Chetan Alsisaria, CEO und Mitgründer, Polestar Analytics – Interview-Serie

Chetan Alsisaria, CEO und Mitgründer, ist ein Unternehmensführer im Bereich UnternehmensTechnologie, der auf Daten, Analytics und AI-getriebene Transformation spezialisiert ist. Nach frühen Rollen bei Deloitte, PwC und EY gründete er 2012 Polestar Analytics und hat es seitdem zu einem globalen AI- und Datenunternehmen ausgebaut. Er leitet den Vertrieb, strategische Allianzen, Service-Entwicklung und technische Lieferung und dient auch als Vorsitzender von CAIO Circle, einer Gemeinschaft für AI-Führungskräfte, die sich auf die Förderung verantwortungsvoller und praktischer AI-Adoption konzentriert. Darüber hinaus gründete er Xumane Equity, was seine breitere Ausrichtung auf Innovation in Unternehmenssystemen und -plattformen widerspiegelt.

Polestar Analytics ist ein globales AI- und Datenkonvergenzunternehmen, das Unternehmen hilft, fragmentierte Daten in handhabbare Erkenntnisse umzuwandeln, indem es seine eigene 1Platform einsetzt. Durch die Vereinigung von Datenengineering, Analytics, AI und Geschäftsprozessen in einem einzigen Ökosystem ermöglicht das Unternehmen es Organisationen, ihre Entscheidungsfindung zu verbessern, ihre Betriebsabläufe zu optimieren und die AI-Adoption zu skalieren. Mit einem starken Fokus auf branchenspezifische Anwendungsfälle und messbare Ergebnisse hat Polestar sich von einem beratungsgeführten Unternehmen zu einem plattformgetriebenen Unternehmen entwickelt, das vereinfachte, intelligente Lösungen im Unternehmensmaßstab liefert.

Sie haben Polestar Analytics 2012 nach Rollen bei Deloitte, PwC und EY mitgegründet. Welche Lücke im Bereich Unternehmensdaten und -analytik haben Sie damals gesehen, und wie hat sich diese ursprüngliche Vision in die heutige AI-getriebene 1Platform entwickelt?

Wenn Ajay, Amit und ich Polestar Analytics 2012 gründeten, war die Ironie verblüffend; Unternehmen ertranken in Daten, aber sie hungerten nach Entscheidungen. Jeder sammelte alles, aber die Lücke zwischen dem Besitz von Daten und der Fähigkeit, etwas Sinnvolles damit zu tun, war enorm. Das ist das Problem, das wir zu lösen versuchten.

Wenn man heute nach vorne blickt, ist das Problem nicht verschwunden, es hat sich nur verändert. Der Umfang ist größer, die Einsätze sind höher, und jetzt haben Sie auch Agenten neben Menschen, die Sinn aus all dem machen müssen. Das hat unsere ursprüngliche Vision tatsächlich klarer gemacht, nicht verwirrender.

Unser Motto, Daten zu Ergebnissen, Vereinfacht!, ist wirklich der Faden, der 2012 mit heute verbindet. Wir begannen mit der Datenlieferbarkeit; das Richtige zu den richtigen Menschen zur richtigen Zeit zu liefern. Dann kam AI und verstärkte, was möglich war. Jetzt mit 1Platform gehen wir weiter; wir vereinfachen und maximieren Ergebnisse nicht nur für Menschen, sondern auch für die Agenten, die zunehmend Entscheidungen treffen oder beeinflussen.

Was aufregend ist, ist, wie unser Ökosystem herangewachsen ist, um dies zu unterstützen. Unsere tiefen Integrationen mit Microsoft (MSFT ), Databricks und Anaplan helfen, Daten, Geschäftsanwendungsfälle und Planung zusammenzubringen. Und 1Platform sitzt über all dem, native in diesen Umgebungen, nicht aufgesetzt.

Die Evolution sieht also so aus: Datenlieferbarkeit → AI-verstärkte Erkenntnisse → vereinfachte, agentenbereite Ergebnisse. Die Verfolgung von Exzellenz ist dieselbe. Die Geschwindigkeit, mit der wir dort hinkommen, ist das, was sich exponentiell geändert hat.

Polestar Analytics positioniert sich als Daten- und AI-Konvergenzunternehmen. Was sieht die Konvergenz in der Praxis für große Unternehmen mit fragmentierten Systemen und gesiloeten Daten aus?

