Rajan Sethuraman, CEO of LatentView Analytics – Intervieuserie

Rajan Sethuraman, CEO of LatentView Analytics, er en erfaren leder, hvis karriere spænder over rådgivning, talentledelse og virksomhedstransformation, med ledelsesroller i Accenture og KPMG før han tiltrådte LatentView. Hans udvikling fra Chief People Officer til CEO afspejler en stærk fokus på talentudvikling, organisationsdesign og skalerbare driftsmodeller, som nu former hans tilgang til AI og analytics. Med dyb erfaring i rekruttering, læring og forretningsstrategi har han konsekvent fokuseret på at tilpasse mennesker, kultur og teknologi til at drive målbare resultater, kulminerende i at lede LatentView gennem dens IPO og globale udvidelse, samtidig med at AI blev positioneret som en forretningskapacitet snarere end en selvstændig funktion.

LatentView Analytics er et globalt data analytics- og digital transformationsfirma, der hjælper virksomheder med at udnytte data, kunstig intelligens og avanceret analytics til at forbedre beslutningstagning og drive vækst. Firmaet tilbyder tjenester som dataengineering, prædikativ analytics og AI-drevet rådgivning på tværs af brancher, herunder finansielle tjenester, detailhandel og teknologi, og arbejder med Fortune 500-kunder verden over. Dets kerneværdi ligger i at omdanne rå data til handlebare indsigt, der kan hjælpe virksomheder med at optimere deres drift, forudse tendenser og skabe en konkurrencemæssig fordel i en stadig mere kompleks økonomi.

De startede deres karriere i rådgivning og talentledelse hos Accenture og KPMG, før de blev CEO hos LatentView Analytics, hvor de ledte firmaet gennem dens IPO og første opkøb. Hvordan har deres baggrund i talentudvikling og organisationsstrategi formet deres tilgang til at skala AI og analytics i dag?

Min tidlige karriere fokuserede stærkt på talent, ledelsesudvikling og opbygning af organisationer, der kunne skala. Den erfaring fortsætter med at forme, hvordan jeg tænker om AI i dag. Teknologi alene skalerer ikke en organisation. Det, der betyder noget, er, hvordan hold adopterer det, hvordan ledere tilpasser sig det, og hvordan forretningsproblemet er defineret. Hos LatentView bruger vi meget tid på at hjælpe organisationer med at opbygge den driftsmodel, de færdigheder og den kultur, der er nødvendig for at omdanne analytics og AI til daglige beslutninger.

Fordi jeg har denne baggrund, tenderer jeg til at tænke om AI gennem linserne på organisationsparathed. At skala AI kræver stærk domæneekspertise, datafundamenter og hold, der kan oversætte indsigt til handling. Min fokus har altid været på at bygge disse kapaciteter sammen i stedet for at behandle AI som en isoleret kapacitet.

De har talt om AI-minimalisme — prioritering af klarethed, nysgerrighed og kultur over at jagte hver enkelt ny GenAI-trend. Hvad ser AI-minimalisme ud til i praksis for virksomhedsledere?

AI-minimalisme begynder med fokus. Virksomhedsledere behøver ikke at forfølge hver enkelt ny model eller kapacitet, der dukker op. De behøver et lille antal meningsfulde problemer, hvor AI kan forbedre beslutninger eller produktivitet på en målbart måde. Det kan være prissætningsbeslutninger, forsyningskædeplanlægning eller, hvordan viden flyttes på tværs af organisationen. At starte med et veldefineret problem hjælper hold med at bygge tillid og lære, hvad ansvarlig skala egentlig ligner.

Det betyder også at integrere AI i virkelige arbejdsgange i stedet for at behandle det som en isoleret eksperiment. Når hold ser teknologien hjælpe med at løse daglige problemer, tenderer adoptionen til at vokse naturligt. Nysgerrighed og eksperimenteren er stadig vigtige, men de fungerer bedst, når de er forankret i en klar fornemmelse af formål.

