Mukund Kalmanker, Global Chef for Data, Analytics & AI hos Apexon – Interviewsammenhæng

Mukund Kalmanker, Global Chef for Data, Analytics & AI hos Apexon, har mere end to årtiers erfaring med at lede store virksomhedsomstillingsinitiativer, med en karriere, der omfatter seniort ledelsesroller i Wipro, hvor han opbyggede og skalaerede globale AI-praksisser, inkuberede automatiseringsplatforme som HOLMES og hjalp med at definere virksomhedens teknologistrategi på tværs af brancher, herunder finans, telekommunikation og sundhedssektor. 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, fremme af digitaliseringsstrategier og levering af målbare operationelle effektiviteter for store virksomheder.

Apexon er en digital først teknologivirksomhed, der hjælper virksomheder med at accelerere forretningsomstilling ved at kombinere AI, dataanalyse og digital ingeniørarbejde for at skabe intelligente, skalerbare systemer og kundeoplevelser. Gennem dens integrerede kompetencer på tværs af cloud, automatisering og avanceret analyse arbejder virksomheden med organisationer for at modernisere operationer, forbedre beslutningstagning og levere gennemgående digitale løsninger, især i brancher som finans, sundhedssektor og livsvidenskab.

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 omstilling?

Over de seneste flere år er det, der mest har formet min tilgang, den indsigt, at succesfuld digital omstilling ikke kun handler om teknologi, men om at tilpasse teknologien til at løse virkelige forretningsproblemer og tilpasse sig til udviklingen i menneskers adfærd. Det handler om at udnytte innovation som en strategisk værktøj til at føre branchen og gøre verden til et bedre sted at leve. Uanset om det handler om at hjælpe en bank med at imødekomme regulatoriske krav eller en detailhandelskæde med at genopfinde sin kundeengagement eller en sundhedsydelser med at træffe hurtigere, data-drevne beslutninger, har jeg set den største effekt, når vi starter med slutbrugeroplevelsen i mente. 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 kundeoplevelse, hjælpe med at håndtere risiko og skabe en konkurrencefordel for vores kunder. Den konstante samarbejdning og fokus på resultater er, hvad der fortsat former min tænkning.

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

Det, der fik mig til at vælge Apexon, er dens klare engagement for at hjælpe kunder med at omfavne innovation med et formål. Innovationskultur og en vækstorienteret holdning er indlejret i hver enkelt person, der er tilknyttet Apexon, og det viser sig i den måde, vi lærer, innovere og skyder grænser sammen på. Med dybe kompetencer i Data & AI kombineret med dybde i ingeniørarbejde og en skarp fokus på reguleringer brancher som BFSI & Sundhedssektor, 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 tilpasningsdygtige, men også skalerbare, gentagelige og bygget til langsigtede værdier.

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, man kun kan nå occasionelt, men altid er til stede. Dette omdanner organisationer fra at være data-drevne til at være sandt intelligens-drevne.

Kommende til den virkelige effekt – tænk på en detailhandler, der tilpasser sin forsyningskæde 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 lægen stadig gennemgår testresultater. Eller banker, der kan sy sammen data på tværs af flere transaktioner for at identificere komplekse anti-pengetvætsaktiviteter. 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 I set den stærkeste tilpasning?

Vi ser 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 ingeniørernes livscyklus – fra udarbejdning af brugerhistorier og finpudse af krav til generering af testcases og forudsigelse af fejl. Det hjælper holdene med at flytte hurtigere med større nøjagtighed.

Som eksempel arbejder vi med en sundhedsydelser for at drive Copilot-tilpasning og kombinere det med Agentic-rammer for at genopfinde software-ingeniørernes livscyklus og bringe flere effektiviteter ind i ingeniørarbejdet. For en anden kunde hjælper vi med at adoptere Gen AI og Agentic-rammer for at forbedre datakvaliteten og give magt til brugerne, der interagerer direkte med regulatorer for at imødekomme compliance-behov.

Tilpasningen har været stærkest i områder, hvor hastighed, personliggørelse og skala betyder mest – intelligent dokumentbehandling, konversations-AI og hyper-automatisering. 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-forsknings- og talentudviklingsstrategi?

Vores samarbejder med IIT Madras og Imperial College London spiller en nøglerolle i formning af 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 grænseområder som Agentic AI, multi-agent-systemer & AGI. Disse partnerskaber giver os dybere indsigt i flere fremkomne områder – som eksempel, hvordan store sprogmodeller opfører sig og udvikler sig, og 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 fremkommende 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 sundhedssektor, finans eller telekommunikation, hvad er et eksempel på, 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 forudsigelige advarsler og compliance-sporing hjalp med at reducere regulatoriske straffe med 30% og finansielle eksponeringer med 40%. Bygget på en cloud-nativ, mikrotjeneste-arkitektur positionerede løsningen ikke kun forbedrede nøjagtighed og hastighed, men også kunden for skalerbar, data-drevet 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 på kort sigt. I modsætning til traditionel AI, der reagerer på prompte, kan Agentic AI-systemer autonomt fortolke dynamisk kontekst, sætte og forfølge mål, samarbejde på tværs af systemer og kontinuerligt forbedre sig selv gennem feedback. Vi har bygget en gennemgående 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 autonomt udfører komplekse forretningsworkflows, fra dokument-triage i sundhedssektoren 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 integreret i forretningsflowet, opererer sikkert i skala og leverer konkrete resultater. Da disse systemer modnes, tror vi, de vil være rygmarven for adaptive, selv-udviklende virksomheder på tværs af reguleringer og høj-impact-brancher.