Die meisten Male ist Fragmentierung kein Technologieproblem, sondern ein Menschen- und Prozessproblem. Es ist, als ob Sie ein Finanzteam haben, das mit Anaplan arbeitet, ein Ops-Team, das in Excel lebt, ein Daten-Engineering-Team, das Pipelines auf Azure aufbaut, und jeder in eine andere Richtung zieht mit unterschiedlichen Definitionen desselben Metrik. Keine Menge an AI behebt ein Vertrauensproblem, wenn die Grundlage gebrochen ist.

Wenn wir also von Konvergenz sprechen, meinen wir, dass wir dieses Fundament zuerst lösen. Bevor Sie Intelligenz darauf aufbauen können, benötigen Sie saubere, regierte und kritisch zugängliche Daten. Nicht nur für Ihre Analysten, sondern zunehmend auch für Ihre Agenten.

In der Praxis sieht die Konvergenz mit 1Platform so aus: Wir reißen und ersetzen nicht, was Unternehmen aufgebaut haben. Wir gehen native in die Umgebungen, in denen sie bereits leben, wie Databricks, Microsoft und Anaplan, und nähen die Daten- und Intelligenzschicht über sie. Ihre Planungsdaten in Anaplan sprechen mit Ihren Betriebsdaten in Databricks, und Ihr Microsoft-Ökosystem ist, wo Entscheidungen tatsächlich für Menschen und Agenten auftauchen, um zu handeln.

Die Magie liegt nicht in einer dieser Integrationen. Sie liegt in der verbindenden Schicht von 1Platform, die alles wie ein kohärentes System anstelle von getrennten Tools erscheinen lässt. Das ist, was Konvergenz in der Praxis bedeutet, eine bewusste Vereinfachung, bis die Komplexität für das Geschäft unsichtbar wird.

Ihre eigene 1Platform zielt darauf ab, Daten, AI und Workflows in ein einziges System zu vereinen. Wie unterscheidet sich dieser Ansatz von traditionellen BI-Stacks oder modernen Datenplattformen wie Databricks oder Snowflake?

Databricks und Snowflake sind leistungsstarke Plattformen, mit denen wir nicht konkurrieren, sondern auf denen wir aufbauen. Diese Unterscheidung ist wichtig. Databricks bietet Infrastruktur und Rechenleistung. Wir sitzen darüber und fragen eine andere Frage: Jetzt was?

Traditionelle BI-Stacks haben viele Dinge richtig gemacht, aber Business Intelligence hat sich entwickelt. Heute benötigen Geschäftsanwender mehr als Dashboards. Sie können ein wunderschön gestaltetes Dashboard mit fünfzehn Charts haben, und jemand muss immer noch interpretieren, was es bedeutet und entscheiden, was als Nächstes zu tun ist. Diese Lücke zwischen Erkenntnis und Aktion ist genau dort, wo 1Platform operiert.

1Platform ist nicht statisch, es entwickelt sich kontinuierlich. Es beantwortet nicht nur die Fragen, die Sie stellen, sondern bringt auch Fragen zum Vorschein, die Sie nicht einmal zu stellen wagten. Das ändert die Beziehung zwischen Geschäftsanwendern und ihren Daten.

Wir haben Low-Code- und No-Code-Schnittstellen aufgebaut, die es ermöglichen, Pipelines in Sekunden aufzubauen. Aufgaben, die früher Tage für Daten-Engineers dauerten, können jetzt von Geschäftsanwendern ausgelöst werden. Darauf haben wir Agenthood AI, das es Anwendern ermöglicht, Agenten durch einfache Drag-and-Drop-Schnittstellen zu erstellen und zu orchestrieren, ohne tiefe technische Expertise zu benötigen.

Der wahre Unterschied liegt jedoch in der Endbenutzererfahrung. Anstatt zwischen mehreren Dashboards zu springen, erhalten Benutzer natürliche Sprachenerkenntnisse, kontextuelle Empfehlungen und agentengetriebene Erzählungen. KPIs sitzen nicht nur auf einem Bildschirm; Agenten überwachen sie aktiv, flaggen, was wichtig ist, und erklären, warum. Die Differenzierung liegt nicht in der Datenplattform selbst, sondern in allem, was nach der Datenbereitschaft passiert.

