David DeSanto, administrerende direktør i Anaconda – Intervieuserie

David DeSanto er administrerende direktør i Anaconda, hvor han leder virksomhedens mission om at udvikle verdens datavidenskab og AI-samfund gennem open-source-innovation og sikre virksomheds løsninger. En erfaren produkt- og teknologidirektør, David har mere end to årtiers erfaring inden for cybersikkerhed, udviklerplatforme og virksomhedssoftware.

Først og fremmest fungerede David som Chief Product Officer i GitLab (GTLB ), hvor han ledede den globale produktorganisation i at levere en komplet, AI-naturlig DevSecOps-platform med mere end 50 millioner registrerede brugere på verdensplan. Under hans seks år i virksomheden hjalp han med at omdanne GitLab fra et højvækst startup til en børsnoteret, industridefinerende leder af DevOps Platform-kategorien.

Anaconda er en førende open-source-platform for datavidenskab, maskinlæring og kunstig intelligens, bygget omkring Python-programmeringssproget og bredt anvendt af både enkeltudviklere og store virksomheder. Oprindeligt lanceret i 2012, tilbyder den en komplet miljø, der inkluderer værktøjer til kodning, pakkehåndtering via Conda og adgang til tusinder af forudbyggede biblioteker som NumPy, pandas og TensorFlow, hvilket giver brugerne mulighed for at udvikle, teste og implementere AI-modeller effektivt.

Over tid er Anaconda udviklet sig til en fuld virksomheds-AI-platform, der hjælper organisationer med at håndtere hele AI-livscyklussen – fra kilde og sikring af open-source-pakker til bygning, styring og implementering af applikationer på tværs af cloud- og on-premise-miljøer. Med titusinder af brugere og adoption på tværs af en stor procentdel af Fortune 500-virksomheder er det blevet et grundlæggende lag for moderne AI-udvikling, med fokus på open-source-innovation, skalerbarhed og sikre, reproducerbare arbejdsgange.

De tilbragte næsten seks år i GitLab, mere end tre som deres Chief Product Officer, og hjalp med at skala en AI-naturlig DevSecOps-platform til titusinder af brugere. Hvordan har denne erfaring formet dine prioriteringer nu som administrerende direktør i Anaconda, og hvad føles fundamentalt anderledes ved at lede en virksomhed i forhold til at lede et produkt?

Min tid i GitLab forstærkede nogle principper, der nu er centrale for, hvordan jeg tilgår Anaconda. Først og fremmest ansvarlig vækst – at skala teams, produkter og omsætning på en måde, der er holdbar. I GitLab voksede vi til at betjene titusinder af brugere, og det viste, hvor vigtigt det er at afstemme produktværdi med langsigtede forretningsresultater.

Anden er en holdning til resultater og effektivitet over for processer og struktur. Det er okay at udgive noget, der er godt nok og viser retning, for at få kundetilbagemeldingens momentum i gang. At levere reel værdi hurtigt er afgørende, men man skal stadig være omhyggelig med, hvordan man skalerer. Det hænger tæt sammen med den tredje pille: kundefokusering og at møde brugerne, hvor de er. Jeg har brugt min karriere på at bygge udvikler- og sikkerhedsværktøjer, og som tidligere udvikler selv ved, hvor meget godt (eller dårligt) værktøj kan påvirke produktivitet og tilfredshed.

Og endelig gennemsigtighed med formål. Denne kerneværdi i Anaconda har gjort det muligt for alle parter at deltage og samarbejde om at gøre virksomheden og dets tilbud bedre. Jeg ser frem til at bygge videre på denne værdi for at sikre, at vi giver vores samfund, hvad de har brug for for at være succesfulde.

Som administrerende direktør er man ansvarlig for hele systemet – strategi, kultur, drift og resultater. Jeg er stadig tæt knyttet til produktet, men tænker bredere og længere. Jeg må sikre, at virksomheden vokser ansvarligt, støtter sine medarbejdere og leverer værdi til vores kunder på alle dimensioner af forretningsområdet. Disse er de principper, jeg søger at bygge videre på her.

Hvad motiverede dig personligt til at træde ind i stillingen som administrerende direktør i Anaconda, og hvad overbeviste dig om, at dette var den rette platform til at bygge den næste kapitel i virksomheds-AI?

Jeg fortæller alle, at der var fire grunde, til jeg var begejstret for at tilslutte mig Anaconda som administrerende direktør. Først og fremmest teknologien. Som udvikler har jeg været bekendt med og brugt Anaconda i lang tid. Jeg ved, hvor kraftfuld den er og kan være. Platformen åbner allerede op for så meget, og det grundlag, teamet har bygget, vil give os mulighed for at forme, hvad der kommer næste i den AI-naturlige æra!

Anden er fællesskabet. Jeg tror dybt på kraften i det åbne fællesskab. Få virksomheder har et fællesskab, der er så bredt og engageret som Anacondas.

