og distribuerede miljøer. I AI-æraen er adgang alene ikke nok. Data skal være umiddelbart brugbart uden uger med tilpasset ingeniørarbejde.

Da AI-naturlige applikationer bliver normen, er vores mission udvidet til at gøre data AI-klar som standard. Det betyder at aktivere konsistent semantik, højpræstationsconnectivitet, governance-bevidst adgang og realtid-integration på tværs af strukturerede og SaaS-datakilder, så modeller og agenter kan arbejde med frisk, pålidelig information, ikke brittiske punkt-integrationer eller stædig kopier. I praksis fokuserer vi på at eliminere friktionen mellem, hvor data bor, og hvor AI-systemer opererer, så teams kan gå fra eksperimenter til produktion hurtigere. Vi ser os selv ikke kun som en connectivitetsudbyder, men som en grundlæggende data-lag for AI-drevne virksomheder, der stille og roligt driver systemerne, der gør intelligente applikationer mulige.

Med accelererende generativ AI, hvad betyder “AI-klar data” virkelig for dig, og hvor ser du, at organisationer misfortolker den idé mest?

Til mig betyder “AI-klar data” data, der er tilgængeligt, pålideligt, aktuelt og forståeligt for både mennesker og maskiner uden lag af tilpasset rørledning. Det er ikke kun om at flytte data ind i en sø eller lager. Det er om at sikre, at systemer, modeller og agenter kan konsekvent adgang til det rigtige data på det rigtige tidspunkt gennem standardiserede, styrede grænseflader. AI-klarhed afhænger mindre af, hvor data er gemt, og mere af, om det kan opdages, forespørges, tillides og integreres i realtid. Uden den grundlæggende basis slutter selv de mest avancerede modeller med at operere på ufuldstændig eller stædig information.

Hvor jeg ser, at organisationer misfortolker begrebet, er i antagelsen af, at centralisering automatisk betyder klarhed. Teams tror ofte, at når data er konsolideret ind i en enkelt platform, er de “AI-klare”, når virkeligheden er, at de har skabt en ny silo. Andre overinvesterer i værktøjer uden at adressere datakvalitet, semantik og connectivitet, de uglamourøse problemer, der kan gøre eller ødelægge virkelige AI-systemer. AI fejler ikke på grund af modeller; det fejler på grund af beskidt, utilgængeligt eller forældet data. De organisationer, der vil vinde, er dem, der behandler data-klarhed som en operativ disciplin, ikke et engangsmigrationsprojekt.

Dit nye forskningsprojekt, The State of AI Data Connectivity: 2026 Outlook, viser, at kun 6% af AI-ledere tror, deres data-infrastruktur er fuldt klar til AI. Hvorfor tror du, at klarheds-gabet er så stort, og hvad siger det os om branchens nuværende retning?

Gabet er så stort, fordi de fleste organisationer investerede i at samle og gemme data lang tid før, de investerede i at gøre det brugbart for AI. Over det sidste årti har virksomheder bygget søer, lager, pipelines, men de byggede sjældent en samlet adgangslag, der sikrer, at data er konsistent, i realtid og tilgængeligt på tværs af systemer. Da ledere begynder at implementere AI i virkelige arbejdsgange, opdager de, at deres underliggende infrastruktur ikke kan understøtte hastigheden, skalaen eller pålideligheden, som AI kræver. Den 6%-figur reflekterer ikke en mangel på ambition, men virkeligheden af, at AI afslører svagheder, der altid har været der, men ikke betød så meget i traditionel analyse.

Hvad data fortæller os om branchen er, at vi er tidligt i AI-adoptionskurven, ikke sent. Organisationer eksperimenterer aggressivt på applikationslaget, men de er nu klar over, at succes afhænger af at modernisere deres data-fundament under. Vi er ved at gå ind i en korrektionsfase, hvor fokus skifter fra flotte pilotprojekter til operationel klarhed — standardiseret adgang, styret integration og realtid-connectivitet. Vinderne vil ikke være de virksomheder, der bygger flest bevis for koncepter, men de, der moderniserer deres data-infrastruktur hurtigt nok til at flytte disse eksperimenter ind i produktion i stor skala.

Forskningens resultater viser også, at 71% af AI-teams bruger mere end en kvart af deres tid på data-rørledning. I din mening, hvilken del af dette arbejde er virkelig strategisk og ikke kun teknisk gæld?

Noget af “data-rørledningen” er absolut strategisk, når det handler om at skabe varig adgang til data gennem standardiserede grænseflader og designe for skalerbarhed og governance fra starten. At investere i konsistent connectivitet, fælles semantik og pålidelig integration er grundlæggende arbejde, der giver afkast på tværs af hver applikation og model, der kommer senere. Problemet er, at de fleste teams ikke laver den slags rørledning. De genopbygger enkeltstående pipelines, skriver brittelle forbindelser og lapper integrationer, der kun løser et problem én gang. Det er teknisk gæld forklædt som fremgang.

Hvad der er strategisk, er alt, der reducerer fremtidig friktion: eliminere brug af custom-kode til fordel for standarder, bygge genbrugbare data-tjenester og forbinde systemer på en måde, der kan skala på tværs af teams og brugsområder. Når rørledning bliver usynlig og gentagen, stopper det med at være en skat på AI-teams og bliver en muliggører. Det virkelige mål er ikke at bruge mindre tid på data. Det er at stoppe med at bruge tid på de samme data-problemer igen og igen.

En slående datapunkt fra rapporten er, at 46% af virksomheder nu kræver realtid-adgang til seks eller flere datakilder for en enkelt AI-brugsområde. Reflekterer det, hvad du ser hos kunder, og hvad gør denne niveau af connectivitet så svær?

