Lakshmikant Gundavarapu, Chief Innovation Officer bei Tredence – Interview-Serie

Lakshmikant Gundavarapu ist der Chief Innovation Officer bei Tredence. Mit über drei Jahrzehnten Erfahrung im IT-Sektor ist Lakshmikant eine renommierte Autorität in der AI-Transformation und digitalen Innovation.

Als ehemaliger Global Head für Data & AI bei Microsoft India ermöglichte Lakshmikants Führung die digitale Transformation für über 100 Kunden in 40 Ländern. Bei Microsoft setzte Lakshmikant die Integration von Open-Source-Datenbanken auf Azure und schloss strategische Allianzen mit SaaS-Lösungsanbietern durch.

Mit einer Begabung für die Entwicklung von kundenorientierten AI-Lösungen exceliert Lakshmikant darin, strategische Partnerschaften zu fördern, die Innovation vorantreiben. Lakshmikant bringt eine Fülle an Erfahrung, technischer Expertise und Führungsqualitäten mit, um AI-getriebene Transformationen zu katalysieren und unter Beweis zu stellen, dass er in der Lage ist, aufkommende Technologien in konkrete Geschäftslösungen umzusetzen.

Tredence ist ein Daten- und AI-Unternehmen, das Unternehmen hilft, Analytics-Experimente in reale Auswirkungen umzuwandeln. Sie arbeiten in Branchen wie Einzelhandel, CPG, Technologie, Finanzen, Gesundheitswesen und Reisen und bieten Dienstleistungen in den Bereichen Data-Engineering, AI/ML, generative AI, Supply-Chain, Customer-Experience und digitale Modernisierung an. Ihr Fokus liegt auf der Kombination von Geschwindigkeit durch Acceleratoren, tiefem Branchenwissen und starken Partnerschaften, um skalierbare, unternehmensbereite Lösungen zu liefern.

Welche Erfahrungen haben Ihre Jahre bei Microsoft India geprägt und wie zeigen sie sich jetzt in Tredences Strategie?

Während meiner Zeit bei Microsoft hatte ich die Gelegenheit, mit Unternehmen aus verschiedenen Branchen zusammenzuarbeiten, darunter Aviation und Immobilien. Es ist offensichtlich, dass AI einen echten Einfluss haben kann, wenn es einen klaren Zweck hat, von zuverlässigen Daten unterstützt wird und so konzipiert ist, dass es in die operativen Entscheidungsprozesse integriert werden kann.

Zum Beispiel:

• Ein großes Flugunternehmen implementierte AI, um Triebwerksausfälle vorherzusagen, was zu proaktiver Wartung und Verbesserung der Sicherheit und Effizienz führte.
• Ein großes Immobilienunternehmen nutzte AI für die Vorhersage von wichtigen Gebäudesystemen, was zu reduzierter Ausfallzeit und optimierten Wartungsplänen führte.

Diese Erfahrungen haben mich gelehrt, dass Technologie allein Unternehmen nicht transformiert. Es erfordert sorgfältige Konzeption, starke Datenfundamente und Mechanismen, die Erkenntnisse in reale Aktionen übersetzen. Diese Perspektive bestimmt nun Tredences Ansatz: Wir entwickeln AI-Lösungen, die zweckorientiert, dateninformiert und in der Lage sind, messbare Ergebnisse im gesamten Unternehmen zu liefern.

Tredence wird oft als Lösung für das “Last-Mile”-Problem in AI beschrieben. Können Sie Beispiele nennen, wo diese beschleunigte Transformation für Kunden erfolgte? 

Betrachten wir ein großes globales Einzelhandelsunternehmen. Durch die Vereinigung von fragmentierten Daten aus Transaktionen, Treueprogrammen, Supply-Chain-Operationen und digitalen Touchpoints ermöglichten wir AI-Anwendungen, die Umsatzwachstum, Kundenbindung, Journey-Personalisierung und Nachfrageprognose vorantrieben. Wir wendeten diese Erkenntnisse operativ an, indem wir Analysen in greifbare Geschäftsergebnisse umwandelten.

Einzelhandelsfallstudie: Tredence erstellte ein einheitliches Personalisierungssystem, das 58 Millionen US-Dollar Umsatz generierte und eine 54-prozentige KPI-Lücke schloss. Dies ging über Kundeninsights hinaus und lieferte personalisierte Umsatztreiber im großen Maßstab.

