Preetpal Singh, Group Managing Director bei Xebia – Interview-Serie

Preetpal Singh ist Group Managing Director bei Xebia, wo er globale Initiativen leitet, die auf den Aufbau und die Modernisierung digitaler Plattformen, Unternehmensanwendungen und datengetriebener Systeme ausgerichtet sind. Mit über 26 Jahren Erfahrung in den Bereichen Finanzdienstleistungen, Gesundheitswesen, Fertigung, Verbrauchsgüter und High-Tech-Industrien hat er an der Schnittstelle zwischen Technologieumsetzung und Geschäftstransformation gearbeitet. Seine Karriere umfasst die Engineering-Delivery, die Markteinführung und den großen operativen Wandel, mit einem konsequenten Fokus auf die Umwandlung von aufstrebenden Technologien in Systeme, die zuverlässig in Produktionsumgebungen arbeiten.

Xebia ist ein globales digitales Ingenieurbüro, das digitale Produkte und Plattformen für Unternehmen weltweit entwirft, aufbaut und modernisiert. Das Unternehmen kombiniert Software-Engineering, Cloud- und Datenmodernisierung, Generative KI und intelligente Automatisierung, um Organisationen dabei zu helfen, skalierbare Anwendungen, moderne Architekturen und integrierte KI-Fähigkeiten zu entwickeln. Mit Teams, die in mehreren Regionen tätig sind, arbeitet Xebia mit Unternehmen zusammen, um neue Technologien in Kernsysteme und kundenorientierte Plattformen einzubetten und sicherzustellen, dass Innovationen durch starke technische Grundlagen unterstützt werden.

Sie haben mehr als 26 Jahre damit verbracht, Technologie-, Vertriebs- und Geschäftstransformationsinitiativen in mehreren Branchen zu leiten. Wie hat diese Reise Ihre Herangehensweise an Innovation und Wachstum heute geprägt?

Im Laufe der Zeit bin ich viel mehr auf Dauerhaftigkeit als auf Neuheit fokussiert. Zu Beginn meiner Karriere war ich von der Macht der Technologie selbst angezogen. Mit Erfahrung begann ich, genauer auf das zu achten, was nach der Pilotphase passiert, wenn Systeme in Legacy-Plattformen integriert werden müssen, Compliance-Überprüfungen bestehen und konsistent unter realen Arbeitslasten arbeiten. In allen Branchen scheint der Wendepunkt immer dann zu kommen, wenn eine vielversprechende Initiative in die Produktion übergeht. Die Eigentümerschaft wird kritisch. Die Integrationskomplexität tritt zutage. Das Risikotoleranzniveau wird getestet. Dort wird die Transformation entweder ausgereift oder ins Stocken geraten.

Heute betrachte ich Innovation mit einem praktischen Blickwinkel. Bei Xebia priorisieren wir den Aufbau und die Modernisierung der Plattformen, die im Kern der Betriebsabläufe liegen. Wir denken an langfristige Wartbarkeit, Prüfbarkeit und Skalierbarkeit von Anfang an, da Wachstum nur dann aufrechterhalten wird, wenn die zugrunde liegenden Systeme so konzipiert sind, dass sie Druck über einen längeren Zeitraum hinweg aushalten.

Wo haben Unternehmen am meisten Schwierigkeiten, wenn sie AI umsetzen?

Die Herausforderungen treten normalerweise auf, wenn AI über Experimente hinausgeht und in operative Systeme integriert wird. Das Erstellen eines Modells ist ein Meilenstein, aber die Einbettung in Underwriting-Workflows, ERP-Systeme oder Claims-Plattformen führt zu einer anderen Ebene der Komplexität.