Mange organisationer skynder sig ind i generativ AI uden at styrke deres datafundamenter først. Hvad er advarselstegnene på, at et firma bygger på usikker grund?

En ting, jeg ofte bemærker, er, når AI-samtalen bevæger sig meget hurtigere end data-samtalen. Hvis ledere taler om copiloter og generative modeller, men der stadig er forvirring om, hvor nøgledata bor, hvem ejer det, eller hvilke metrikker forretningsvirksomheden rent faktisk stole på, er det normalt et tegn på, at fundamentet ikke er parat endnu. AI-systemer afhænger stærkt af pålidelig og velstyret data. Uden det bliver det svært for mennesker at stole på outputtet.

Siden de trådte til som CEO, har de drevet målbart indflydelse for globale kunder. Hvad adskiller virksomheder, der med held operationaliserer AI, fra dem, der forbliver fast i pilotfasen?

Virksomheder, der skalerer AI med succes, behandler det som en driftsdisciplin, ikke som et innovations-sideprojekt. De tildeles executive ejerskab, forbinder brugstilfælde med målbare forretningsresultater og designer for integration fra begyndelsen. De investerer også i det mindre glamourøse arbejde, såsom datapipelines, governance, procesgenopretning og brugeradoption. Det er normalt forskellen på en pilot, der får opmærksomhed, og en kapacitet, der faktisk ændrer, hvordan beslutninger træffes.

Hos LatentView har vi set, at virksomheder flytter sig hurtigere, når de foranker AI i et forretningsproblem, der allerede betyder noget for virksomheden, såsom forbedring af planlægningsnøjagtighed, lagerresultater eller leverandørsynlighed. AI, der er tilknyttet metrikker, som forretningsvirksomheden allerede bekymrer sig om, har en langt bedre chance for at blive finansieret, styret og antaget i skala.

Hvordan nærmer de sig skalaering af AI på en ansvarlig måde på tværs af en stor organisation samtidig med, at de opretholder governance, sikkerhed og ansvarlighed?

Ansvarlig skalaering begynder med at anerkende, at AI-beslutninger til sidst påvirker rigtige kunder, medarbejdere og forretningsresultater. Det betyder, at governance ikke kan være en eftertanke. Organisationer behøver klare politikker omkring dataadgang, modeloversigt og overvågning, når systemer er i produktion.

I praksis er de mest effektive governance-modeller tværfunktionelle. Forretningsledere, teknologiteams og risiko- eller compliancegrupper skal alle være involveret. AI-systemer nyder også af gennemsigtighed omkring, hvordan output genereres, og hvor menneskelig dømmekraft stadig er afgørende. Med guardrails etableret tidligt kan organisationer udvide adoption, samtidig med at de opretholder tillid.

LatentView arbejder med virksomheder på meget forskellige niveauer af digital modenitet. Hvordan adskiller deres AI-strategi sig, når de rådgiver en organisation versus en, der stadig er tidligt i sin analyticsrejse?

Med en organisation er samtalen normalt om acceleration. De har allerede meningsfulde dataaktiver, så vi fokuserer på at prioritere højt værdifulde brugstilfælde, forbedre tilgængelighed og integrere AI i arbejdsgange, hvor forretningsvirksomheden kan handle på det hurtigt. Det kan være virksomhedsvid viden, forbundet planlægning i forsyningskæden eller domænespecifikke modeller, der forbedrer beslutningshastighed på tværs af funktioner.

For organisationer tidligt i rejsen er startpunktet anderledes. Vi bruger mere tid på dataparathed, governance, BI-modernisering og kapacitetsbygning, så virksomheden kan støtte AI på en bæredygtig måde. I disse situationer betyder modenhedsbedømmelse og sekvensering meget. Du vil ikke love en agentisk fremtid til en forretningsvirksomhed, der stadig mangler tillid til data, fælles KPI’er eller lederalignering omkring problemet, det forsøger at løse.

