Darren Kimura, administrerende direktør og præsident for AI Squared – Interviewserie

Darren Kimura er en erfaren iværksætter, opfinder og investor, der i øjeblikket fungerer som administrerende direktør og præsident for AI Squared. Med over 25 års ledelseserfaring inden for teknologi- og ren energisektorer har han ledet virksomheder som Energy Industries Corporation, Sopogy og LiveAction, og var med til at etablere venturefirmaet Enerdigm Ventures. Han er kendt for at have opfundet MicroCSP-solteknologi og har spillet en nøglerolle i at skala virksomheder, der fokuserer på edge computing, AI og SaaS-baserede løsninger.

AI Squared er en lavkode-platform designet til at hjælpe virksomheder med at integrere AI-indsigter direkte i de værktøjer, de allerede bruger – såsom Salesforce (CRM ), Slack, Google Sheets og ServiceNow. Ved at simplificere AI-udvikling og muliggøre realtidsbeslutning giver platformen hold tværs over ingeniør-, salgs- og driftsafdelinger mulighed for at låse op for målbare forretningsværdier. Ved at betjene kunder inden for finans, forsyningskæde og offentlig forvaltning accelererer AI Squared virksomheds-AI-adoptions ved at gøre det sammenhængende, kontekstuel og gennemførbart.

Hvad inspirerede dig til at tilslutte dig og til sidst lede AI Squared?

Jeg er altid blevet draget til at løse svære, virkelige problemer, der kræver dyb teknologisk forståelse og fejlfri udførelse. Jeg startede min karriere inden for energibesparelse og fornybar energi, hvor jeg fik fat i maskindata i stor målestok og hjalp mennesker med at forstå og handle på det. Over tid udviklede det sig til at flytte dataforarbejdning tættere på, hvor arbejdet sker, fra kanten, i sikre systemer eller inde i virksomhedsworkflows.

Da jeg først mødte AI Squared, så jeg straks, at de tog fat på en meget virkelig og meget presserende udfordring: hvordan man flytter AI fra laboratoriet til hverdagsbrug. De fleste virksomheder er stadig fokuseret på at bygge modeller. AI Squared var fokuseret på udrulning.

Hvad gav mig endnu mere overbevisning var deres grundlag. Virksomheden startede inde i NSA og havde brugt de sidste seks år på at opbygge tillid på tværs af Forsvarsministeriet, efterretningssamfundet, rumfartssektoren og nogle af de største virksomheder på Fortune 500-listen gennem virkelige projekter og meningsfulde resultater, der fortsætter med at vokse fra år til år. Det sagde mig to ting: først, at de var alvorlige omkring sikkerhed, overholdelse og impact. Og anden, at de var et hold, jeg kunne stole på.

Hvordan har din erfaring med at skala ZEDEDA og arbejde i venture kapital formet din tilgang til AI-udvikling på virksomhedsniveau?

Hos ZEDEDA arbejdede vi ved den yderste kant som et operativsystem inde i det åbne samfund. Det tvang mig til at forstå de virkelige begrænsninger, vores kunder stod over for med digital transformation. Der havde vi en verdensklasse ingeniørhold fra Cisco, Sun Microsystems, Juniper, Arista, men det lærte mig også, hvor vigtigt det er at parre den tekniske excellence med en stærk virksomhedsmarkedsføring.

Fra venture-siden fik jeg en anden slags indsigt. Jeg så, hvordan dybteknologivirksomheder skalerer, langsommere i begyndelsen, men hurtigere, når man bygger på en stærk grundlag. Det lærte mig at tænke i systemer: markedstid, produktberedskab, kundemodning og kapitalstrategi skal alle være på plads. Det er den brille, jeg har med, når jeg ser på AI-udvikling hos AI Squared. Det handler ikke om at levere modeller, men om at levere resultater, som virksomheder kan stole på, måle og skala.

AI Squared fremhæver indbygning af AI i systemer, som folk allerede bruger. Hvad ser løsningen af den “sidste mile” af AI ud i praksis?

87% af AI-projekter når aldrig i produktion, fordi integration er langsom, kompleks og ikke forbundet med slutbrugere. AI Squared løser dette ved at oprette en national sikkerhedsgrad af dataintegration, der forbinder AI/ML-modeller med datakilder som Databricks eller Snowflake og systemer, som disse virksomheder allerede bruger, såsom CRMs, ERPs og brugerdefinerede apps.

Hvordan hjælper din platform med at brobygge mellem datavidenskabsteams og forretningsbrugere?

