Mukund Kalmanker, Global Head of Data, Analytics & AI hos Apexon – Intervieuserie

Mukund Kalmanker, Global Head of Data, Analytics & AI hos Apexon, har mere end to årtiers erfaring med at lede store virksomhedsforandringsinitiativer, med en karriere, der omfatter seniort ledelsesroller i Wipro, hvor han opbyggede og skalaede globale AI-praksisser, inkuberede automatiseringsplatforme som HOLMES og hjalp med at definere virksomhedens teknologistrategi på tværs af brancher, herunder finansielle services, telekommunikation og sundhedsvesen. Hans arbejde har konstant fokuseret på at oversætte fremkomne teknologier – især AI, dataingeniørarbejde og automatisering – til praktiske forretningsresultater, kombineret med dyb teknisk ekspertise og en stærk track record i opbygning af globale hold, driver digitaliseringsstrategier og leverer målbare operationelle effektiviteter for store virksomheder.

Apexon er en digital først teknologivirksomhed, der hjælper virksomheder med at accelerere forretningsforandring ved at kombinere AI, dataanalyse og digital ingeniørarbejde for at skabe intelligente, skalerbare systemer og kundeoplevelser. Gennem sine integrerede kompetencer på tværs af cloud, automatisering og avanceret analyse arbejder virksomheden med organisationer for at modernisere operationer, forbedre beslutningstagning og levere end-to-end digitale løsninger, især i brancher som finansielle services, sundhedsvesen og life sciences.

Efter to årtier med at lede AI- og analytics-initiativer i virksomheder som Wipro og nu Apexon, hvilken erfaring har mest formet din tilgang til digital forandring?

I løbet af de seneste år er det, der har formet min tilgang mest, erkendelsen af, at succesfuld digital forandring ikke kun handler om teknologi, men om at tilpasse teknologien til at løse virkelige forretningsproblemer og tilpasse sig udviklingen i menneskers adfærd. Det handler om at udnytte innovation som en strategisk hjælp til at lede branchen og gøre verden til et bedre sted at bo. Uanset om det handler om at hjælpe en bank med at imødekomme regulatoriske behov eller en detailhandelskæde med at genopfinde sin kundeengagement eller enable en sundhedsudbyder til at træffe hurtigere, datadrevne beslutninger, har jeg set den største effekt, når vi starter med slutbrugeren for øje. I mit tidligere liv og nu hos Apexon har mine hold og jeg arbejdet tæt sammen med kunder på tværs af brancher for at omdanne Agentic AI, Gen AI, AI, ML, RPA og Data fra buzzwords til forretningsresultater – låse op for indsigt, forbedre effektivitet, forbedre kundeoplevelsen, hjælpe med at styre risiko og skabe konkurrencefordele for vores kunder. Den konstante samarbejdende og fokus på resultater er, hvad der fortsat former min tænkning.

Hvad tiltrak dig til Apexon, og hvordan stemmer virksomhedens nuværende tilgang til data, analytics og AI overens med din personlige vision for fremtidens virksomhedsteknologi?

Hvad der tiltrak mig til Apexon, er virksomhedens klare engagement i at hjælpe kunder med at omfavne innovation med et formål. Innovationskultur og vækstmentalitet er indlejret i hver person, der er tilknyttet Apexon, og det viser sig i den måde, vi lærer, innovrer og skyder grænser sammen på. Med dybe kompetencer inden for Data & AI kombineret med dybde inden for ingeniørarbejde og en skarp fokus på reguleringer som BFSI & Health, ser Apexon ikke data eller AI som isolerede kompetencer – det behandler dem som grundlæggende aktiver for at hjælpe med at udvikle Intelligente Virksomheder, bygge skalerbare, IP-drevne forretningsløsninger og platforme. Dette stemmer overens med min overbevisning om, at fremtidens virksomhedsteknologi ligger i at skabe intelligente systemer, der ikke kun er adaptive, men også skalerbare, gentagne og bygget til langsigtede værdier.

Hos Apexon er der en bevidst fokus på at oversætte avanceret teknologi til meningsfulde forretningsresultater – uanset om det handler om at låse op for konkurrenceindsigt, enable smartere automatisering eller drive kundeorienterede oplevelser. Denne konvergens af AI med en IP-først-mentalitet er netop, hvor jeg tror, virksomhedsforandring er på vej – og jeg er spændt på at hjælpe med at forme den fremtid her.

Hvordan hjælper intelligente stof til at bygge en forbundet virksomhed, og hvordan ser den virkelige implementering ud?

Intelligente stof er ikke et produkt eller en platform. Det er en arkitektonisk skift. Det forbinder punkterne mellem forretningsenheder, systemer, data og beslutninger, så intelligent ikke er noget, du kun kan tilgå lejlighedsvis – det er altid på. Dette omdanner organisationer fra at være data-drevne til at være sandt intelligens-drevne.