Im Biopharma-Bereich ermöglichte die Integration von R&D-, klinischen und kommerziellen Datensätzen AI, klinische Studien zu optimieren, Studien Designs zu verbessern und die Ärztebeteiligung zu erhöhen, was zu einer schnelleren Markteinführung und höheren Umsätzen führte.

Über Branchen hinweg, von der Betrugsbekämpfung im Bankwesen bis hin zur prädiktiven Wartung in der Fertigungsindustrie, bleibt die Lektion dieselbe: AI liefert nur dann Wert, wenn es Entscheidungen vorantreibt, die für das Unternehmen von Bedeutung sind.

Bankfallstudie: Tredence setzte GenAI-AML-(Anti-Geldwäsche)-Copiloten ein, die nicht nur Erkenntnisse über verdächtige Aktivitäten generierten, sondern auch in den täglichen Betrieb integriert wurden, um die Fallbearbeitung um 120 % zu steigern und falsche Positivergebnisse um 15 % zu reduzieren. Dies zeigt die Umwandlung von AI-Erkennung in betriebliche Effizienz.

Warum scheitern Unternehmen oft daran, von AI-Piloten zu Produktionsmaßstab zu gelangen? Welche sind die größten Hindernisse, und wie hilft Tredence dabei, sie zu überwinden?

Viele AI-Initiativen kommen zum Stillstand, weil sie nicht mit einem klaren Geschäftsergebnis konzipiert sind, auch wenn sie technisch stark sind. Zu den Schlüsselherausforderungen gehören:

1. Zweckorientierte Designlücken: Erkenntnisse sind interessant, lösen aber keine messbaren Geschäftsprobleme.
2. Dateneinschränkungen: Fragmentierte oder minderwertige Daten verhindern eine zuverlässige Skalierung.
3. Operative Herausforderungen: Ohne automatisierte Bereitstellung, Überwachung, Neuschulung und Governance bleiben Modelle experimentell.

Bei Tredence gehen wir diese Herausforderungen wie folgt an:

• Zweckorientiertes Design, das sicherstellt, dass jede AI-Initiative direkt mit messbaren Geschäftsergebnissen verbunden ist.
• Starke Datenfundamente, die Datensätze konsolidieren und anreichern, um zuverlässige Modellleistung zu gewährleisten.
• Produktionsbereite operative Rahmenbedingungen, einschließlich automatisierter Bereitstellung, Überwachung und Neuschulung, um Genauigkeit, Widerstandsfähigkeit und Compliance aufrechtzuerhalten.

Dieser Ansatz ermöglicht es Unternehmen, von Experimenten zu vollständiger AI zu gelangen, die kontinuierlich Geschäftswert liefert.

Sie haben kürzlich Milky Way vorgestellt, eine Konstellation autonomer AI-Agenten. Was inspirierte deren Design, und wie unterscheiden sie sich von herkömmlichen AI-Assistenten?

Milky Way entstand aus der Erkenntnis, dass Unternehmen mehr als nur Dashboards oder Chatbots benötigen. Sie benötigen ein Denkrahmenwerk, das multivariate Daten konsumieren, interpretieren und verbinden kann, um handlungsfähige Erkenntnisse zu generieren.

Im Gegensatz zu herkömmlichen Assistenten können Milky-Way-Agenten:

• Über verschiedene Datenquellen hinweg denken, Erkenntnisse verbinden und nicht nur Fragen beantworten.
• Komplexe, mehrdimensionale Probleme analysieren und Informationen über Workflows hinweg verbinden.
• Handlungsfähige Erkenntnisse liefern, die in Entscheidungen oder automatisierte Aktionen umgesetzt werden können.

Kurz gesagt, verwandelt Milky Way AI in ein Netzwerk von Denkagenten, die komplexe Probleme meistern und echte Geschäftsergebnisse vorantreiben können, anstatt nur grundlegende Werkzeuge zu ersetzen.

Frühe Einsatzgebiete von Milky Way lieferten schnelle Ergebnisse. Was ermöglichte diese Gewinne?

Drei Elemente machten den Unterschied:

1. Erkenntnisse dort einsetzen, wo Entscheidungen getroffen werden, und Empfehlungen sofort umsetzbar machen.
2. Vorausschauende Erkenntnisse, die Erkenntnisse in proaktive Entscheidungen anstatt retrospektiver Analysen umwandeln.
3. Sichere, geregelte Plattformen, die unternehmensweite AI ermöglichen, während Compliance und Kontrolle aufrechterhalten werden.

Diese Kombination liefert greifbare Geschäftsergebnisse in Wochen anstatt Monaten.

