Sathya AG, Seniorer Principalarchitekt bei Google – Interviewreihe

Sathya AG ist ein Technologie-Evangelist, veröffentlichter Autor von “Enterprise-Grade Hybrid and Multi-Cloud Strategies” und Senior Principal Architect bei Google (Retail Strategic Industries), mit über 19 Jahren Erfahrung in Unternehmensarchitektur und KI. Ein globaler Thought Leader, der mit dem Top AI Influencer Award und dem Google President’s Award ausgezeichnet wurde, ist er der Autor von Enterprise-Grade Hybrid and Multi-Cloud Strategies und Mitglied des Advisory Board für den CAIO Circle. Er ist Fellow der British Computer Society (FBCS), Senior Member von IEEE und Stanford LEAD-Alumnus. Ein gefragter Redner bei AI Forward, Google Next und NRF, Sathya unterrichtet auch AI/ML für benachteiligte Gemeinschaften.

Haftungsausschluss:Die hier geäußerten Gedanken und Meinungen sind die des Autors und spiegeln nicht unbedingt die Ansichten, Positionen oder Meinungen seines Arbeitgebers oder einer Organisation wider, mit der er verbunden ist.

Sie haben über ein Jahrzehnt bei Oracle (ORCL ) gearbeitet, bevor Sie in eine Senior-Architekturrolle bei Google wechselten, wo Sie jetzt mit großen Einzelhandelsunternehmen zusammenarbeiten. Wie hat sich Ihre Sicht auf Unternehmens-KI verändert, als Unternehmen von traditionellen Datenmodernisierungsprojekten zu generativer KI und agenter KI-Initiativen übergingen?

Zurück in den Oracle-Tagen, als Unternehmensarchitekt, lag mein Hauptaugenmerk immer auf dem Bau von grundlegenden, hochkomplexen Systemen, auf die Organisationen angewiesen sind, um ihr Geschäft zu betreiben. Wir lösten massive Integrations-, Governance- und Master Data Management-Herausforderungen, um sicherzustellen, dass das Unternehmen eine einzelne, hochresiliente Quelle der Wahrheit hatte. Traditionelle Datenmodernisierung war grundlegend auf passive Beobachtung ausgerichtet, bei der semantische Schichten und Datenpipelines entworfen wurden, die vertrauenswürdige Erkenntnisse an menschliche Entscheidungsträger lieferten.

Die Entwicklung von Generativer und Agenter KI hat das architektonische Paradigma von passiver Beobachtung zu einem autonomen System der Aktion grundlegend geändert. Jetzt liegt der Fokus darauf, ob wir ein System so konfigurieren können, dass es in unserem Namen (und korrekt, ohne Aufsicht) handeln kann, im großen Maßstab. Das ist ein viel höherer Standard für Datenqualität, Kontext und Kontrolle, da jetzt eine falsche Annahme über die Daten nicht nur ein falsches Dashboard produziert, sondern auch eine falsche Aktion. Ein Agent, der die Inventardaten falsch interpretiert, informiert nicht nur jemanden falsch, sondern platziert auch eine falsche Bestellung.

Dies ist der Punkt, an dem eine strenge Unternehmensarchitektur kritisch und grundlegend für KI-Systeme wird. Um autonome Systeme sicher zu bauen, müssen wir die Lücke zwischen deterministischen Unternehmenssystemen und probabilistischer KI nahtlos überbrücken. Die Architekturgespräche, die ich jetzt führe, sind über den Bau einer vertrauenswürdigen Datenstruktur, die Sicherstellung, dass Echtzeit-Autonomie durch strenge Governance, robuste Beobachtbarkeit und die gleiche Transaktionsintegrität gebunden ist, die wir immer von Unternehmenssystemen verlangt haben.

Sie haben argumentiert, dass viele KI-Projekte nicht wegen des Modells, sondern wegen der Daten- und Architekturentscheidungen, die viel früher getroffen wurden, scheitern. Welche sind die häufigsten frühen Architekturentscheidungen, die KI-Projekte später stillschweigend untergraben?

Das, was ich am häufigsten sehe, ist, dass Unternehmen ein Lager oder einen See als einzige Quelle der Wahrheit behandeln, obwohl es in Wirklichkeit nur ein einzelnes Ziel ist. Sie leiten alles in einen Ort und nehmen an, dass dies das Problem der “einen Version der Wahrheit” löst, aber es löst es nicht, es zentralisiert nur die Uneinigkeit. Wenn drei Quellsysteme jeden aktiven Kunden anders definieren, gibt es durch die Weiterleitung in ein Lager ein falsches Ergebnis anstelle von drei.

