Sathya AG, Senior Principal Architect hos Google – Interviewserie

Sathya AG er en teknologi-evangelist, publiceret forfatter af “Enterprise-Grade Hybrid and Multi-Cloud Strategies“, og Senior Principal Architect hos Google (Retail Strategic Industries), med over 19 års erfaring i enterprise-arkitektur og AI. En global tankeleder, der er anerkendt med Top AI Influencer Award og Google’s President’s Award, er han forfatter til Enterprise-Grade Hybrid and Multi-Cloud Strategies og medlem af Advisory Board for CAIO Circle. Han er Fellow of the British Computer Society (FBCS), Senior Member of IEEE, og Stanford LEAD-alumnus. En eftertragtet taler ved AI Forward, Google Next, og NRF, Sathya underviser også i AI/ML til underrepræsenterede samfund.

Disclaimer: Tankerne, der deles nedenfor, og meningerne, der udtrykkes, er forfatterens egne og reflekterer ikke nødvendigvis synspunkter, stillinger eller meninger fra hans arbejdsgiver eller nogen organisation, han er tilknyttet.

De har brugt mere end et årti hos Oracle (ORCL ) før de flyttede til en senior arkitekturrolle hos Google, hvor de nu arbejder med store detailhandelsvirksomheder. Hvordan har deres syn på enterprise AI ændret sig, da virksomheder er gået fra traditionelle data-moderniseringsprojekter til generative AI- og agentic AI-initiativer?

Tilbage i Oracle-dagene, som enterprise-arkitekt, var mit kernefokus altid på at bygge de grundlæggende, komplekse systemer, som organisationer afhænger af for at drive deres forretning. Vi løste massive integrations-, styre- og Master Data Management-udfordringer for at sikre, at virksomheden havde en enkelt, højtilgængelig kilde til sandheden. Traditionel data-modernisering var fundamentalt om passiv observation, design af semantiske lag og data-pipelines, der leverede tillidsværdige indsigt til menneskelige beslutningstagere.

Udviklingen af Generative og Agentic AI har fuldstændigt ændret den arkitektoniske paradigm fra passiv observation til et autonomt system af handling. Nu er fokus skiftet til, om vi kan lade et system tage en handling på vores vegne (og korrekt, uden overvågning), i skala. Det er en langt højere bar for datakvalitet, kontekst og kontrol, fordi et dårligt data-antagelse ikke blot producerer en forkert dashboard, men en forkert handling. En agent, der misforstår lagerdata, ender ikke blot med at misinformere nogen, men placerer en forkert ordre.

Dette er, hvor rigorøs enterprise-arkitektur bliver kritisk og grundlæggende for AI-systemer. For at bygge autonome systemer på en sikker måde, må vi brobygge mellem det deterministiske enterprise-system og det probabilistiske AI. De arkitektur-samtaler, jeg leder nu, handler om at bygge en tillidsværdig data-fundament, sikre, at real-time autonomt resonement er bundet af streng styre, robust overvågning og den samme transaktions-integritet, vi har altid krævet af enterprise-systemer.

De har argumenteret for, at mange AI-projekter fejler ikke på grund af modellen, men på grund af data- og arkitekturvalg, der er truffet meget tidligere. Hvad er de mest almindelige tidlige arkitekturvalg, der stille og roligt undergraver AI-projekter senere?

Det, jeg ser mest, er, at virksomheder behandler et lager eller en sø som den eneste sandhedskilde, når det i virkeligheden blot er en enkelt destination. De sender alt ind i én plads og antager, at det løser ‘én version af sandheden’-problemet, men det gør det ikke, det centraliserer blot uenigheden. Hvis tre kilde-systemer hver definerer en aktiv kunde på forskellig måde, giver det én forkert svar i stedet for tre.

Så er der fælden med at bygge præcis det, der er foran én. En pipeline bliver finjusteret til én dashboard, fungerer godt, og så seks måneder senere har en ny model brug for de samme data hurtigere eller friskere, og hele tingene må revses i stedet for udvides.

Og det, der altid kommer tilbage for at bidrage til, at mennesker fejler, er at springe over linje og metadata, fordi det ser ud som en overhæng, som ingen har bedt om. Det har ingen afkast; indtil den dag, hvor nogen spørger, hvorfor modellen gjorde et bestemt opkald, og der ikke er nogen måde at spore det på. Det er, når det bliver til en dyrekøbt løsning i stedet for en billig designbeslutning.

