Dominic Sartorio, Vicepræsident for Produktmarkedsføring hos Denodo – Intervjuerækken

Dominic Sartorio er Vicepræsident for Produktmarkedsføring hos Denodo. Dominic har mere end 20 års erfaring inden for datastyring og governance-markedet, hvor han har haft forskellige produkt- og markedsføringslederroller hos Informatica, Protegrity og andre førende leverandører.

Denodo er en global leder inden for datastyring, der driver troværdige AI-agenter og -applikationer. Denodo-platformen, en prisvindende logisk datastyringsløsning, transformerer virksomhedsdata til pålidelige indsighter til AI, analytics og selvbetjeningsinitiativer. Virksomheder verden over bruger Denodo til at levere AI-klar, forretningsklar data på en brøkdel af den tid, det tager i forhold til traditionelle data-lakehouses, og opnår dermed op til 4 gange hurtigere tid til indsigt, 345% ROI og 10 gange bedre ydelse. Baseret på indsighter fra 850 virksomhedsledere, afslører Denodos AI Trust Gap Report, hvorfor mange AI-projekter har svært ved at gå ud over pilotfasen, og hvad virksomheder skal gøre for at opbygge troværdige, produktionsklare AI.

De har haft ledende roller på tværs af virksomheder som Informatica, Protegrity, Infoworks og nu Denodo, alle fokuseret på forskellige lag af virksomhedsdata-infrastruktur. Hvordan er deres perspektiv på “tillid til data” udviklet, da AI er skiftet fra analytics til autonome og agente systemer?

Tidligere i min karriere var tillid til data primært om nøjagtighed, afstamning, sikkerhed og at give analytikere tillid til dashboards og rapporter. Med agente AI er spillet meget højere, fordi systemerne ikke kun fortolker data, men også kan udføre selvstændige handlinger, udløse forretningsworkflows eller træffe beslutninger med reel verdensomspændende indvirkning. Det betyder, at tillid til data nu også må omfatte levende operationel kontekst, konsekvent forretningsbetydning og sikkerhedsforanstaltninger, så man kan have tillid til, at agenterne handler korrekt og sikkert.

Denodos AI Trust Gap Report fandt, at 66% af virksomhederne mener, at AI-data skal være realtids- eller næsten realtids-data for at være troværdige. Hvorfor tror de, at så mange virksomheder stadig har svært ved at levere levende operationelle data til AI-systemer?

De fleste virksomheder var ikke designet til AI-agenter, der kræver levende situationsbevidsthed på tværs af mange systemer. Deres data er spredt over applikationer, skyer, lagerhuse, søer, legacy-systemer og andre operationelle platforme. De kan kopiere disse data til en central lager eller data-sø for analytics og BI, men dette er ikke egnet til AI-agenter, der kræver levende situationsbevidsthed. Når data kopieres, er det ikke længere levende. Det er muligt at streame i realtid, men det bliver meget dyrt meget hurtigt. Det er netop her, Denodos logiske datastyrings-tilgang bliver vigtig, fordi den giver AI-systemer en styret adgang til levende data uden, at virksomhederne skal kopiere og gen-platforme alt.

En af de mest slående fund i rapporten er, at virksomheds AI-initiativer nu trækker fra hundredvis af datakilder, og at nogle virksomheder har adgang til mere end 1.000. Hvordan ændrer dette niveau af fragmentering måden, virksomheder skal tænke om AI-arkitektur på?

Ved dette niveau af fragmentering kan arkitekturen ikke afhænge af fysisk konsolidering af hver kilde, før AI kan bruge den. Virksomhederne har brug for en abstraktionslag, der kan opdage, integrere, styre og levere data på tværs af den distribuerede virkelighed, de allerede har. Ifølge min mening skal dataarkitekturen blive mere logisk, metadata-dreven og semantisk, så agenterne kan finde den rigtige data i kontekst uden at være tæt koblet til underliggende systemer.

Rapporten hævder, at mange AI-fejl i virkeligheden er “dataarkitektur-fejl” og ikke model-fejl. Tror de, at branchen har brugt for meget tid på at besætte sig med modeller, mens de har undervurderet vigtigheden af data-infrastruktur?

Ja. Modeller er vigtige, naturligvis, men mange fejlslåede AI-projekter fejler ikke, fordi modellen er ude af stand; de fejler, fordi modellen opererer med ufuldstændige, stælle, inkonsistente eller dårligt styrede data. Modellen fungerede glimrende i piloten, der brugte en veldefineret og kurateret datasæt, men når den blev udviklet i den “rigtige verden” med dens distribuerede rod, fejlede AI’en at producere troværdige resultater. Min erfaring har været, at virksomhederne får bedre AI-resultater, når de behandler data-laget som en førsteklassesdel af AI-arkitekturen, og ikke som en eftertanke.