Viele Unternehmen stecken in dem, was oft als AI-Pilot-Hölle bezeichnet wird. Was sind die größten strukturellen oder organisatorischen Hindernisse, die die AI-Einführung in der Produktion behindern?

Ich nenne es den Pilot-Friedhof, weil die meisten Projekte nicht nur ins Stocken geraten, sondern stillschweigend sterben. Die größten Hindernisse sind nicht technischer Natur, sondern organisatorischer. Menschen, Prozesse und Daten.

Change-Management wird konsequent unterschätzt. Wenn Sie neu definieren, wie Menschen arbeiten, fordern Sie heraus, wie sie ihren Wert ableiten. Organisationen, die erfolgreich sind, sind die, bei denen die Führung AI-Kompetenz sichtbar wichtig macht. Wenn die Weiterbildung belohnt wird und die Prozessneugestaltung strukturell unterstützt wird, beschleunigt sich die Adoption.

Dann gibt es das J-Kurve-Problem. AI-Investitionen sinken oft, bevor sie steigen. Viele Organisationen erwarten ROI innerhalb von 90 Tagen, sehen es nicht und geben den Versuch auf. Diejenigen, die erfolgreich sind, verpflichten sich zum vollen Kurvenverlauf.

Datenbereitschaft ist ein weiterer kritischer Faktor. Schlechte Daten führen zu selbstsicheren falschen Entscheidungen. Bis die Datenbasis vertrauenswürdig ist, wird AI im großen Maßstab zu einer Belastung anstelle eines Vermögens.

Schließlich ist die Disziplin der Anwendungsfälle wichtig. Anstatt alles mit AI zu tun, müssen Organisationen sich auf Anwendungsfälle konzentrieren, die reale Geschäftsmetriken bewegen, sie beweisen und dann skalieren.

Bei Polestar Analytics beschleunigt die Zusammenführung von Daten, AI und Workflows in einem Ort sowohl die Problemerkennung als auch die Chancenerkennung und wandelt die Konvergenz in einen Katalysator für Veränderung.

Agentic AI wird zu einem großen Thema in der Branche. Wie denkt Polestar Analytics über AI-Agenten in Unternehmensworkflows nach, und welche realen Anwendungsfälle gewinnen an Zugkraft?

Für uns müssen Agenten in der Daten- und Geschäftsprozessschicht eingebettet sein, um echten Wert zu schaffen. Ein Preisagent zum Beispiel ist nicht nur ein LLM, der auf einem Dashboard sitzt; er ist in die Dateninfrastruktur integriert, versteht den Kontext und unterstützt reale Entscheidungsfindung.

Über unsere 100+ Agenten hinweg agieren einige als Assistenten, während andere vollautomatisiert sind. Der stärkste Zug ist im Umsatzwachstumsmanagement, einschließlich Preisgestaltung, Promotionen und Media-Mix, wo Entscheidungen häufig und datenintensiv sind.

Auf der Ingenieurseite sind Pipeline-Überwachungs- und Fehlerlösungsagenten bereits im Einsatz. FinOps-Agenten haben ungenutzte Cloud-Kosten um 35 Prozent reduziert. Es gibt auch eine starke Akzeptanz im Vermögensmanagement.

Wir unterstützen sowohl Microsoft- als auch Databricks-Ökosysteme und bieten eine benutzerdefinierte Agenten-Erstellungsplattform. Nicht jeder Agent muss LLM-basiert sein; die Architektur sollte dem Anwendungsfall entsprechen, um Skalierbarkeit und Kosten auszugleichen.

Regierungsführung ist wesentlich. Mit Agenten, die mit Finanzsystemen oder Kundendaten interagieren, sind starke Schutzmechanismen und menschliche Aufsicht eingebaut, um Zuverlässigkeit im Unternehmensmaßstab zu gewährleisten.

Mit Ihrer jüngsten Finanzierung setzen Sie auf die Entwicklung von geistigem Eigentum. Wie wichtig ist es, eigene Plattformen zu besitzen, im Vergleich zur Aufbau auf bestehenden Ökosystemen in der heutigen AI-Landschaft?

Wir sind tief in Plattformen wie Databricks, Microsoft und Anaplan integriert, die Infrastruktur und Skalierbarkeit bieten. Wir versuchen nicht, sie zu ersetzen.

Unser Fokus liegt auf dem Besitz der Intelligenzschicht darüber. Eigenes geistiges Eigentum ermöglicht es uns, die Erfahrung zu kontrollieren, Branchenwissen zu integrieren und konsistenten Wert im großen Maßstab zu liefern.