Når de arbejder med Fortune 500-virksomheder, hvilke signaler fortæller dem, om en organisation virkelig er klar til at skala AI ud over pilotprojekter?

Ærligt talt kan jeg normalt se det inden for de første få samtaler. Forskellen mellem en organisation, der eksperimenterer med AI, og en, der er klar til at operationalisere det på enterprise-skala, kommer ned til et par åbenlyse tegn. Jeg søger normalt efter klarhed over tre hovedområder: Strategisk Overbevisning, Forretningsintegration og Operativ Modenhet.

Her er, hvad der signalerer sand klarhed til at skala:

1. Strategisk Alignment & Eksekutiv Overbevisning

En tydelig AI-strategi, ikke blot AI-misundelse: Virksomhedens ledelse demonstrerer ægte overbevisning omkring deres AI-strategi. Dette kan let spores ved at stille nogle ledende spørgsmål om, hvordan AI relaterer til deres forretningsmål. Hvis de kan udtrykke den præcise forretningsværdi (f.eks. omsætningsvækst, margenforbedring eller kundeoplevelse) i stedet for blot at ville “bruge generativ AI”, er de klar.

Forpligtet Enterprise-finansiering: De er gået ud over isolerede R&D-budgetter. Der er en dedikeret, tværfaglig budget allokeret ikke blot til AI-projekter, men også til ændringsstyring, infrastruktur og fortsat MLOps.

2. Problemløsning & Forretningsintegration

At løse de rigtige problemer: Et stort advarselssignal er at forveksle standard arbejdsgangsautomatisering eller robotisk procesautomatisering (RPA) med AI og påtvinge AI oven på det blot for at vise AI-adopteringsgrad til bestyrelsen. Klarhedssignaliserende organisationer forstår den distinkte værdiposition af AI. De fokuserer på brugsområder, hvor AI tilbyder en paradigmeskift i kapacitet, snarere end blot at tjekke en teknologi-kasse på en arvende proces.

Forretningsenhedsejerskab: Dette er et stille signal, men ofte den største forhindring for at skala. Hvis AI-begejstring lever helt inden for en isoleret “innovationslaboratorium” med ingen hud i spillet fra de faktiske forretningsenheder, vil pilotprojekter fejle i at lette. Sand klarhed signaliseres, når forretningsstakeholdere aktivt samudvikler løsningen og ejer den endelige forretningsresultat, snarere end at kaste en proof-of-concept over muren til operationer.

3. Operativ Modenhet & Styring

Day-One Sikkerhed & Overholdelse: Mangel på involvering fra sikkerheds- og styringsteams eller forsøg på at afgrænse et kritisk AI-brugsområde fra dem for at “flytte hurtigere” er en opskrift på distributionsfejl. Modne organisationer bringer InfoSec, juridisk og datastyring til bordet på dag 1. De ser disse hold som kritiske facilitatorer, der bygger de nødvendige vejledninger til at skala sikkert, snarere end som vejspærringer.

Ultimo, organisationer, der succesfuldt skalerer AI, behandler det ikke som en IT-videnskabelig eksperiment, men som en transformationel forretningskapacitet med den rette sponsorkapacitet, de rette vejledninger og den rette forretningsalignering.

Hvad ser en AI-klar data-fundament faktisk ud som under overfladen, især for virksomheder med fragmenterede data på tværs af ERP, CRM, commerce, cloud og legacy-systemer?

De fleste virksomheder har ikke et data-volumen-problem, men et data-tillids-problem. Dette er, hvad der forværres med AI lagt oven på. Det handler mindre om at have et nyt, glansfuldt platform og mere om en håndfuld uglamourøse egenskaber, der holder sandheden på tværs af systemer.

For eksempel skal den samme kunde, produkt eller butik genkendes som den samme enhed, uanset om det er i et legacy-ERP, et moderne CRM eller et commerce-platform. Hvis systemerne ikke kan enes om, hvem en kunde er, vil AI-personalisering og prognosemodeller arbejde med brudt data, hvilket resulterer i en hallucineret billed. Du kan ikke forudsige kunde-lifetime-værdi, hvis din AI behandler en kunde som tre forskellige personer.

Anden, data-freshness, der er tilpasset beslutningen, ikke standardiseret til, hvad kilde-systemet tilfældigvis gør. Natlige lageropdateringer er fine til langsigtede planlægning og nytteløse til real-time-opskrivning; en rigtig fundament støtter begge hastigheder uden at flade alt ud til den langsomste.

