Chetan Alsisaria, CEO og medstifter, Polestar Analytics – Intervieuserie

Chetan Alsisaria, CEO og medstifter er en ledende ekspert inden for virksomheds-teknologi, der specialiserer sig i data, analytics og AI-dreven transformation. Efter tidlige roller hos Deloitte, PwC og EY co-foundede han Polestar Analytics i 2012 og har siden da udviklet det til et globalt AI- og datafirma. Han leder salg, strategiske alliancer, serviceudvikling og teknisk levering, samt fungerer som formand for CAIO Circle, en fællesskab for AI-ledere, der fokuserer på at fremme ansvarlig og praktisk AI-adopterelse. Derudover co-foundede han Xumane Equity, hvilket afspejler hans bredere fokus på innovation på tværs af virksomheds-systemer og -platforme.

Polestar Analytics er et globalt AI- og datakonvergensselskab, der hjælper virksomheder med at omdanne fragmenterede data til handlebare indsigt gennem deres proprietære 1Platform. Ved at samle data-engineering, analytics, AI og forretnings-workflows i ét økosystem, giver selskabet virksomhederne mulighed for at forbedre beslutningstagning, optimere operationer og skala AI-adopterelse. Med fokus på branche-specifikke use-cases og målbare resultater er Polestar udviklet fra et konsulent-ledet firma til et platform-drevet virksomhed, der leverer simplificerede, intelligens-drevne løsninger i virksomheds-skala.

I co-foundede Polestar Analytics i 2012 efter roller hos Deloitte, PwC og EY. Hvad var det gap i virksomhedsdata og -analytics, du så på det tidspunkt, og hvordan er den oprindelige vision udviklet til i dag’s AI-drevne 1Platform?

Da Ajay, Amit og jeg startede Polestar Analytics tilbage i 2012, var ironien slående; virksomhederne var druknede i data, men sultede efter beslutninger. Alle samlede alt, men gapet mellem at have data og at gøre noget meningsfuldt med det var enormt. Det var det problem, vi satte os for at løse.

I dag, og ærligt talt, er problemet ikke forsvundet, det har blot skiftet form. Volumen er større, indsatsen er højere, og nu har du også agenter i blandingen sammen med mennesker, der skal gøre indsigt ud af det hele. Det har faktisk gjort vores oprindelige vision klarere, ikke uklarere.

Vores motto, Data til Resultater, Simplificeret!, er virkelig den tråd, der forbinder 2012 med i dag. Vi startede med data-levering; at få den rigtige data til de rigtige mennesker på det rigtige tidspunkt. Så kom AI og forstærkede, hvad der var muligt. Nu med 1Platform er vi gået videre; simplificerer og maksimerer resultaterne, ikke kun for mennesker, men også for de agenter, der stadig mere træffer eller informerer beslutninger.

Hvad der er spændende, er, hvordan vores økosystem er modnet til at støtte dette. Vores dybe integrationer med Microsoft (MSFT ), Databricks og Anaplan hjælper med at bringe data, forretnings-tilfælde og planlægning sammen. Og 1Platform sidder på tværs af alt dette, naturligt i disse miljøer, ikke boltet på.

Sådan ser udviklingen ud: data-levering → AI-forstærket indsigt → simplificerede, agent-klare resultater. Forfølgelsen af excellence er den samme. Hastigheden, hvormed vi kan nå derhen, er det, der er ændret eksponentielt.

Polestar Analytics positionerer sig som et data- og AI-konvergensselskab. Hvad betyder konvergens i praksis for store virksomheder, der har med fragmenterede systemer og siloede data at gøre?

Det meste af tiden er fragmentering ikke et teknisk problem, det er et menneske- og proces-problem. Det er som om, du har en finans-team, der kører på Anaplan, en ops-team, der lever i Excel, et data-engineering-team, der bygger pipelines på Azure, og alle trækker i forskellige retninger med forskellige definitioner af den samme metrik. Ingen mængde AI kan løse et tillids-problem, hvis grundlaget er brudt.

Når vi taler om konvergens, mener vi at løse det grundlag først. Før du kan lagre intelligens oven på, har du brug for data, der er rent, styret og kritisk tilgængeligt. Ikke kun for dine analytikere, men også for dine agenter.

I praksis ser konvergens med 1Platform sådan ud: vi river ikke det, virksomhederne allerede har bygget. Vi går naturligt ind i de miljøer, de allerede lever i, som f.eks. Databricks, Microsoft og Anaplan, og syr data- og intelligens-laget på tværs af dem. Din planlægningsdata i Anaplan taler med din operationsdata i Databricks, og dit Microsoft-økosystem er, hvor beslutninger faktisk dukker op for mennesker og agenter at handle på.