Unsere Differenzierung kommt aus der Branchenexpertise. Ob es sich um PromoPulse AI für Umsatzwachstumsmanagement oder WealthPulse für Finanzdienstleistungen handelt, der Wert liegt im Verständnis realer Anwendungsfälle und Entscheidungen.

Eigenes geistiges Eigentum ist für uns die Kodifizierung dieser Expertise. Es ist das, was die Plattform verteidigbar und wirklich nützlich macht.

Sie haben eng mit Fortune-1000-Unternehmen zusammengearbeitet. Wie ändern sich die Erwartungen an AI-ROI, da Führungskräfte messbare Ergebnisse anstelle von Experimenten verlangen?

Der Wandel ist real, aber Experimente sind nicht verschwunden. Sie werden nur erwartet, schneller zu sein und mit greifbaren Ergebnissen verbunden zu sein.

Führungskräfte bewerten ROI jetzt durch breitere Linsen wie Entscheidungsgeschwindigkeit, Kundentreue, Innovationsfähigkeit und Widerstandsfähigkeit.

AI-ROI wird nicht mehr von einem einzigen Leiter besessen. Der CTO konzentriert sich auf Infrastruktur und Daten, der CFO sieht den finanziellen Einfluss, und der COO betont betriebliche Effizienz.

Organisationen, die erfolgreich sind, ausrichten diese Perspektiven früh und verpflichten sich zu langfristigen Ergebnissen.

Ihre Expansionsstrategie umfasst Nordamerika und Europa. Welche Unterschiede sehen Sie in der AI-Adoptionsreife und der Unternehmensbereitschaft in diesen Regionen?

Der Unterschied liegt mehr in der Einstellung als in der Fähigkeit.

Nordamerika priorisiert Geschwindigkeit und Experimentierung, getrieben von Wettbewerbsdruck.

Europa betont Regierungsführung und ethische AI von Anfang an. Das bedeutet jedoch nicht langsames Wachstum. Unternehmen balancieren Struktur mit Beschleunigung.

Beide Regionen konvergieren auf skalierbare, verantwortungsvolle AI, die in die Kernbetriebe eingebettet ist.

Sie haben kürzlich den CAIO Circle gegründet, um AI-Führungskräfte zusammenzubringen. Welche dringendsten Gespräche finden unter den Chief-AI-Officern derzeit statt, insbesondere im Bereich Regierungsführung und Ethik?

CAIO Circle wurde geschaffen, um AI-Führungskräften einen Raum für offene Diskussionen zu bieten.

Die zentrale Herausforderung ist das Gleichgewicht zwischen Geschwindigkeit und langfristigem Risiko. Vertrauen und Erklärbarkeit sind große Bedenken, insbesondere da AI-Systeme kritische Entscheidungen beeinflussen.

Regierungsführung wandelt sich von Richtlinien zu eingebetteten betrieblichen Praktiken. Gleichzeitig fehlt es vielen Organisationen an Ausführungsmodellen, um ihre AI-Strategien umzusetzen.

Die wertvollsten Erkenntnisse kommen oft aus offenen Peer-Diskussionen und nicht aus formellen Präsentationen.

Auf die nächsten drei bis fünf Jahre blickend, erwarten Sie, dass sich die Unternehmens-AI in vereinigte Plattformen wie Ihrer konsolidiert oder ein fragmentiertes Ökosystem von Tools und Anbietern bleibt? Wo positioniert sich Polestar Analytics in dieser Zukunft?

Fragmentierung wird wahrscheinlich weiterbestehen. Große Plattformen wie Databricks, Microsoft, Salesforce und Anaplan werden zentrale Spieler bleiben.

Was Unternehmen benötigen, ist eine vereinigende Schicht, die Daten, Intelligenz und Workflows in etwas Handhabbares verbindet. Das ist die Rolle, die 1Platform spielen soll.

Die Zukunft wird Plattformen mit tiefem vertikalem Know-how begünstigen. Generische horizontale Lösungen werden Schwierigkeiten haben, sich zu differenzieren.

Der echte Wert wird aus dem Verständnis branchenspezifischer Bedürfnisse und der direkten Einbettung von Intelligenz in Entscheidungsprozesse kommen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Polestar Analytics besuchen.