Vi følger også med i fremskridt inden for Narrow AI, Artificial General Intelligence og Quantum Computing – men det, der begejstrer os mest, er, hvordan disse teknologier konvergerer for at give virksomheder, der ikke kun er intelligente, men også adaptive, autonome og i stand til selvstyret evolution.

Hvad er de største udfordringer, organisationer står overfor, når de skal overgå fra legacy-data-systemer til moderne analytics-arkitekturer?

Organisationer møder typisk fire store udfordringer, når de skal overgå fra legacy-systemer til moderne analytics-arkitekturer.

Først er det tilpasning og værdi-realisation. Legacy-platforme kan ofte forme dybt indlejrede arbejdsmetoder, hvilket gør det kritisk at have en god forandringsstyring. Organisationer må sikre, at nye analytics-platforme leverer konkrete forretningsresultater som øget omsætning, operationel effektivitet og forbedret risikostyring, snarere end at blive ren tekniske opgraderinger.

Den anden er teknologisk modernisering og kompetenceopbygning. Mange virksomheder opererer komplekse legacy-miljøer, der spænder over mainframes, on-premise-systemer og tidlige cloud-miljøer. At modernisere disse miljøer kræver en omhyggelig rationalisering og gen-arkitektur, samt opbygning af de færdigheder, talent og driftsmæssige færdigheder, der er nødvendige for at opretholde 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, styre, afstamning, privatliv og etiske sikkerhedsforanstaltninger, så indsigt og AI-modeller kan være tillid og skaleres.

Til sidst 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 muliggøre 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 effektive digitale og AI-løsninger er en klar skift i mindset, fra at spørge, hvad teknologien kan, til at spørge, hvordan den kan skabe meningsfuld forretningsværdi og tjene mennesker og samfund.

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

I høj-impact-domæner især skal AI operere med stærk menneskelig oversigt og klare etiske sikkerhedsforanstaltninger for at sikre, at det forbedrer menneskelig dømmekraft snarere end erstatter den. Lige så vigtigt skal succes måles ikke kun gennem performance-metrrik, men også gennem adoption, bruger-tillid og langsigtede værdiskabelse.

Når det er gjort godt, går fordelene langt ud over enkeltorganisationer. Menneske-centreret AI har potentialet for at udvide adgangen til muligheder, styrke institutioner og forbedre livskvaliteten i stor skala. Det kan hjælpe med at bygge mere robuste 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 menneskelig potentiale og bidrager positivt til den fremtid, vi er ved at forme sammen.

Hvordan vurderer du succesen af Gen AI-udrulninger hos Apexon – er der specifikke KPI’er eller rammer, I bruger til at måle effektivitet på tværs af forskellige kunde-miljøer?

Hos Apexon har vi etableret robuste rammer, understøttet af en portefølje af IP, løsninger og acceleratorer, for at hjælpe både vores teams og vores kunder med at måle effektiviteten af GenAI- og Agentic AI-udrulninger.

Først fokuserer vi på forretningsimpact. Dette begynder med klart definerede domæne- eller proces-niveau-mål, men ultimativt centerer sig om at måle strategiske resultater som forbedret kundeoplevelse, omsætningsvækst, omkostningsoptimering, operationel effektivitet og stærkere risikostyring. Vores proprietære M4-ramme understøtter dette ved at give en struktureret udførelsesmodel for analytics-engagementer. M4 tilbyder en beprøvet strategi og forudsigelige skridt for data-modernisering, hvilket hjælper organisationer med at kortlægge brugstilfælde, modernisere data-arkitekturer og gå over til cloud-baserede analytics-miljøer, samtidig med at AI-initiativer forbliver tæt tilknyttet målbare forretnings-KPI’er.

Anden vurderer vi tilpasning og værdi-realisation. AI-udrulninger skaber meningsfuld effekt kun, når de er tillid, bredt accepteret og effektivt supplerer menneskelig kapacitet. Hos Apexon har vores egen virksomhedsomfattende tilpasning af GenAI og Agentic AI fungeret som en praktisk model for kunder. Vi begyndte med at enable medarbejdere på tværs af organisationen med GenAI- og Agentic AI-kapaciteter, udstyrede dem med værktøjer, politikker og retningslinjer for ansvarlig brug, samtidig med at vi sporede de forretningsresultater, de leverede. Styringsrammerne, politikkerne og KPI’erne, vi udviklede gennem denne rejse, hjælper nu vores kunder med at accelerere og skala GenAI-tilpasning.

Tredje måler vi teknisk præstation. Vores acceleratorer inden for Genysys-platformen muliggør kontinuerlig overvågning af nøgleoperationelle metrikker som responsnøjagtighed, hallucinationsrater, omkostninger per slutning, skalerbarhed og samlet systemspræstation. Genysys, Apexons proprietære GenAI-platform, konsoliderer kapaciteterne fra multiple store sprogmodeller i et samlet miljø med gnidningsløs integration på tværs af mere end ti LLM’er. Dette giver organisationer mulighed for at vælge de mest passende modeller til forskellige brugstilfælde, samtidig med at de opretholder indsigt i præstation, pålidelighed og omkostningseffektivitet på tværs af udrulninger.

Til sidst vurderer vi styring og risiko. Vores enterprise-guardrail-ramme, en del af AgentRise-tilbuddet, hjælper organisationer med at adressere kritiske områder som styring, risiko og compliance. Givet vores dybe arbejde med reguleringer, hjælper vi kunder med at vurderer forklarbarhed, revision, data-afstamning, privatlivssikkerhedsforanstaltninger og tilpasning til ansvarlige AI-standarder for at sikre, at AI-systemer er både skalerbare og tillid.

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