Tredje er menneskene. Det er sjældent at finde dette niveau af ledelse på ét sted. Ledelsesgruppen er exceptionel, og deres passion er ægte. Vi bygger fremtiden med open source og AI, og at være en del af noget så meningsfuldt og indflydelsesrigt har os alle ægte begejstret for at være en del af.

Og sidst, men ikke mindst, muligheden. Dette er, hvad der til sidst afgjorde beslutningen for mig. Anaconda befinder sig i centrum af at gøre AI mere tilgængeligt, hjælpe virksomheder med at bygge, sikre, implementere og overvåge AI i stor skala. Når du kombinerer verdensklasse-teknologi, et livligt fællesskab og et hold som dette, får du en sjælden chance for at forme, hvordan AI og datavidenskab bygges og bruges. Det er, hvad tiltrak mig.

Åben kildekode driver det meste af moderne AI-udvikling, men mange virksomheder kæmper stadig med at stole på det i stor skala. Hvorfor tror du, at åben kildekode stadig er den mest kraftfulde grundlag for AI, og hvor tror du, det er mest misforstået?

Der er en almindelig misforståelse om, at den mest sikre kode er kode, der er skjult, så kun få mennesker kan se det. Dette er som en struds, der stikker hovedet i sandet for at skjule sig. Åben kildekode er det modsatte. Åben kildekode er gennemsigtig, inviterer alle til at bidrage og giver organisationer på verdensplan en højere niveau af øjne, der sikrer, at koden er sikker og fungerer, som forventet.

Vi har ikke set en teknologi, der hurtigt udvikler sig som AI har gjort. For at AI skal fortsætte sin acceleration, har man brug for moderne kode, der bevæger sig så hurtigt som muligt. Åben kildekode gør dette, og det er derfor, det er grundlaget for moderne AI-udvikling.

I Anaconda bygger vi på dette. Vores kernefærdigheder og Python-økosystem er åben kildekode, fordi det er den bedste måde for hold at komme i gang og innovere hurtigt på. Oven på det lægger vi virksomhedsklasse-færdigheder, der giver organisationer den styring, sikkerhed og pålidelighed, de har brug for for at bruge åben kildekode i stor skala.

AI-fejlratende i virksomheder forbliver høje, især med generative AI-piloter. Fra din synsvinkel, hvad er de grundlæggende årsager til, at disse initiativer stopper, og hvordan kan infrastrukturvalg gøre eller ødelægge langsigtede succes?

Mange organisationer har kørt piloter. Nogle har solide proof-of-concept-projekter, og andre har en håndfuld internt byggede værktøjer, der virkelig sparer teams tid. Men få har flyttet AI til rigtig produktion, der kører på tværs af hele forretningen. Der er en stor forskel på “vi eksperimenterer” og “det er sådan, vi arbejder nu.” Det er her, de fleste virksomheder er fastlåst – og det er ikke, fordi teknologien ikke virker.

Demonstrationen ser næsten altid god ud, men problemet viser sig, når man forsøger at genskabe demonstrationen i virksomhedsskala. Pludselig er man beskæftiget med datastyrings-spørgsmål, sikkerhedsbekymringer, pålidelighedsproblemer og et grundlæggende tillidsproblem: Vil denne applikation virke pålideligt og holde vores data sikre? Disse problemer viser sig ikke i demonstrationen og bliver derfor en eftertanke for virksomheder.

Barrieren for AI-succes er ikke evnen, men infrastruktur- og procesmoden. De organisationer, der kommer foran, er ledt af dem, der vælger at investere i moderne grundlag, hvor tillid og hastighed samexisterer, og hvor indbygget sikkerhed og styring accelererer snarere end forhindrer. Fragmenterede værktøjskæder og miljøer tvinger en til at vælge mellem de to, men moderne, samlet infrastruktur og moderne AI-processer giver mulighed for at have begge dele. I dag er fjernelse af flaskehalse skabelse af konkurrencefordel. Dette er ikke kun en teknisk ambition, men en forretningsimperativ til at konkurrere og overleve på i dag marked. Succes vil øges af dem, der investerer i sikkerhed og styring fra grundlaget.

Du har ledt hold på tværs af cybersikkerhed, produkt og udviklerplatforme. Hvordan bringer du denne sikkerheds-først-holdning ind i Anacondas strategi omkring afhængighedsstyring, miljøgengivelighed og forsyningskæderisiko?

Min vej ind i sikkerhed startede i sundhedssektoren, hvor jeg så præcis, hvad der på det tidspunkt blev betragtet som ‘sikret’. Jeg blev fuldstændigt involveret i sikkerhed, og det blev en passion. Da AI-arbejdsbelastninger, -modeller, -integrationer og -agenturer bliver mere komplekse, forøges sikkerhedsrisici hurtigere, end styring kan følge med. Og selv når sikkerhedsrisiko styres, bliver miljøet selv et hinder.