Ja, det stemmer overens med, hvad vi ser hos kunder. Moderne AI-brugsområder, enten det er predictive analyse, anbefalingsmotorer eller autonome arbejdsgange, afhænger sjældent af en enkelt system. Virksomheder har ofte brug for at kombinere ERP, CRM, SaaS-applikationer, streaming-platforme og legacy-databaser for at generere meningsfulde indsigt. Udfordringen er ikke kun antallet af kilder; det er variationen, forskellige protokoller, formater og opdateringshyppighed, og forventningen om, at denne data er tilgængelig i realtid for AI-modeller at forbruge.

Hvad der gør denne niveau af connectivitet svær, er, at traditionelle integrationsmetoder aldrig var designet til den skala, hastighed og pålidelighed, som AI kræver. Enkeltstående forbindelser og batch-pipelines kan simpelthen ikke følge med. Sand realtid-adgang kræver standardiserede, styrede grænseflader, konsistent semantik på tværs af systemer og overvågning for at sikre datakvalitet og tilgængelighed. Uden denne grundlæggelse bruger teams mere tid på at slukke brande i pipelines end på at bygge AI-løsninger, hvilket langsomer innovation og introducerer risiko. De organisationer, der lykkes, er dem, der behandler connectivitet som en strategisk kapacitet, ikke kun en teknisk opgave.

Rapporten understreger semantisk konsistens, kontekst og connectivitet som definerende karakteristika for moden AI-data-infrastruktur. Hvordan skal organisationer tænke om sekvensering af disse prioriteringer?

Når man tænker om sekvensering, skal organisationer starte med connectivitet. Hvis data ikke er pålideligt tilgængeligt på tværs af systemer, bliver alt andet irrelevant. AI-modeller kan ikke lære af, hvad de ikke kan nå. At etablere standardiserede, styrede forbindelser på tværs af alle kritiske datakilder lægger grundlaget for alt, der følger. Uden denne lag kan teams ikke bygge robuste, gentagne pipelines, der skaber mere arbejde længere nede.

Når connectivitet er på plads, bliver semantisk konsistens det næste prioritetsområde. Data har brug for et fælles sprog, så information fra multiple kilder kan fortolkes korrekt og kombineres meningsfuldt. Kontekst følger naturligt: at forstå ikke kun værdierne, men deres betydning inden for forretningsprocessen, timing og relationer sikrer, at AI-modeller kan give præcise, handlebare forudsigelser. At behandle disse elementer som en struktureret sekvens — connectivitet først, semantik andet, kontekst tredje — giver organisationer mulighed for at bygge en AI-klar data-infrastruktur, der kan skala og understøtte pålidelig, produktionsklar intelligens.

AI-naturlige software-udbydere kræver nu omtrent tre gange flere eksterne integrationer end traditionelle udbydere. Hvad driver denne åbning, og hvad afslører det om, hvor software er på vej?
Den åbning drives af AI-selvets natur: AI-naturlige applikationer trives på diverse, realtid-data fra multiple kilder. I modsætning til traditionel software, der ofte opererer inden for et enkelt system eller suite, har AI-modeller brug for at indtage, korrelerer og analysere information på tværs af ERP-systemer, CRM-platforme, SaaS-applikationer, streaming-kilder og mere. Hver enkelt integration er afgørende for at give AI nok kontekst og dækning til at generere præcise forudsigelser, anbefalinger eller automatiserede handlinger.

Dette trend afslører, at software bevæger sig fra isolerede applikationer mod forbundne, intelligente økosystemer. Vinderne vil ikke være de produkter, der fungerer godt alene. De vil være de platforme, der kan tilgå og integrere data, hvor som helst det bor. I praksis betyder det, at connectivitet, standardisering og realtid-integration ikke længere er nice-to-haves. De er grundlæggende kapaciteter for AI-naturlig software til at levere virkelig værdi.

At se fremad fem år, hvad tror du vil blive den mest betydningsfulde flaskehals for AI-succes — connectivitet, realtid-pipelines, semantisk modellering, governance eller noget helt andet?

At se fremad tror jeg, at governance og sikkerhed vil blive den mest betydningsfulde flaskehals for AI-succes. Mens connectivitet og realtid-pipelines stadig er grundlæggende, har organisationer hurtigt erkendt, at ureguleret AI er uholdbar og potentielt farlig. Da AI bevæger sig fra eksperimenter til produktion og begynder at påvirke kritiske forretningsbeslutninger, multiplicerer risikoen for bias, overtrædelse af regler, data-lækage og operativ fejl eksponentielt.

Udfordringen er ikke kun om at flytte data længere; det er om at flytte det rette data, med de rette kontroller, til de rette systemer, på en måde, der kan spores og verificeres. Organisationer, der ikke indbygger stærke governance-rammer og sikkerhedsprotokoller fra starten, vil møde stigende regulatorisk pres, reputationsrisiko og ultimativt AI-systemer, de ikke kan stole på eller skala. Vi ser allerede tidlige tegn: virksomheder, der tøver med at implementere AI, fordi de ikke kan sikre data-herkomst, adgangskontrol eller overholdelse af udviklende regler.

De mest succesfulde organisationer om fem år vil være dem, der behandler governance og sikkerhed ikke som eftertanke, men som kerne-aktiveringsmidler for AI. Ja, du har brug for connectivitet og realtid-pipelines for at få data til at flyde — men uden governance og sikkerhed på plads, bliver data en byrde snarere end en aktiv. Fremtiden for AI handler ikke kun om hastighed eller skala; det handler om tillid, ansvar og ansvarlig implementering på hvert lag af data-stakken.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge CData Software.