Milky Way priorisiert Erklärbarkeit, Prüfbarkeit und Denkwege. Wie wichtig ist dies für das Vertrauen von Unternehmen?

Vertrauen ist grundlegend für die Unternehmens-AI. Milky Way stellt sicher:

• Transparente Begründung für jede Empfehlung.
• Prüfspuren, die alle Eingaben, Ausgaben und Aktionen dokumentieren.
• Ständige gegnerische Tests, um Robustheit und Zuverlässigkeit sicherzustellen.

Diese Transparenz und Rechenschaftspflicht unterscheiden Milky Way von undurchsichtigen, schwarzen Kasten-Systemen und fördern das Vertrauen von Unternehmen in die Einführung.

Wie wird sich dieser Wechsel von Werkzeugen zu AI-Teammates auf Organisationen und Entscheidungsprozesse auswirken?

AI-Teammates verändern die Art und Weise, wie Organisationen funktionieren:

• Führungskräfte übernehmen Doppelrollen, indem sie Menschen und AI-Agenten leiten.
• Entscheidungen werden kollaborativ getroffen, wobei Agenten die Denkprozesse übernehmen und Menschen Kontext und ethische Aufsicht liefern.
• Operative Strukturen entwickeln sich, um AI in den täglichen Entscheidungsprozess zu integrieren, was die Geschwindigkeit, Konsistenz und Qualität der Ergebnisse verbessert.

Bis 2028 werden möglicherweise ein Drittel der Geschäftsentscheidungen autonom getroffen. Was müssen Organisationen ändern, um Sicherheit zu gewährleisten?

 Um autonome AI sicher einzusetzen, sollten Organisationen praktische Maßnahmen über Kultur, Betrieb und Governance umsetzen:

Kultur – Vertrauen mit AI aufbauen:

• Beginnen Sie mit menschlichem Entscheidungsprozess und erhöhen Sie allmählich die Autonomie.
• Schulen Sie Teams, um AI-Empfehlungen zu verstehen, zu validieren und zu intervenieren.

Betrieb – Überwachung und Risikokontrollen implementieren:

• Verfolgen Sie AI-Entscheidungen kontinuierlich hinsichtlich Genauigkeit, Voreingenommenheit und Compliance.
• Führen Sie gegnerische Simulationen durch, um Schwachstellen zu identifizieren.
• Halten Sie Feedback-Schleifen aufrecht, um AI-Modelle durch menschliche Korrekturen zu verbessern.

Governance – Grenzen und Eskalationspfade festlegen:

• Definieren Sie, welche Entscheidungen vollständig automatisiert und welche Aufsicht erfordern.
• Sicherstellen Sie Prüfbarkeit und Nachvollziehbarkeit für alle AI-getriebenen Aktionen.
• Erstellen Sie Notfallprozesse, um bei Anomalien oder Risiken einzugreifen.

Diese Schritte ermöglichen es Organisationen, autonome Entscheidungsfindung sicher zu skalieren, während sie Kontrolle, Verantwortung und Compliance aufrechterhalten.

Was ist Tredences Roadmap für Milky Way?

Unser Roadmap umfasst:

1. Branchenspezifische Agenten für Einzelhandel, Gesundheitswesen, Fertigung und Finanzdienstleistungen.
2. Tiefere Integrationen mit ERP-, CRM- und Supply-Chain-Systemen für nahtlose Adoption.
3. Ständiges Lernen und Denken, um es den Agenten zu ermöglichen, ihre Intelligenz und Kontextverständnis über die Zeit zu verbessern.

Die Vision ist ein Ökosystem von kooperierenden Agenten, die Unternehmen zusammenbauen, verwalten und vertrauen können.

Wie sollten C-Suite-Führungskräfte sich auf AI vorbereiten, die strategische Entscheidungsrollen übernimmt?

AI-Einführung ist ein Reifeprozess:

• Beginnen Sie mit menschlichem Entscheidungsprozess, gehen Sie zu halbautonomen Workflows über und lassen Sie schließlich vollständige Autonomie in geregelten Bereichen zu.
• Investieren Sie in AI-Literatur, um Teams zu ermöglichen, effektiv mit AI-Systemen zusammenzuarbeiten.
• Überdenken Sie KPIs, Governance-Rahmen und operative Strukturen, um sich auf Entscheidungsqualität und Geschäftsauswirkungen zu konzentrieren, anstatt nur auf Modellleistung.

Letztendlich ist AI-Einführung nicht nur eine technologische Initiative, sondern eine Transformation in Führung, Kultur und operativer Entscheidungsfindung.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Tredence besuchen: Tredence.