Tredje, et linje-lag, der lader dig besvare ‘hvor kom dette tal fra’ på minutter, ikke en multi-dags-undersøgelse. De fleste fragmenterede virksomheder er ikke kort på data, men på et lag, der gør den data, de allerede har, tillidsværdig og sporbart. Det er den faktiske fundament, ikke hvilket værktøj der monteres oven på det.

De diskuterer ofte de 5 Vs af data: Volumen, Hastighed, Variation, Sandhed og Værdi. Hvilken af disse tendrer enterprise-ledere til at undervurdere mest, når de forbereder data til AI?

Data Sandhed, uden tvivl, tæt fulgt af Data Værdi.

Volumen er en given i dagens big data-økosystem. Alle er druknede i data. Variation og Hastighed får en budget, fordi de er synlige på en vejviser – nye kilder, pipelines og real-time-feeds.

Sandhed er usynlig, indtil det koster noget – normalt producerer en model en åbenlyst forkert output, og nogen sporer det tilbage til duplicate kunde-records eller et felt, som tre hold populerer på tre forskellige måder.

Sidst, Værdi bliver undervurderet på en anden måde – ledere antager, at hvis data findes, har det værdi, uden at spørge, om det faktisk flytter en beslutning. De fleste virksomheder har en lille brøkdel af deres data, der gør noget rigtigt arbejde, og ingen har kortlagt, hvilken brøkdel det er.

I detailhandlen specifikt kan AI-brugsområder spænde over personalisering, prognostisering, lager, forsyningskæde, kundeservice og butiksdrift. Hvor ser de den største kløft mellem AI-ambition og data-klarhed?

mens AI-ambition er fordelt jævnt over detailhandlen, er data-klarhed højst asymmetrisk.

Personalisering og prognostisering har den mest rimelige klarhed – detailhandlere har samlet transaktions- og browse-data i årevis.

Den største kløft er forsyningskæde og omni-kanal, især forbindelsen mellem online- og fysiske butikker. Omni-kanal er utrolig kompleks, fordi det tvinger en detailhandler til at løse to af de sværeste data-problemer i real-time: Forenet kunde-identitet og flydende lager. De fleste detailhandlere har real-time e-commerce-lager, men kun periodisk, nogle gange slutningen af dagen, indsigt i butiks-niveau-lager.

Kundeservice og butiksdrift er stadig i tidlige faser. Ambitionen er høj, men den underliggende operationelle data, f.eks. personale, opgave-gennemførelse, real-time-butiksforhold, er ofte den mindst digitaliserede del af forretningen. Ambitionen er fordelt jævnt over disse brugsområder; klarheden er ikke.

Hvordan skal virksomheder modernisere legacy-data-infrastruktur uden at forstyrre kritiske systemer, som forretningen stadig afhænger af hver dag?

Legacy-data-platforme lider ofte under operationelle flaskehalse, alvorlige datakvalitetsproblemer og organisationsmæssige skala-begrænsninger. Den mest effektive måde at beskytte daglige operationer under en moderniseringsrejse er at undgå en enkelt, høj-risiko-stor migration. Det primære mål for data-platform-moderniseringen skal være at gøre data demonstrabelt mere nyttigt for organisationsbeslutning, snarere end at behandle indsatsen som en ren IT-platform-udskiftning.

For at imødekomme AI-æraen skal organisationer adoptere en data-medalje og data-mesh-arkitektur. Denne strategi skaber en struktureret pipeline, hvor data refines progressivt fra rå til forretningsklar, og forebygger dårlig kvalitet af data fra beslutningstagning. Ved at separere data i distinkte logiske lag etablerer organisationer en klar linje, der gør det let at spore, hvordan information transformerer fra kilde til destination.

Ved at pakke verificeret data i tilgængelige produkter giver organisationer deres teams mulighed for at træffe strategiske, bevisbaserede beslutninger snarere end at stole på intuition. Afgørende etablerer denne tilgang fundamentet for data-tillid, der kræves for enterprise-AI. Bygning af AI-agenter oven på kurateret data-produkter sikrer, at modellerne lærer af sikre, præcise oplysninger snarere end beskidte, uverificerede datasæt.

Styring tilføjes ofte efter, at et AI-projekt allerede er i gang. Hvad ændrer sig, når styring, privatliv, sikkerhed og datakvalitet behandles som arkitektur-krav fra dag ét?