Givet deres dybe erfaring i talentanskaffelse og læring, hvilke færdigheder bør virksomheder prioritere internt i AI-æraen versus hyre eksternt?

Internt tror jeg, virksomheder bør fokusere på at bygge bred AI- og datakompetence. Ikke alle behøver at blive datavidenskabsmænd, men mennesker på tværs af forretningsvirksomheden bør prioritere at grundlægge beslutninger i indsigt, stille bedre spørgsmål og bruge AI-værktøjer i deres daglige arbejdsgang. Når denne praksis spreder sig på tværs af hold, bliver det meget lettere at identificere, hvor AI kan virkelig hjælpe, og hvor det sandsynligvis ikke bør bruges.

Eksternt tenderer rekrutteringerne til at være mere specialiserede. Færdigheder som dataengineering, maskinlæringarkitektur og AI-governance kræver dyb ekspertise, som virksomheder måske ikke altid har internt. Virksomheder, der gør dette godt, kombinerer normalt disse specialister med forretningshold, der forstår konteksten og de beslutninger, der skal forbedres.

Kulturel modstand kan ofte bremse transformation. Hvilke ledelsesadfærd har de fundet mest effektive til at bygge tillid og momentum omkring AI-adoption?

Klar kommunikation fra ledelse gør en stor forskel. Medarbejdere vil gerne forstå, hvorfor nye teknologier introduceres, og hvordan de relaterer til virksomhedens strategi. At forklare formålet bag AI-initiativer og binde dem til virkelige forretningsmål hjælper med at bygge tillid på tværs af organisationen.

Læring er lige så vigtigt. Automatisering og AI er allerede i gang med at forme mange erhverv, så virksomheder skal aktivt støtte medarbejdere i udviklingen af nye kompetencer. Mennesker engagerer sig meget mere åbent med forandring, når de ser rigtige muligheder for at bygge nye færdigheder og vokse sammen med teknologien.

Når AI bliver integreret i beslutningsprocesser, hvordan bør bestyrelser og lederteams omdefinere præstationsmetrikker og ansvarlighed?

AI ændrer, hvordan beslutninger træffes, så lederteams skal se beyond traditionelle projektmål. Den virkelige spørgsmål bliver, om AI forbedrer kvaliteten og hastigheden af beslutninger i områder, der betyder noget for virksomheden. Det kan være bedre prognoser, mere præcise prissætningsbeslutninger eller hurtigere reaktioner på ændringer i markedet.

Hvis disse resultater forbedres, gør AI sin job. AI-præstation kan ikke sidde i en separat dashboard fra forretningspræstation i længe.

Ansvarlighed skal også være klarere. Nogen ejer stadig data, nogen er ansvarlig for at overvåge modeller i produktion, og nogen træffer til sidst beslutningen. AI kan støtte disse beslutninger, men governance og tilsyn forbliver essentielle.

Over de næste tre til fem år, hvilke skift i virksomheds-AI-adoption vil betyde mest — og hvad bør ledere starte med at gøre nu for at forblive foran?

Over de næste få år vil AI begynde at dukke op meget mere inden for daglige forretningsbeslutninger. Mange virksomheder har brugt tid på at eksperimentere med piloter og bevis for koncepter. Næste skridt er at sikre, at disse kapaciteter faktisk støtter, hvordan hold planlægger, forudser efterspørgsel, styrer forsyningskæder eller træffer markedsføringsbeslutninger.

Arbejde vil også udvikle sig, da AI bliver mere kapabel. Da rutineopgaver bliver mere automatiserede, vil erhverv flytte sig mod at guide, fortolke og arbejde sammen med AI-systemer. Organisationer, der styrker deres datafundamenter og hjælper medarbejdere med at bygge disse kapaciteter, vil tilpasse sig meget lettere, da AI bliver en del af daglige operationer.

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