Fred Laluyaux, Medstifter og CEO af Aera Technology – Intervieuserie

Fred Laluyaux, Medstifter, Præsident og CEO af Aera Technology, er en erfaren virksomhedssoftwarechef, der har bygget og ledet virksomheder i skæringspunktet mellem analytics, automation og beslutningstagning. Før han stiftede Aera, fungerede han som CEO for Anaplan og havde flere senior ledelsesroller i SAP, der omfattede finans, performance management, risiko, salg og virksomhedsudvikling. Tidligere i sin karriere arbejdede han i ledende stillinger i Business Objects og ALG Software og stiftede Transcribe Technologies, hvilket gav ham årtiers erfaring med at skale globale softwareorganisationer og omdanne komplekse data til forretningsresultater.

Aera Technology udvikler AI-drevet beslutningsintelligenssoftware designet til at hjælpe store virksomheder med at operere med større hastighed og præcision. Virksomhedens platform analyserer kontinuerligt data fra hele organisationen og dens ydre miljø, og omdanner indsigt til anbefalede og automatiserede handlinger i realtid. Ved at fokusere på beslutninger i stedet for dashboards sigter Aera mod at hjælpe organisationer med at gå fra reaktiv analyse til proaktiv, kontinuerligt forbedret drift.

De har stiftet og ledet flere virksomhedssoftwarevirksomheder, fra de tidlige dage med opbygning af Transcribe Technologies til at lede Anaplan og nu med at stifte Aera Technology. Hvad var problemet, du så i store virksomheder, som overbeviste dig om, at beslutningsintelligens skulle eksistere som sin egen kategori, og hvorfor var 2017 det rette øjeblik at bygge Aera?

Jeg har arbejdet på dette problem i mere end et årti — langt før Aera eksisterede. Tilbage i 2010, mens jeg var hos SAP, skrev jeg en artikel om, hvad jeg troede ville blive den største udfordring for store virksomheder: At træffe og udføre beslutninger hurtigt nok til at holde trit med digitaliseringen af økonomien.

Tre kræfter kolliderede — volumen, kompleksitet og hastighed. Beslutninger flyttede sig til en meget finere kornstørrelse, tættere på påvirkningspunktet, men virksomhederne var stadig struktureret som dybe pyramider af mennesker, værktøjer og processer, der simpelthen ikke kunne skala.

Det virkelige spørgsmål blev: Hvordan bringer man teknologiens kraft ned på transaktionsniveauet? Ikke kun indsigt eller dashboards, men maskiner, der udfører beslutninger, kontinuerligt lærer af alle trufne beslutninger og med mennesker i kontrol.

Som for 2017 var vi tidligt ude. Markedet var ikke fuldt ud klar, og vi var det heller ikke. Det er naturens gang i en startup: Du starter med en klar vision og bygger tidligt, så du er klar, når markedet modner. I Aeras tilfælde tog det nogle år. Og COVID-19 hjalp ikke. Men det har været fascinerende at se, at vores kerneværdi har forblevet sandheden om sin oprindelige formulering, mens både platformen og markedet udviklede sig til det punkt, hvor Aera nu leder beslutningsintelligenskategorien og arbejder med nogle af verdens største organisationer.

Der er meget diskussion i dag omkring AI-agenter, men du har været tydelig om, at indsigt alene ikke er nok. Hvordan forklarer du forskellen mellem analytics, AI-assisterede anbefalinger og sand beslutningsintelligens til CIO’er, der prøver at skære igennem støjen?

Traditionel analytics og business intelligence-værktøjer fortæller dig, hvad der skete. AI kan hjælpe med at forudsige, hvad der måske sker. AI-assisterede anbefalinger foreslår muligheder, men de afhænger stadig af, at mennesker træffer og udfører beslutninger.

Beslutningsintelligens går ud over statiske dashboards eller enkeltstående anbefalinger. Den fungerer som en kontinuerlig læringsskabelon til at accelerere og forbedre beslutninger — ved at bruge data, analytics, AI og automation til at evaluere kompromiser, simulere scenarier og udføre og overvåge handlinger i realtid, i overensstemmelse med forretningsmål.

Mens AI kan hjælpe hold med at forudsige efterspørgsel eller optimere arbejdsgange, bestemmer beslutningsintelligens, hvordan man skal handle på disse indsighter. Den balancerer omkostninger, risiko, serviceniveauer og operative begrænsninger på tværs af virksomheden i skala.

Aera beskrives ofte som at aktivere den selvstyrende virksomhed. I praktisk forstand, hvad ser det ud til inde i en stor organisation, og hvilke beslutninger er realistisk klar til dette niveau af automation i dag?

Når vi taler om den selvstyrende virksomhed, handler det ikke om autonomi uden kontrol. Fra dag én var vores vision at gå fra, at mennesker træffer og udfører beslutninger understøttet af maskiner, til, at maskiner udfører beslutninger guidet af mennesker — med tydelig intention, begrænsninger og ansvar.