AI Squared simplificerer overdragelsen fra modeludvikling til produktion. Datavidenskabsteams kan udrulle modeller sikkert gennem vores platform, mens forretningsbrugere modtager indsigt inden for værktøjer, de allerede bruger, som f.eks. Salesforce, Teams, Slack eller andre systemer til registrering af data.

Du arbejder med NSA, U.S. Navy og andre føderale myndigheder. Hvordan prioriterer I overholdelse, gennemsigtighed og etisk brug i AI Squareds produktvej?

Etik, overholdelse og gennemsigtighed er de øverste overvejelser på vores vej. Vi ved fra arbejdet med føderale myndigheder, at vi må prioritere sporbarehed, revision og forklarbarhed. Vi bygger med princippet om zero-trust, støtte til sikre udrulningsmiljøer og klare styremodeller.

Hvad mener du, discriminative AI spiller for rolle i forbedring af beslutninger for føderale myndigheder?

Discriminative AI er præcis, fortolkelig og effektiv. Det er ideelt for højrisikomiljøer, hvor man behøver klare svar, ja eller nej, trussel eller ej. I føderale myndigheder muliggør dette en hurtigere prioritering, risikodetektering og -håndtering. Det supplerer generative modeller ved at tilbyde strukturerede, validerede udgangspunkter, der understøtter kritisk beslutningstagning.

Hvor ser du den største risiko – og mulighed – for AI-adoptions i national sikkerhed?

Den største risiko er ukontrolleret autonomi, udrulning af AI-systemer uden gennemsigtighed, tilsyn eller sikkerhedsforanstaltninger. Muligheden ligger i at accelerere situationsbevidsthed og beslutningshastighed. AI kan gennemløbe store mængder data i realtid for at fremhæve mønstre, som mennesker måske ville overse. Men for at realisere denne værdi skal det være tillidsværdigt, sporbart og integreret med mennesker i løkken.

Hvad er nogle af de mest almindelige fejl, virksomheder begår, når de udruller GenAI?

Den største fejl er at fokusere på nytænkning i stedet for nødvendighed. For mange virksomheder udruller GenAI uden en klar brugsmodel, en overholdelsesplan eller en succesmåling. Det fører til pilottræthed, uskalerbare prototyper og tillidsproblemer. GenAI er kraftfuldt, men som alle teknologier kræver det at være tilpasset problemet, brugeren og arbejdsgangen.

Kan du dele et eksempel, hvor AI Squared hjalp en virksomhed med at undgå “shiny object syndrome” og i stedet levere målbart impact?

En virksomhed kom til os og ville bygge en brugerdefineret LLM til at klassificere kundeservicebilletter. Vi viste dem, hvordan en enkel, indbygget klassificator udrullet gennem vores platform kunne levere 90% nøjagtighed i deres CRM på under to uger. Ingen nye grænseflader, ingen brugerdefineret træning. Det er kraften i at løse det rigtige problem med det rigtige værktøj.

Hvad er de opblomstrende tendenser, du er mest begejstret for i virksomheds-AI de næste 3-5 år?

Tre står frem:

1. LLM’er, der er sandt multimodale og fokuserer på bestemte opgaver
2. Agens-AI-systemer, der tager handling, ikke kun genererer indhold
3. Standardiseret styre, der muliggør AI-adoptions i regulerede brancher

Disse tendenser driver AI mod at være mere brugbart, tillidsværdigt og integreret i daglig drift.

Hvordan udvikler AI Squared sin platform for at følge med de hurtigt fremadskridende LLM’er og modeløkosystemer?

Vi er modeluafhængige af design. Uanset om det er en åben kilde-model, en kommerciel LLM eller en proprietær discriminativ model, tillader vores platform organisationer at udrulle og styre det sikkert inden for deres eksisterende arbejdsgange. Vi fokuserer på orkestrering, versionsstyring og styre, så modelstakken kan udvikle sig uden at forstyrre brugeroplevelsen.

Hvad ser succes ud til for AI Squared i den næste kapitel under din ledelse?

Succes betyder at blive den standardmåde, virksomheder og myndigheder operationaliserer AI på. Det betyder at reducere tiden til værdi fra måneder til dage, og at gøre AI-udvikling så sammenhængende og sikker som udrulning af en ny funktion. Under min ledelse fokuserer vi på skala, tillid og virkelige resultater, ikke kun innovation for innovationens skyld, men impact, hvor det betyder mest.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge AI Squared.