Når det kommer til den virkelige effekt – tænk på en detailhandler, der justerer forsyningskædeoperationer i realtid baseret på flere faktorer som købsadfærd, forstyrrelser i forsyningskæder, geopolitiske udviklinger, ændringer i vejret eller lokale katastrofer. Eller et hospital, der fremhæver behandlingsanbefalinger, mens klinikerne stadig gennemgår testresultater. Eller banker, der kan sy sammen data på tværs af multiple transaktioner for at identificere komplekse pengevaskaktiviteter. Kraften ligger i at væve intelligent direkte ind i arbejdsgangen, ikke tilføje det efterfølgende. Det er sådan, virksomheder bliver sandt forbundne – intelligent skabes i enhver del af organisationen, og denne intelligent bliver forbrugt af hele organisationen.

Hvordan bruger Apexon generative AI-værktøjer som Copilot til at drive værdi for kunder, og i hvilke områder har du set den stærkeste adoption?

Vi ser på værktøjer som GitHub Copilot ikke kun som kodestøtte, men som katalysatorer for at genopfinde, hvordan software planlægges, bygges og testes. Hos Apexon er Copilot integreret på tværs af udviklingslivscyklussen – fra at udkaste brugerhistorier og finpudse krav til at generere testcases og forudsige fejl. Det hjælper hold med at flytte hurtigere med større nøjagtighed.

Som eksempel arbejder vi med en sundhedsudbyder for at drive Copilot-adoption og kombinere det med Agentic-rammer for at genopfinde software-udviklingslivscyklussen fuldstændigt og bringe mere effektivitet ind i ingeniørarbejdet. For en anden kunde hjælper vi med at adoptere Gen AI og Agentic-rammer for at forbedre datakvaliteten og give magt i hænderne på brugerne, der interagerer direkte med regulatorer for at imødekomme overholdelsesbehov.

Adoptionen har været stærkest i områder, hvor hastighed, personliggørelse og skala betyder mest – intelligente dokumentbehandling, konversationsbaseret AI og hyperautomatisering. Disse er områder, hvor generativ AI leverer ikke kun output, men en strategisk fordel.

Hvordan påvirker akademiske partnerskaber med institutioner som IIT Madras og Imperial College London din AI-forskning og talentudviklingsstrategi?

Vores samarbejder med IIT Madras og Imperial College London spiller en nøglerolle i at forme både vores forskningsdagsorden og hvordan vi bygger fremtidssikret talent. Vi er ikke kun med til at finansiere projekter – vi arbejder tæt sammen med førende forskere for at udforske frontområder som Agentic AI, multi-agent-systemer & AGI. Disse partnerskaber giver os en dybere indsigt i flere fremkomne områder – som eksempel, hvordan store sprogmodeller opfører sig og udvikler sig, så de bliver kontekstuelle i forskellige domæner.

De fungerer også som motorer for talentudvikling. Gennem fællesprogrammer skaber vi praktiske læringsmuligheder, der brostøtter akademisk dybde med virksomhedsrelevans. Det er en to-vejs udveksling: vi får adgang til avanceret tænkning, og studerende engagerer sig med virkelige problemer. Denne synergien er kritisk for at skala vores AI-, data- og digital ingeniør-kompetencer.

I brancher som sundhedsvesen, finans eller telekommunikation, hvad er et eksempel, hvor Apexons AI- eller analytics-løsning betydeligt forbedrede operationel effektivitet eller låste op for nye forretningsmodeller?

Et godt eksempel er vores arbejde med en førende nordamerikansk finansielle institution for at modernisere dens risikovurderingsproces ved hjælp af en AI-drevet ramme. Ved at automatisere dataindtagelse, standardisere fragmenterede kilder og udrulle en realtids-risikomotor reducerede vi manuelt arbejde med 90% og accelererede vurderingerne med 4 gange. Integrerede predictive alarmer og overholdelsessporing hjalp med at reducere regulatoriske straffe med 30% og finansielle eksponeringer med 40%. Bygget på en cloud-nativ, mikrotjeneste-arkitektur var løsningen ikke kun mere præcis og hurtig, men også positionerede kunden for skalerbar, datadrevet risikostyring i et hurtigt foranderligt regulatorisk miljø.

Hvilke fremkomne teknologier eller AI-trends er du mest fokuseret på som den næste store front for virksomhedsinnovation?

Hos Apexon ser vi Agentic AI som det næste store spring i Enterprise Intelligence i den nærmeste fremtid. I modsætning til traditionel AI, der reagerer på prompte, kan Agentic AI-systemer selvstændigt fortolke dynamisk kontekst, sætte og forfølge mål, samarbejde på tværs af systemer og kontinuerligt forbedre sig selv gennem feedback. Vi har bygget en end-to-end-ramme, AgentRise, for at bringe dette til live. AgentRise kombinerer en Agentic AI-hjerne, multi-agent-koordination, menneske-i-løkken-overvågning og virksomhedsgrad-observabilitet.