Dann gibt es die Falle, genau das zu bauen, was vor einem liegt. Eine Pipeline wird perfekt auf ein Dashboard abgestimmt, funktioniert großartig und muss dann sechs Monate später für ein neues Modell, das dieselben Daten benötigt, aber schneller oder frischer, komplett umgebaut werden, anstelle von erweitert.

Und das, was immer wieder Menschen beißt, ist die Vernachlässigung von Herkunft und Metadaten, weil es wie Overhead aussieht, für das niemand gefragt hat. Es hat keine Auswirkungen, bis jemand fragt, warum das Modell einen bestimmten Anruf getätigt hat und es keine Möglichkeit gibt, es zurückzuverfolgen. Das wird dann zu einer teuren Reparatur anstelle einer billigen Designentscheidung.

Wenn Sie mit Fortune-500-Unternehmen zusammenarbeiten, welche Signale zeigen an, dass eine Organisation wirklich bereit ist, KI über Pilotprojekte hinaus zu skalieren?

Ehrlich gesagt, kann ich normalerweise innerhalb der ersten paar Gespräche erkennen. Der Unterschied zwischen einer Organisation, die mit KI experimentiert, und einer, die bereit ist, es auf Unternehmensebene zu operationalisieren, liegt an einigen wenigen verräterischen Zeichen. Ich suche normalerweise nach Bereitschaft in drei Hauptbereichen: Strategische Überzeugung, Geschäftliche Integration und Betriebliche Reife.

Hier sind die Signale, die wahre Bereitschaft signalisieren, KI zu skalieren:

1. Strategische Ausrichtung und Exekutive Überzeugung

Ein klarer KI-Strategie, nicht nur KI-Neid: Die Unternehmensführung zeigt echte Überzeugung hinsichtlich ihrer KI-Strategie. Dies ist leicht zu erkennen, indem man einige führende Fragen zu ihrer KI-Strategie stellt. Wenn sie den präzisen Geschäftswert (z. B. Umsatzwachstum, Gewinnmargenverbesserung oder Kundenerfahrung) artikulieren können, anstelle von nur “generative KI nutzen” zu wollen, sind sie bereit.

Verpflichtete Unternehmensfinanzierung: Sie haben die isolierten R&D-Budgets überschritten. Es gibt ein dediziertes, cross-funktionales Budget, das nicht nur für KI-Projekte, sondern auch für Change-Management, Infrastruktur und laufende MLOps bereitgestellt wird.

2. Problem-Lösungs-Fit und Geschäftliche Integration

Die richtigen Probleme lösen: Ein großer Warnsignal ist es, Standard-Workflow-Automatisierung oder Robotic Process Automation (RPA) mit KI zu verwechseln und KI auf eine Legacy-Prozesse zu überlagern, nur um dem Vorstand KI-Adoption zu demonstrieren. Bereite Organisationen verstehen den einzigartigen Wert von KI. Sie konzentrieren sich auf Use-Cases, bei denen KI einen Paradigmenwechsel in der Fähigkeit bietet, anstelle von nur einem Technologie-Check auf einem Legacy-Prozess.

Geschäftseinheiten-Eigentum: Dies ist ein leiseres Signal, aber oft der größte Hemmschuh für die Skalierung. Wenn KI-Begeisterung ausschließlich in einem isolierten “Innovationslabor” mit keinerlei Skin-in-the-Game von den tatsächlichen Geschäftseinheiten lebt, werden Pilotprojekte nicht abheben. Wahre Bereitschaft wird signalisiert, wenn Geschäftsbeteiligte aktiv an der Lösungsentwicklung beteiligt sind und das endgültige Geschäftsergebnis besitzen, anstelle eines Proof-of-Concepts über die Mauer zu den Betrieben zu werfen.

3. Betriebliche Reife und Governance

Sicherheit und Compliance von Tag 1 an: Ein Mangel an Beteiligung von Sicherheits- und Governance-Teams oder der Versuch, ein kritische KI-Use-Case von ihnen abzutrennen, um “schneller zu bewegen”, ist ein Rezept für die Auslieferung von Fehlern. Reife Organisationen bringen InfoSec, Recht und Daten-Governance von Tag 1 an den Tisch. Sie betrachten diese Teams als kritische Aktivatoren, die die notwendigen Schutzmechanismen zum Skalieren bauen, anstelle von Hindernissen.

Letztendlich behandeln Organisationen, die KI erfolgreich skalieren, KI nicht als IT-Wissenschaftsexperiment, sondern als transformationale Geschäftsfähigkeit mit der richtigen Sponsorship, den richtigen Schutzmechanismen und der richtigen Geschäftsabstimmung.

Was sieht eine KI-fähige Datenbasis tatsächlich aus, besonders für Unternehmen mit fragmentierten Daten über ERP, CRM, Commerce, Cloud und Legacy-Systeme?