Alting bevæger sig hurtigere, bryder mindre og skaler bedre. Når man behandler disse elementer som dag-ét-arkitektur-krav snarere end en sidste-minut-audit-checkliste, skifter man fra skadestyring til hastighed. Her er, hvad der ændrer sig:

Først undgår man den smertefulde “rip-and-replace”-fasen, hvor fuldt byggede AI-projekter skrottes, fordi de krænker overholdelses- eller privatlivsstandarder.

Derefter er sikkerhed og datakvalitet ikke påmonteret; de er indbygget i pipeline. Deres modeller kører på pålidelig data, der giver outputs, som ledelse og brugere virkelig stoler på.

Sidst, i stedet for at ramme en reguleringsmur, når man flytter fra proof-of-concept til produktion, er vejlen til deployment allerede ryddet og automatiseret.

Kort sagt, styring er ikke en bremse på innovation, men snarere et styresystem, der tillader at køre hurtigt på en sikker måde.

Som rådgiver for CAIO Circle, hvordan tror de, at Chief AI Officer-rollen skal udvikle sig, og hvor skal dens ansvar begynde og slutte i forhold til CIO, CDO og forretningsledere?

Ved at være en del af CAIO Circle har det været en virkelig nyttig vindue ind i dette, fordi rollen lige nu er overalt på grund af, at mange virksomheder skabte den reaktivt som svar på generativ AI-hype, snarere end at udfylde en klar operationel åbning. Jeg tror, at dette vil falde hurtigt på plads, og det skal det. For at fungere effektivt skal den eksekutive nedbrydning være klar:

CIO ejer infrastruktur og system-pålidelighed. CDO ejer data som en virksomheds-aktiver (dens kvalitet, styring og tilgængelighed). CAIO ejer oversættelseslaget mellem rå AI-kapacitet og virkelige forretningsresultater.

Dette oversættelseslag betyder at tage eksplicit ejerskab af AI-porteføljen, bestemme, hvad der skal bygges, identificere områderne i forretningen, der kan forbedres og betjenes bedre gennem AI-teknologi, og fungere som den ultimative myndighed for, hvor AI skal og ikke skal deployes.

Det største hul i de fleste virksomheder i dag er evaluering af risiko- og værdi-afvejninger på tværs af konkurrerende forretningsenheder. Blokering af et høj-risiko-AI-initiativ, som en enkelt forretningsenhed desperat ønsker, kræver nogen, hvis incitamenter ikke er knyttet til den enkelte enheds korte-sigtige mål, og som er teknisk nok til at evaluere risikoen direkte. Denne uafhængige, teknisk grundede portvagt er præcis, hvad CAIO-rollen skal blive.

Settende fremad, hvad vil adskille virksomheder, der opnår en varig AI-fordel, fra dem, der blot eksperimenterer med de seneste AI-værktøjer?

Det vil ikke være dem, der har adgang til de bedste modeller. Model-kapacitet konvergerer hurtigt, og rå-teknologi vil ikke forblive en varig differentiator.

I stedet kommer kernetesten for langsigtede AI-succes – enten internt eller kunde-orienteret – ned til én ting: Tillid.

Tillid er direkte proportional med en organisations evne til at bygge en AI-klar grund og et miljø, hvor nye kapaciteter kan testes, sikkert deployes og skaleres i hastighed. Konkret kræver det tre ting:

En pålidelig Data-Grund: Ren, tillidsværdig data, så hver ny brugsområde ikke kræver et massivt, enkeltstående rensningsprojekt.

Agil Styring: Risiko- og overholdelsesprocesser, der er hurtige nok til at holde trit med, hvor hurtigt underliggende modeller udvikler sig.

Resultat-drevne Metrikker: En organisationskultur, der måler AI efter forretningsværdi, snarere end teknisk sofistikation.

Virksomhederne, der stadig vil være fastlåst i “eksperiment-mode” om tre år, vil være dem, der aldrig byggede denne grund – de vil fortsætte med at lære de samme data- og styringslærdomme på hvert enkelt AI-projekt.

De vindere med en varig fordel vil være dem, hvor den tiende AI-brugsområde bliver dramatisk billigere og hurtigere at deploye end den første, fordi fundamentet blev bygget rigtigt fra starten.

Tak for det store interview, læsere kan også læse hans bog Enterprise-Grade Hybrid and Multi-Cloud Strategies.