I praksis fungerer Aera som en beslutningsagent. Den forstår kontinuerligt data, detekterer udløsere, evaluerer kompromiser, anbefaler handlinger og udfører beslutninger direkte i virksomhedssystemer. Ved at bruge Aera behøver mennesker ikke at styre dashboards; de styrer beslutninger, ofte gennem en enkel acceptér-eller-afvis-interaktion.

Beslutningerne, der er klar til dette niveau af automation i dag, er højvolumen- og gentagne — lagergenopfyldning, prioritering af købsordrer, parameterændringer — hvor hastighed er afgørende, og manuel koordination skaber den største ineffektivitet.

De har arbejdet tæt sammen med globale virksomheder på tværs af forsyningskæde, finans og drift. Hvor ser CIO’er de hurtigste og mest konkrete afkast fra beslutningsintelligens, enten i form af arbejdshovedstadsreduction, serviceniveauforbedring eller spildreduktion?

CIO’er ser de hurtigste, mest konkrete afkast fra beslutningsintelligens, hvor beslutninger er højvolumen, gentagne og begrænset af omkostninger, kapacitet eller serviceniveu-kompromiser. I forsyningskæde og drift omfatter dette ofte lagergenopfyldning, prioritering af købsordrer og logistik. Dette er, hvor automatiseret udførelse i skala driver målbare gevinster i arbejdshovedstadsreduction, serviceniveauforbedring og spildreduktion.

For eksempel bruger en global life sciences-virksomhed beslutningsintelligens til kontinuerligt at overvåge efterspørgsel og justere købsordrer — automatisk at anmode om leverandøraflysninger eller -reduktioner, validering af svar og bekræftelse af ændringer. Denne funktion leverer mere end millioner i årlig spildreduktion, samt reducerer lastbil-miles og tilhørende drivhusgasemissioner.

Mange virksomheder kæmper allerede med at operationalisere AI-modeller i skala. Hvad er de mest almindelige blokerere, du ser, når organisationer prøver at gå fra indsigtsgenerering til automatiseret beslutningsudførelse?

Udfordringer opstår ofte, når hold starter med at eksperimentere med enkeltstående AI-værktøjer. De kan automatisere en enkelt arbejdsgang, men kæmper med at operationalisere beslutninger konsekvent på tværs af forretningsområdet. Uden en sammensat, formål-bygget beslutningsplatform er disse bestræbelser svære at styre, skala eller tilpasse, når forhold ændrer sig.

En anden almindelig blokerer er manglen på klarhed om, hvor beslutningstagningen bryder sammen. Virksomheder investerer i AI og forudsigelse, men finder ikke ud af, hvorfor lagerbygning opstår, forudsigelser fejler eller logistik underpræsterer. Fragmenteret synlighed på tværs af beslutninger forværre problemet.

Hold, der lykkes, starter med en klar, høj-impact-sag, hvor kompromiser er forstået, opbygger tillid gennem anbefalinger og udførelse og automatiserer gradvist. Derefter kan de skala, når beslutninger kontinuerligt tilpasser og forbedrer sig over tid.

Agens AI bliver til en buzzword på tværs af industrien. Hvordan ser du på, at agenter passer ind i beslutningsintelligensplatforme, og hvor skal virksomheder være forsigtige med hensyn til autonomi versus menneskelig oversigt?

I beslutningsintelligens tilføjer agenter mest værdi, når de er integreret i et overvåget beslutningssystem — ikke opererer i isolation. Med Aera Decision Cloud-platformen fungerer agenter som koordinerede hold, hver bidragende med en specifik kapacitet: simulering af scenarier; integration af realtids-signaler; validering af mulighed; vurdering af finansielle påvirkninger; og udførelse af handlinger — alle orkestrerede omkring en enkelt beslutning.

Hvor virksomheder skal være forsigtige, er autonomi uden styring. I praksis er agens-beslutninger altid guidet af mennesker. Menneskelige hold sætter parametrene og målene, overvåger præstationen, tester antagelser og styrer datakvalitet fra et kontrolrum-miljø. Systemet kan køre kontinuerligt, men mennesker styrer, hvordan beslutninger udvikler sig. Den balance er, hvad gør agens AI skalerbar, troværdig og sikker i virksomheden.

Tillid er afgørende, når beslutninger påvirker omsætning, kunder eller overholdelse. Hvordan sikrer Aera, at beslutninger er forklarbare, revisionssikre og forsvarlige, især i regulerede miljøer?

Tillid begynder med gennemsigtighed. For hver beslutning fanger Aera den fulde kontekst — de data, der blev brugt, anbefalingen, logikken bag den, beslutningen, der blev truffet, og resultatet. Da systemet kører og opdaterer, overvåger og måler det beslutningens resultater for at forbedre beslutningstagningen kontinuerligt.