Sikkerhed og overholdelse af AI er udfordrende, især at få reel indsigt i risiko på tværs af udvikling og produktion. Det er her, vi fokuserer. Vi bygger dybere sikkerhedsfærdigheder inden for miljøstyring, yderligere styring omkring AI-pakker uden for Python-økosystemet og hjælper med at reducere risiko med AI-modeller gennem sikkerhedsskanning af deres holdning. Målet er enkelt: Hjælp organisationer med at flytte hurtigere med AI, samtidig med at de opretholder den indsigt, privatliv og robusthed, de har brug for for at stole på det i stor skala.

Der er en voksende skepsis omkring AI-ROI, sammen med en bølge af eksperimenter og vibe-kodning. Hvordan adskiller du produktiv eksperimentering fra virksomheds-klar AI-systemer, der faktisk leverer målbart værdi?

Dette år kan faktisk være det første, hvor AI’s ROI måles godt. Alle i branchen behandler “effektivitet” som tid sparet, men det er ikke den bedste toplinje-KPI. Organisationer, der tager sig tid til at oprette brugertilpassede KPI’er direkte knyttet til, hvad der er vigtigst for dem, vil have bedre resultater. Dette kan være reduceret tid i kodegennemgang for udviklingsteamet eller kvaliteten af lead-generering for go-to-market-teamet. Tid alene og måling af tokenforbrug signalerer ikke direkte effektivitet.

Anaconda befinder sig i centrum af Python-baseret AI-udvikling. Hvordan ser du rollen af Python-miljøer udvikle sig, når organisationer flytter fra eksperimenter til fuldt styrede, produktionsskala-AI-systemer?

Python er det førende sprog for AI, og selv om jeg ikke forventer, at det ændrer sig i nær fremtid, svinger sprog altid i popularitet. Organisationer har brug for værktøjer, der udvikler sig og naturligt adresserer underliggende ydeevne- og skalerbarhedsproblemer, hvilket giver AI-agenter mulighed for at oprette virksomheds-klar applikationer og tjenester. Jeg forventer, at organisationer vil begynde at investere i universelle byggeklodser, der accelererer AI-værdi og adoption. Det er, hvad vil positionere dem bedst til at navigere i det evigt udviklende lexikon af kodningssprog, der driver AI’s infrastrukturlag.

Du har arbejdet tæt med regulerede industrier og sikkerhedsbevidste virksomheder i fortiden. Hvad ser virksomheds-klar AI-styring ud til i praksis, ud over politikdokumenter og overholdelseschecklister?

Virksomheds-AI og AI-naturlige applikationer er noget helt andet end traditionel softwareudvikling. Når man behandler AI som traditionel udvikling, ender man med brudt sikkerhed og styring, hvilket vil bremse innovation. Virksomheds-AI har brug for AI-naturlige udviklingsprincipper, hvor AI-modellen er den primære komponent, der driver versionsstyring, og alt andet er sekundært.

AI-styring er forskellen på at skala succesfuldt og på at stoppe. Virksomheds-klar AI-styring er, hvad der sker, når ansvarlige AI-naturlige principper oversættes til gennemførbare platformkontroller, klart ansvar og kontinuerlig sporing og afstamning af alle AI-komponenter. Det går ud over politikker og checklister, der fungerede i DevOps-praksis.

Med Anacondas seneste finansiering og virksomheds-push, hvad er dine nærmeste vækstprioriteter, og hvor investerer du mest aggressivt over de næste 12 til 18 måneder?

Vores mål er klart: Anaconda vil være den foretrukne virksomheds-AI-naturlige udviklingsplatform for bygning, sikring og implementering af AI-naturlige applikationer og tjenester. Vore kunder fortsætter med at udvikle sig for at møde deres behov, og vi udvikler os med dem. Dette er, hvorfor vi ikke længere er bare et datavidenskabsværktøj, men en komplet platform for virksomheds-AI. Enhver investering, enten i produkt, partnerskab eller M&A, vil blive vurderet ud fra en enkelt spørgsmål: “Får dette os tættere på at være den platform, virksomhederne har brug for for at være succesfulde i den nye AI-naturlige verden?” Vi er en kunde-obsesseret virksomhed, og alt, hvad vi gør, er for vores kunder.

Som en, der har hjulpet med at skala en børsnoteret udviklerplatform, hvad har du lært om at bygge for praktikere, mens du også betjener CTO’er, CIO’er og Chief AI-officerer på direktørniveau?

Succes kommer altid tilbage til kunden og støtter de resultater, de forsøger at opnå. Det lyder simpelt, men det er let for hold at blive fanget i interne målinger (hvordan mange timer gik ind i et projekt, om en lancering rammer forudbestemte mål) snarere end at stille et vigtigere spørgsmål: Gør dette faktisk vores kunder mere succesfulde? Ledere kan sige, at et nyt produkt er nødvendigt, når i virkeligheden kunne det bare være en forbedring af, hvad man allerede har (gøre et produkt mere brugervenligt, for eksempel), og så får man det resultat, man har søgt. Hvis kunderne er tilfredse og succesfulde, så er vi alle tilfredse og succesfulde.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Anaconda.