Resultatet er AI, der ikke kun assisterer, men selvstændigt udfører komplekse forretningsarbejdsgange, fra dokument-triage i sundhedsvesenet til realtids-undtagelseshåndtering i finans. Hvad der adskiller vores tilgang er fokus på skalerbar, tillid til intelligent. Vi udnytter modulære komponenter, prompt-ingeniørarbejde og sikre integrationer for at udrulle Agentic AI med hastighed og pålidelighed. Det er ikke kun innovation – det er AI, der er indlejret i forretningsflowet, opererer sikkert i skala og leverer konkrete resultater. Når disse systemer modnes, tror vi, de vil være rygmarven for adaptive, selv-udviklende virksomheder på tværs af reguleringer og høj-impact-brancher.

Vi sporer også fremgang i Narrow AI, Artificial General Intelligence og Quantum Computing – men det, der exciterer os mest, er, hvordan disse teknologier konvergerer for at give virksomheder, der ikke kun er intelligente, men også adaptive, selvstændige og i stand til selv-dirigeret evolution.

Hvad er de største udfordringer, organisationer står over for, når de går over fra arvede datasystemer til moderne analytics-arkitekturer?

Organisationer møder typisk fire store udfordringer, når de går over fra arvede systemer til moderne analytics-arkitekturer.

Først er det adoption og værdirealisering. Arvede platforme former ofte dybt indlejrede måder at arbejde på, hvilket gør changemanagement kritisk. Organisationer må sikre, at nye analytics-platforme leverer konkrete forretningsresultater som f.eks. omsætningsvækst, operationel effektivitet og forbedret risikostyring, snarere end at blive ren tekniske opgraderinger.

Anden er teknologi-modernisering og kapacitetsbygning. Mange virksomheder opererer komplekse arvede ejendomme, der spænder over mainframes, on-premise-systemer og tidlige cloud-miljøer. Modernisering af disse miljøer kræver omhyggelig rationalisering og gen-arkitektur samt bygning af færdigheder, talent og operationel modenhed til at bære moderne data-, analytics- og AI-platforme.

Tredje er data- og AI-beredskab. Modernisering handler ikke kun om at flytte data til en ny platform. Organisationer må sikre, at data er forberedt til avanceret analytics og AI ved at styrke datakvalitet, governance, linje, privatliv og etiske vagtsler, så indsigt og AI-modeller kan tillides og skaleres.

Endelig er der den organisatoriske skift. Da platforme udvikler sig mod mere autonome og agentic AI-kapaciteter, må virksomheder tilpasse deres driftsmodeller, arbejdskraftsfærdigheder og kultur for at enable effektivt samarbejde mellem mennesker og intelligente systemer.

Hvordan sikrer du, at digitale oplevelser og AI-løsninger forbliver centreret omkring menneskelige behov snarere end kun tekniske resultater?

Jeg tror, at grundlaget for virkelig indvirkende digitale og AI-løsninger er en klar skift i mindset, fra at spørge, hvad teknologi er i stand til, til at spørge, hvordan den kan skabe virkelig forretningsværdi og tjene mennesker og samfund.

Vi starter med at grundlægge hver initiativ i virkelige menneskelige resultater som bedre beslutninger, større inklusion, stærkere tillid, og enklere oplevelser. Dette kræver dyb engagement med brugere, kontinuerlig lytten og design af løsninger omkring, hvordan mennesker faktisk adopterer og interagerer med digitale oplevelser. Vi indlejrer bevidst menneske-centreret design, gennemsigtighed og ansvarlighed i vores platforme.

I høj-impact-domæner især må AI fungere med stærk menneskelig oversigt og klare etiske vagtsler, sikre, at det forbedrer menneskelig dømmekraft snarere end erstatter den. Lige så vigtigt skal succes måles ikke kun gennem performance-metrrikker, men også gennem adoption, brugerfortroen og langsigtede værdiskabelse.

Når det udføres godt, udvider fordelene sig langt ud over enkeltvirksomheder. Menneske-centreret AI har potentialet for at udvide adgangen til muligheder, styrke institutioner og forbedre livskvaliteten i skala. Det kan hjælpe med at bygge mere resiliente økonomier, retfærdigere systemer og bedre informerede samfund. Til sidst skal vores mål være at udvikle AI, der ikke kun er intelligent, men også ansvarlig, inklusiv og formålsspecifik. Teknologi, der forstærker menneskeligt potentiale og bidrager positivt til den fremtid, vi former sammen.