Die meisten Unternehmen haben kein Daten-Volumen-Problem, sondern ein Daten-Vertrauens-Problem. Dies wird durch KI noch verstärkt. Es geht weniger um ein neues, glänzendes Plattform und mehr um eine Handvoll unglamouröser Eigenschaften, die über Systeme hinweg gelten.

Beispielsweise muss derselbe Kunde, Produkt oder Laden als dieselbe Entität erkannt werden, unabhängig davon, ob er in einem Legacy-ERP, einem modernen CRM oder einem Commerce-Plattform liegt. Wenn Ihre Systeme nicht übereinstimmen, wer ein Kunde ist, arbeiten Ihre KI-Personalisierungs- und Vorhersagemodelle mit fragmentierten Daten, was zu einem halluzinierten Bild führt. Sie können den Kundenlebenszeitwert nicht vorhersagen, wenn Ihre KI einen Kunden als drei verschiedene Personen behandelt.

Zweitens ist Datenfrische, die dem Entscheidungsprozess entspricht, nicht standardmäßig auf das, was das Quellsystem tut. Nachtliche Inventaraktualisierungen sind für langfristige Planung in Ordnung, aber für Echtzeit-Lieferung sind sie nutzlos; eine echte Grundlage unterstützt beide Geschwindigkeiten, ohne alles auf die langsamste zu reduzieren.

Drittens ist eine Herkunfts-Schicht erforderlich, die es ermöglicht, “Woher kommt diese Zahl?” in Minuten zu beantworten, anstelle einer mehrtägigen Untersuchung. Die meisten fragmentierten Unternehmen haben nicht zu wenig Daten, sondern zu wenig eine Schicht, die die Daten, die sie bereits haben, vertrauenswürdig und nachvollziehbar macht. Das ist die eigentliche Grundlage, nicht das, was als Werkzeug darauf gesetzt wird.

Sie diskutieren oft die 5 Vs der Daten: Volumen, Geschwindigkeit, Vielfalt, Vertrauenswürdigkeit und Wert. Welche davon neigen Unternehmensführer am meisten zu unterschätzen, wenn sie Daten für KI vorbereiten?

Daten-Vertrauenswürdigkeit, ohne Frage, gefolgt von Daten-Wert.

Volumen ist in der heutigen Big-Data-Ökonomie ein gegebenes. Jeder ertrinkt in Daten. Vielfalt und Geschwindigkeit erhalten ein Budget, weil sie auf einer Roadmap sichtbar sind – neue Quellen, Pipelines und Echtzeit-Feeds.

Vertrauenswürdigkeit ist unsichtbar, bis es etwas kostet – normalerweise produziert ein Modell ein offensichtlich falsches Ausgabe, und jemand verfolgt es zurück zu doppelten Kundenregistrierungen oder einem Feld, das drei Teams auf drei verschiedene Weise ausfüllen.

Zuletzt wird Wert auf andere Weise unterschätzt – Führungskräfte nehmen an, dass, wenn Daten existieren, sie Wert haben, ohne zu fragen, ob sie tatsächlich eine Entscheidung beeinflussen. Die meisten Unternehmen haben nur einen kleinen Bruchteil ihrer Daten, der tatsächlich etwas tut, und niemand hat herausgefunden, welcher Bruchteil das ist.

Im Einzelhandel insbesondere können KI-Use-Cases Personalisierung, Vorhersage, Inventar, Lieferkette, Kundenservice und Ladenbetrieb umfassen. Wo sehen Sie die größte Lücke zwischen KI-Ambition und Datenbereitschaft?

Während KI-Ambition gleichmäßig über den Einzelhandel verteilt ist, ist Datenbereitschaft stark asymmetrisch.

Personalisierung und Vorhersage haben die vernünftigste Bereitschaft – Einzelhändler haben Transaktions- und Browsing-Daten seit Jahren gesammelt.

Die größte Lücke ist die Lieferkette und Omni-Channel, insbesondere die Verbindung zwischen Online- und physischen Läden. Omni-Channel ist unglaublich komplex, weil es einem Einzelhändler zwingt, zwei der härtesten Datenprobleme in Echtzeit zu lösen: vereinheitlichte Kundenidentität und flüssiges Inventar. Die meisten Einzelhändler haben Echtzeit-E-Commerce-Inventar, aber nur periodische, manchmal tagesaktuelle Sichtbarkeit in Lagerbestand.

Kundenservice und Ladenbetrieb sind noch in den Anfängen. Ambition ist hoch, aber die zugrunde liegenden operativen Daten, z. B. Personalplanung, Aufgabenabschluss, Echtzeit-Ladenbedingungen, sind oft der am wenigsten digitalisierte Teil des Geschäfts. Ambition ist gleichmäßig über diese Use-Cases verteilt; Bereitschaft ist es nicht.