In einem Bereitstellungszenario hatte ein Modell in Testumgebungen gut funktioniert. Als es jedoch mit einem Live-Transaktionsfluss verbunden wurde, verlangsamten Fragen zu Audit-Protokollen, Override-Befugnissen und Rollback-Mechanismen den Rollout. Compliance-Teams benötigten Nachvollziehbarkeit. Risikoteams benötigten Klarheit über Eskalationspfade. Diese operativen Details bestimmten letztendlich den Zeitplan.

AI-Initiativen gewinnen an Fahrt, wenn Datenpipelines strukturiert sind, Produktionsüberwachung vorhanden ist und Verantwortlichkeit klar definiert ist. Organisationen, die diese Realitäten frühzeitig planen, skalierten tendenziell reibungsloser.

Wie unterscheiden Sie Automatisierung, die die Effizienz verbessert, und Transformation, die ein Geschäft umgestaltet?

Effizienzorientierte Automatisierung rationalisiert oft Schritte innerhalb eines bestehenden Prozesses. Umfassendere Transformation entsteht, wenn Teams die Struktur des Prozesses selbst neu überdenken.

Ich habe Fälle gesehen, in denen Organisationen darauf vorbereitet waren, Genehmigungsprozesse zu automatisieren, die mehr als ein Dutzend Berührungspunkte umfassten. Sobald die Entscheidungslogik neu gestaltet und Validierungsprüfpunkte konsolidiert wurden, wurde der Workflow erheblich einfacher. Der Einfluss erstreckte sich über die Zykluszeit hinaus; er beeinflusste auch die Verantwortlichkeit und Risikoverteilung.

Wenn Sie den Entscheidungsfluss mit dem Unternehmen zuerst vereinfachen, wird die Automatisierung einfacher und die Gewinne bleiben haften.

Was unterscheidet Transformation in hoch regulierten Branchen?

Hoch regulierte Sektoren neigen dazu, Governance-Aspekte direkt in die Systemgestaltung einzubetten. In Branchen wie Finanzdienstleistungen und Gesundheitswesen sind Nachvollziehbarkeit und Erklärbarkeit vor der Bereitstellung Anforderungen, nicht danach.

Ich habe mit Teams zusammengearbeitet, die Modellvalidierungstore in CI/CD-Pipelines integrierten und detaillierte Protokollstandards von Anfang an etablierten. Eskalationspfade und Überwachungsframeworks wurden früh in den Architekturdiskussionen definiert. Diese Disziplin formt widerstandsfähigere Systeme und bereitet Organisationen auf zunehmende Autonomie in AI-getriebenen Umgebungen vor.

Wie stellen Sie sicher, dass AI-Investitionen mit messbaren Geschäftsergebnissen übereinstimmen?

Ich ermutige Führungsteams, den operativen Wandel zu definieren, den sie erwarten. Das könnte bedeuten, die Onboarding-Zeit zu reduzieren, die Servicekapazität ohne proportionale Headcount-Steigerung zu erhöhen oder die Fehlerraten bei der Bearbeitung von Ansprüchen zu senken.

Instrumentierung spielt eine entscheidende Rolle. Die Plattformen, die wir liefern, umfassen Tracking für Durchsatz, Latenz, Entscheidungsgenauigkeit und Adoptionsraten. Wenn diese Indikatoren in Produktionsdashboards sichtbar sind, können Geschäftsleiter Technologieinvestitionen mit operativer Leistung verbinden. Wie beschleunigen strategische Partnerschaften AI im großen Maßstab?

Unternehmens-AI-Initiativen umfassen Infrastruktur, Datenplattformen, Anwendungsarchitektur und Sicherheit. Koordinierte Ausführung über diese Ebenen erfordert Tiefe und Ausrichtung. Partnerschaften schaffen Schwung, wenn sie direkt mit der technischen Fähigkeit und der operativen Ausführung verbunden sind.