Denodo taler ofte om semantisk konsistens og vigtigheden af et universelt semantisk lag. Når AI-agenter begynder at træffe beslutninger selvstændigt, hvor kritisk bliver semantisk alignment for at forhindre forkerte handlinger eller hallucineret forretningslogik?

Semantisk alignment bliver absolut kritisk. Hvis et system definerer “kunde”, “indtægt”, “risiko” eller “afhopning” anderledes end et andet, kan en AI-agent producere en teknisk plausibel beslutning, der alligevel er forkert i den givne forretningskontekst. Et universelt semantisk lag hjælper med at sikre, at agenterne handler med konsekvent forretningsbetydning, og ikke kun med rå dataadgang.

Deres AI & Big Data Expo-session fokuserede på at gå fra AI-piloter til produktion. I deres erfaring, hvad er de største årsager til, at virksomhederne bliver fast i “pilotfasen” og ikke kan skala AI til rigtige operationelle systemer?

Piloter virker ofte, fordi de er snævre, manuelt kuraterede og isolerede fra den fulde kompleksitet af virksomheden. Produktion AI skal håndtere levende data fra mange kilder, sikkerhed, governance, ydelse, revision, ændrede forretningsregler og integration i rigtige workflows. Mange virksomheder bliver fast, fordi de bygger en imponerende demo, men ikke den styrede datagrundlag, der er nødvendig for at operere AI pålideligt i stor målestok.

Rapporten citerer forudsigelser om, at en betydelig procentdel af agente AI-projekter kan blive annulleret over de næste få år på grund af stigende omkostninger, uklar værdi eller utilstrækkelige risikokontroller. Tror de, at branchen er ved at gå ind i en fase, hvor virksomhederne bliver mere selektive om, hvilke AI-projekter der overlever?

Ja, og jeg tror, det er sundt. Den første bølge af AI-eksperimenter handlede om muligheder; den næste bølge vil handle om operationel værdi, omkostningsdisciplin og tillid. De projekter, der overlever, vil være dem, der er knyttet til målbare forretningsresultater og understøttes af den rigtige data, governance og arkitektur.

Sikkerhed og governance dukker op igen og igen i rapporten, især omkring “sikkerhedsforanstaltninger” for agente AI. Hvordan skal virksomhederne balancere selvstændige AI-kapaciteter med behovet for streng adgangskontrol og revision?

Nøglen er ikke at behandle governance som noget, der er boltet på efter, at AI-systemet er bygget. Adgangskontrol, politikgennemførelse, afstamning og revision skal være indbygget i dataadgangslaget i sig selv, så AI-agenterne kun ser og bruger de data, de er autoriseret til at adgang til. Med Denodo kan de samme governance-politikker anvendes konsekvent på tværs af distribuerede kilder, hvilket er afgørende, når AI opererer på tværs af hybrid- og multi-cloud-miljøer.

Denodo positionerer logisk datastyring som en måde at samle adgang på tværs af hybrid- og multi-cloud-miljøer uden konstant at flytte data. Når virksomhederne i stigende grad adopterer retrieval-baserede AI-arkitekturer, ser de “zero-copy”- eller logisk-først-arkitekturer som den lange trend for virksomheds AI?

Ja. Retrieval-baseret AI afhænger af at få den rigtige data på det rigtige tidspunkt, og ikke nødvendigvis flytte hver enkelt datasæt til en enkelt repository i forvejen. En logisk-først, zero-copy-tilgang er meget bedre tilpasset, hvordan virksomheder i virkeligheden opererer: Data forbliver distribueret, men AI kan få adgang til det gennem et styret, semantisk, realtidslag. Det er den retning, jeg tror, virksomheds AI skal gå i.

At se fremover over de næste tre til fem år, hvad tror de, vil adskille virksomheder, der med held operationaliserer troværdig AI, fra dem, der bliver fast i eksperimentalfasen?

Vinderne vil være virksomhederne, der erkender, at AI ikke kun er en modelstrategi, men også en datastrategi, en governance-strategi og en operationsmodel-strategi. De vil investere i levende dataadgang, semantisk konsistens, genbrugbar governance og arkitekturer, der kan omfatte hele virksomheden. De, der fortsætter med at bygge isolerede piloter på fragmenterede eller stælle data, vil have svært ved at gå ud over eksperimentalfasen.

Tak for det gode interview. Læsere, der ønsker at lære mere, kan besøge Denodo eller downloade Denodos AI Trust Gap Report