Vi kalder dette auto-beslutningslæring. Baseret på beslutningens præstation beregner Aera tillidsværdighedsscore for anbefalinger — forklarer rodårsager, kompromiser og forventet påvirkning. En bruger kan se en anbefaling med en tydelig begrundelse og en 92% tillidsværdighedsscore.

Dette tilgang er autonom, men overvåget. Gennem platformens Beslutningsintelligensnetværk, der fungerer som et centraliseret kontrolrum, har brugere fuld synlighed på tværs af beslutninger, handlinger og resultater. De kan overvåge præstation, teste antagelser, styre datakvalitet og tilpasse logik over tid.

Baseret på dine samtaler med CIO’er, hvordan udvikler rollen sig for mennesker, når beslutningsintelligenssystemer modnes, og hvilke færdigheder bliver mere vigtige, når maskiner tager på sig mere operationelle beslutninger?

Som beslutningsintelligens modnes, forsvinder rollen for mennesker ikke — den flytter sig op ad værdikæden. Vi ser en skift fra, at mennesker manuelt udfører beslutninger, til, at mennesker designer, styrer og forbedrer beslutninger.

I mange forbrugerpakket virksomheder udvikler traditionelle planeringsroller sig allerede til beslutningsanalytikere, der fokuserer på at overvåge resultater, forstå kompromiser og forbedre beslutningslogik over tid. Ved siden af dem definerer beslutningsarkitekter intention, begrænsninger og vejledning, der guider, hvordan maskiner handler.

De vigtigste færdigheder bliver dom, systemniveau-tænkning og evnen til at ramme de rigtige beslutninger. Mennesker forbliver fast i kontrol, styrer, hvordan maskiner træffer beslutninger, men ikke hver enkelt handling.

Gartners første Magic Quadrant for Beslutningsintelligensplatforme signalerer, at denne kategori er ved at gå mainstream. Hvad kapaciteter tror du vil adskille førende leverandører fra efternølere i de næste par år?

At være blevet navngivet som en leder i den første Gartner Magic Quadrant for Beslutningsintelligensplatforme, ser vi lederskab defineret af stærk udførelse og evnen til at levere omfattende, sammensatte kapaciteter på tværs af hele beslutningslivscyklussen. I Gartners tilhørende Critical Capabilities-forskning blev Aera også anerkendt for sin præstation på tværs af nøglebeslutningsbrugsfald — herunder beslutningsanalyse, beslutningsingeniørarbejde, beslutningsvidenskab og beslutningsformidling — vurderer, hvor godt platforme kan modelere, operationalisere, styre og kontinuerligt forbedre beslutninger i virksomhedsskala.

Vi tror, at førende leverandører også vil blive adskilt af, hvor effektivt de integrerer avancerede AI-teknikker, herunder generativ og agens AI, i overvågede, virksomhedsklare beslutningssystemer. Dette kræver formål-byggede platforme, der er sammensatte, tilgængelige for forretningsområdet gennem lavkode- og naturlige sproggrænseflader og styret i skala for at opfylde sikkerheds- og reguleringsskrav. Til sidst vil de stærkeste leverandører integrere beslutningsintelligens som et opererende lag, der kontinuerligt lærer og forbedrer, ikke bare endnu et program, holdene skal styre.

For organisationer, der erkender afstanden mellem indsigt og handling, hvordan hjælper Aeras platform dem med at lukke denne cirkel i praksis, og hvordan ser en succesfuld førsteudførelse typisk ud for en CIO, der søger at drive målbart forretningsindflydelse?

At lukke afstanden mellem indsigt og handling starter med at operationalisere beslutninger i dag-til-dag-drift. Aeras platform giver CIO’er mulighed for at behandle beslutninger som kontinuerlige processer: overvåge resultater; teste kompromiser; og forbedre præstation over tid. Dette er ofte forankret i et beslutningscenter for excellence, virtuelt eller fysisk, hvor hold styrer og forbedrer, hvordan beslutninger træffes og udføres.

Aera samler data, analytics, forretningsregler, AI og automation i en enkelt sammensat platform for at drive beslutninger, der flyder fra indsigt gennem udførelse og læring. Dens sammensatte arkitektur giver IT mulighed for at opretholde oversigt og sikkerhed, mens forretningshold kan definere, tilpasse og udvikle beslutningsflader. Da resultaterne indsamles, forbedrer beslutninger kontinuerligt og giver hold mulighed for at fokusere på dom, strategi og undtagelser.

En succesfuld førsteudførelse viser ofte målbare resultater på en høj-impact-beslutningsbrugsfald i 10-12 uger, udførende og kontinuerligt forbedrende beslutninger fra ende til anden. Dette skaber en gentagbar skabelon for virksomhedsskala.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Aera Technology.