Unsere erweiterte Zusammenarbeit mit Partnern wie Google Cloud, Anthropic und anderen umfasst die Entwicklung wiederholbarer Branchenlösungen und die Einrichtung eines globalen Centers of Excellence zur Unterstützung der skalierbaren Lieferung. Strukturen wie diese reduzieren die Integrationsreibung und bieten Konsistenz, wenn Bereitstellungen über Regionen und Geschäftseinheiten hinweg expandieren.

Welche Missverständnisse sehen Sie im Zusammenhang mit AI-Bereitschaft?

Viele Organisationen betrachten erfolgreiche Pilotprojekte als Beweis für die Bereitschaft. In der Praxis zeigt sich die Bereitschaft in strukturierten Datenumgebungen, stabilen Integrationslagen, definierten Governance-Protokollen und klaren Verantwortlichkeitsmodellen.

Produktionsstabilität und Governance-Reife prägen den langfristigen Erfolg ebenso wie die Modellleistung. Ein Modell kann in Tests gut funktionieren, aber sobald es mit voller Transaktionsmenge arbeitet, werden Latenz, Überwachung und Fehlerbehandlung kritisch. Teams benötigen klare Rollback-Verfahren, Drift-Erkennung, Protokollstandards und definierte Eigentümerschaft, sobald das Modell live ist.

Wenn AI-Systeme von beratenden Rollen zu Entscheidungsrollen wechseln, wird Klarheit über die Befugnis zur Aufhebung und Eskalationspfade wesentlich. Wenn diese Schutzmechanismen früh in die Architektur eingebaut werden, wird die Skalierung viel einfacher.

Wie sollten Führungskräfte das Gleichgewicht zwischen Innovation und Risiko finden, wenn AI in die Betriebsabläufe integriert wird?

Verantwortungsvolle AI wird von Anfang an in das System eingebaut und durch aktive Überwachung aufrechterhalten. Klar definierte Kriterien dafür, wo Systeme unabhängig handeln können und wo menschliche Aufsicht unerlässlich ist, helfen, spätere Unklarheiten zu vermeiden.

Laufende Überwachung ist ebenso wichtig, da Datenmuster sich ändern und regulatorische Landschaften evolvieren. AI-Systeme erfordern periodische Neukalibrierung und Überprüfung, um die Ausrichtung mit Geschäfts- und Compliance-Erwartungen aufrechtzuerhalten.

Wie halten Sie die Ausrichtung zwischen technischer Umsetzung und strategischer Führung aufrecht?

Die Ausrichtung wird einfacher, wenn die Menschen ehrlich über die Kompromisse sind. Wenn Sie schneller vorankommen möchten, gibt es technische Auswirkungen. Wenn Sie Systemen mehr Autonomie geben, benötigen Sie stärkere Überwachung. Wenn Sie tief anpassen, treffen Sie Entscheidungen darüber, wie leicht es sein wird, später zu warten.

Nichts davon ist schlecht. Es muss nur explizit sein. Wenn diese Realitäten von Anfang an diskutiert werden, konkurrieren Ehrgeiz und Disziplin nicht miteinander. Führungskräfte können vorankommen, Ingenieure können verantwortungsvoll bauen, und jeder versteht, worauf er sich einlässt. Diese Art von Transparenz schafft Vertrauen und hält den Fortschritt über die Zeit hinweg aufrecht.

Wo sollten Unternehmen ihre strategischen Investitionen in den nächsten Jahren fokussieren?

Anpassungsfähigkeit wird die Führer von den anderen unterscheiden. Das kommt normalerweise auf starke Grundlagen hinunter: saubere Daten, skalierbare Cloud-Infrastruktur, disziplinierte Bereitstellung und klare Sichtbarkeit darüber, wie Systeme arbeiten.

Unternehmen, die in diese Grundlagen investieren und die richtigen Ökosystem-Partnerschaften darum herum aufbauen, können sich anpassen, wenn Märkte und Vorschriften sich ändern. Langfristig kommt der Vorteil aus dem Aufbau von Betriebsabläufen und Architektur, die mit jeder neuen Welle umgehen können.

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