Magien ligger ikke i nogen af disse integrationer. Det ligger i det forbundne lag af 1Platform, der gør, at alt føles som ét sammenhængende system i stedet for afkoblede værktøjer. Det er, hvad konvergens ser ud i praksis, en bevidst simplificering, indtil kompleksiteten bliver usynlig for virksomheden.

Jeres proprietære 1Platform sigter mod at samle data, AI og workflows i ét system. Hvordan adskiller denne tilgang sig fra traditionelle BI-stacks eller moderne data-platforme som Databricks eller Snowflake?

Databricks og Snowflake er kraftfulde platforme, vi konkurrerer ikke med dem, vi er bygget oven på dem. Denne forskel betyder noget. Databricks giver dig infrastruktur og beregning. Vi sidder oven på det og stiller et andet spørgsmål: hvad nu?

Traditionelle BI-stacks fik mange ting ret i deres tid, men business-intelligence har udviklet sig. I dag har forretnings-brugere brug for mere end dashboards. Du kan have et smukt designet dashboard med 15 diagrammer, og alligevel har nogen brug for at fortolke, hvad det betyder, og beslutte, hvad de skal gøre herefter. Det gap mellem indsigt og handling er præcis, hvor 1Platform opererer.

1Platform er ikke statisk, det udvikler sig kontinuerligt. Det besvarer ikke kun de spørgsmål, du stiller; det fremhæver også spørgsmål, du ikke engang tænkte på at stille. Det ændrer forholdet mellem forretnings-brugere og deres data.

Vi har bygget low-code og no-code-grænseflader oven på Databricks og Azure, der giver mulighed for at spinde pipelines op på få sekunder. Opgaver, der tidligere tog dage for data-engineers, kan nu udløses af forretnings-brugere. Oven på det giver Agenthood AI mulighed for brugere at skabe og orkestrere agenter gennem simple drag-and-drop-grænseflader uden dyb teknisk ekspertise.

Men den virkelige forskel ligger i slut-bruger-oplevelsen. I stedet for at hoppe mellem multiple dashboards modtager brugere naturlige sprog-indsigter, kontekstuelle anbefalinger og agent-drevne fortællinger. KPI’er sidder ikke bare på en skærm; agenter overvåger dem aktivt, markerer, hvad der betyder noget, og forklarer hvorfor. Forskellen ligger ikke i data-platformet selv, men i alt, der sker efter, at data er klar.

Mange virksomheder sidder fast i, hvad der ofte kaldes AI-pilot-helvede. Hvad er de største strukturelle eller organisatoriske barrierer for at forhindre AI i at nå produktion i skala?

Jeg kalder det pilot-kirkegården, fordi de fleste projekter ikke bare stopper, de dør stille. De største barrierer er ikke tekniske, de er organisatoriske. Mennesker, processer og data.

Ændrings-styring er konsekvent undervurderet. Når du redesigner, hvordan mennesker arbejder, udfordrer du, hvordan de opnår værdi. Virksomheder, der lykkes, er dem, hvor ledelsen gør AI-kompetence synligt vigtig. Når opskolering belønnes og proces-omdesign understøttes strukturelt, accelererer adopteringen.

Så er der J-kurve-problemet. AI-investeringer dumper ofte, før de stiger. Mange virksomheder forventer ROI inden for 90 dage, ser det ikke og opgiver indsatsen. De, der lykkes, er dem, der forpligter sig til den fulde kurve.

Data-klarhed er endnu en kritisk faktor. Dårlig data fører til selvbevidst forkerte beslutninger. Indtil data-grundlaget er troværdigt, bliver AI i skala en byrde snarere end en aktiv.

Til sidst betyder brug-tilfælde-disciplin noget. I stedet for at prøve at gøre alt med AI skal virksomheder fokusere på brug-tilfælde, der flytter virkelige forretnings-metrice, bevise dem og så skala.

Ved at bringe data, AI og workflows på ét sted accelererer Polestar Analytics både problem-opdagelse og muligheds-identifikation, og gør konvergens til en katalysator for ændring.

Agens-ai bliver en stor tema på tværs af branchen. Hvordan tænker Polestar Analytics over AI-agenter inden for virksomheds-workflows, og hvilke virkelige brug-tilfælde er i fokus?

For os skal agenter være integreret i både data-laget og forretnings-workflows for at skabe virkelig værdi. En pris-agent, for eksempel, er ikke kun en LLM, der sidder på et dashboard; det er integreret i data-infrastrukturen, forstår kontekst og understøtter virkelig beslutningstagning.

På tværs af vores 100+ agenter fungerer nogle som assistenter, mens andre er fuldt automatiserede. Den stærkeste trækkraft er i revenue-vækst-styring, herunder pris, promotioner og media-mix, hvor beslutninger er hyppige og data-intensiver.

På den tekniske side er pipeline-overvågning og fejl-løsning-agenter allerede i brug. FinOps-agenter har reduceret ubrugt skyt-kost med 35 procent. Der er også stærk adoption i formue-styring.

Vi understøtter både Microsoft- og Databricks-økosystemer og tilbyder en brugerdefineret agent-bygge-platform. Ikke hver agent har brug for at være LLM-baseret; arkitektur skal matche brug-tilfældet for at balancere skala og omkostning.

Styring er afgørende. Med agenter, der interagerer med finansielle systemer eller kunde-data, er stærke sikkerhedsforanstaltninger og menneskelig overvågning bygget ind for at sikre pålidelighed i virksomheds-skala.

Med jeres seneste funding er I dobbelt så fokuseret på IP-udvikling. Hvordan vigtigt er det at eje proprietære platforme sammenlignet med at bygge oven på eksisterende økosystemer i dagens AI-landskab?

Vi er dybt integreret med platforme som Databricks, Microsoft og Anaplan, der giver infrastruktur og skala. Vi prøver ikke at erstatte dem.

Vores fokus ligger på at eje intelligens-laget oven på. Proprietær IP giver os mulighed for at kontrollere oplevelsen, indbygge domæne-kundskab og levere konsistent værdi i skala.

Vores differentiering kommer fra branche-ekspertise. Enten det er PromoPulse AI til revenue-vækst-styring eller WealthPulse til finansielle tjenester, ligger værdien i at forstå virkelige brug-tilfælde og beslutninger.

Proprietær IP er for os kodificeringen af den ekspertise. Det er, hvad der gør platformen defensiv og virkelig nyttig.

I har arbejdet tæt med Fortune 1000-virksomheder. Hvordan ændrer forventningerne til AI-ROI sig, når ledere kræver målbare resultater i stedet for eksperimenter?

Ændringen er reel, men eksperimenteringen er ikke forsvundet. Den er blot forventet at flytte hurtigere og knytte sig til målbare resultater.

Lederne vurderer nu ROI gennem bredere linser som beslutnings-hastighed, kunde-lojalitet, innovations-kapacitet og robusthed.

AI-ROI ejes ikke længere af en enkelt leder. CTO fokuserer på infrastruktur og data, CFO ser på den finansielle indvirkning, og COO betoner operativ effektivitet.

Virksomheder, der lykkes, aligner disse perspektiver tidligt og forpligter sig til langsigtede resultater.

Jeres udvidelses-strategi inkluderer Nord-Amerika og Europa. Hvordan ser I forskelle i AI-adopterings-modenhed og virksomheds-klarhed på tværs af disse regioner?

Forskellen ligger mere i mindset end i kapacitet.

Nord-Amerika prioriterer hastighed og eksperimentering, drevet af konkurrence-pres.

Europa betoner styring og etisk AI fra starten. Det betyder dog ikke langsommere adoption. Virksomheder balancerer struktur med acceleration.

Begge regioner konvergerer mod skalerbar, ansvarlig AI integreret i kerne-operationer.

I har nyligt grundlagt CAIO Circle for at samle AI-ledere. Hvordan ser de mest presserende samtaler ud blandt Chief AI Officers lige nu, især omkring styring og etik?

CAIO Circle blev skabt for at give AI-ledere et rum for åben diskussion.

Den centrale udfordring er at balancere hastighed med langsigtede risici. Tillid og forklarbarhed er store bekymringer, især da AI-systemer påvirker kritiske beslutninger.

Styring skifter fra politik-dokumenter til indbyggede operationelle praksis. Samtidig mangler mange virksomheder stadig en eksekverings-model til at levere på deres AI-strategier.

De mest værdifulde indsigt kommer ofte fra åbne peer-diskussioner snarere end formelle præsentationer.

Om tre til fem år forventer I, at virksomheds-AI konsoliderer til samlede platforme som jeres, eller forbliver et fragmenteret økosystem af værktøjer og leverandører? Hvor placerer Polestar Analytics sig i den fremtid?

Fragmentering vil sandsynligvis fortsætte. Store platforme som Databricks, Microsoft, Salesforce og Anaplan vil forblive centrale spillere.

Hvad virksomheder har brug for, er et samler-lag, der forbinder data, intelligens og workflows til noget handlebart. Det er den rolle, 1Platform er designet til at spille.

Fremtiden vil favorisere platforme med dyb vertikal ekspertise. Generiske horisontale løsninger vil kæmpe for at differentiere.

Reel værdi kommer fra at forstå branche-specifikke behov og indbygge intelligens direkte i beslutnings-workflows. Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Polestar Analytics.