Wie sollten Unternehmen ihre Legacy-Daten-Infrastruktur modernisieren, ohne die mission-kritischen Systeme zu stören, auf die das Geschäft jeden Tag angewiesen ist?

Legacy-Daten-Plattformen leiden oft unter Betriebsengpässen, schwerwiegenden Datenqualitätsproblemen und organisatorischen Skalierungsbeschränkungen. Der effektivste Weg, um den täglichen Betrieb während einer Modernisierungsreise zu schützen, ist, strikt eine einzige, hochriskante Big-Bang-Migration zu vermeiden. Das Hauptziel der Datenplattform-Modernisierung sollte darin bestehen, Daten für organisatorische Entscheidungen nützlicher zu machen, anstelle davon, den Aufwand als reinen IT-Plattform-Austausch zu behandeln.

Um der KI-Ära gerecht zu werden, sollten Organisationen eine Daten-Medallion- und Daten-Mesh-Architektur annehmen. Diese Strategie erstellt eine strukturierte Pipeline, in der Daten schrittweise von roh zu geschäftsbereit verfeinert werden, wodurch schlechte Datenqualität von Entscheidungen ausgeschlossen wird. Durch die Trennung von Daten in separate logische Schichten etablieren Organisationen klare Herkunft, was es einfach macht, zu verfolgen, wie sich Informationen von der Quelle zum Ziel transformieren.

Indem Organisationen verifizierte Daten in zugängliche Produkte verpacken, ermöglichen sie ihren Teams, strategische, evidenzbasierte Entscheidungen zu treffen, anstelle von Intuition. Wesentlich ist, dass dieser Ansatz die Grundlage von Datenvertrauen schafft, die für Unternehmens-KI erforderlich ist. Durch den Bau von KI-Agents auf Curated-Daten-Produkte wird sichergestellt, dass Modelle aus sicheren, genauen Informationen lernen, anstelle von unordentlichen, unverifizierten Datensätzen.

Governance wird oft nachträglich zu einem KI-Projekt hinzugefügt. Was ändert sich, wenn Governance, Datenschutz, Sicherheit und Datenqualität von Tag 1 an als Architekturanforderungen behandelt werden?

Alles bewegt sich schneller, bricht weniger und skaliert besser. Bei der probabilistischen Natur von generativer KI ist Governance extrem kritisch, aber oft das am meisten vernachlässigte Aspekt in vielen Organisationen.

Wenn Sie diese Elemente von Tag 1 an als Architekturanforderungen und nicht als letzte Prüfliste behandeln, verschieben Sie sich von Schadensbegrenzung zu Geschwindigkeit. Hier ist, was sich ändert:

Erstens vermeiden Sie die schmerzhafte “Rip-and-Replace”-Phase, in der vollständig aufgebaute KI-Projekte wegen Verstoßes gegen Compliance- oder Datenschutzstandards abgebrochen werden.

Zweitens sind Sicherheit und Datenqualität nicht aufgesetzt, sondern in die Pipeline eingebettet. Ihre Modelle laufen auf vertrauenswürdigen Daten, was Outputs liefert, die Führungskräfte und Benutzer tatsächlich vertrauen.

Letztendlich ist der Weg zur Auslieferung nicht durch eine regulatorische Wand blockiert, wenn man von Proof-of-Concept zu Produktion übergeht, sondern bereits automatisiert.

Kurz gesagt, ist Governance nicht ein Bremsklotz für Innovation, sondern das Lenksystem, das es ermöglicht, schnell und sicher zu fahren.

Als Berater des CAIO Circle, wie denken Sie, dass die Rolle des Chief AI Officers evolvieren sollte, und wo sollten ihre Verantwortlichkeiten beginnen und enden im Vergleich zu CIO, CDO und Geschäftseinheiten?

Als Teil des CAIO Circle habe ich einen nützlichen Einblick in diese Rolle, weil sie derzeit überall ist, da viele Unternehmen sie reaktiv geschaffen haben, als Reaktion auf die generative KI-Hype, anstelle von einer klaren operativen Lücke. Ich glaube, dass dies schnell geschehen wird und geschehen muss. Um effektiv zu sein, sollte die Exekutive klare Verantwortlichkeiten haben:

Der CIO besitzt die Infrastruktur und Systemzuverlässigkeit. Der CDO besitzt Daten als Unternehmensvermögen (Qualität, Governance und Zugänglichkeit). Der CAIO besitzt die Übersetzungs-Schicht zwischen roher KI-Fähigkeit und realen Geschäftsergebnissen.

Diese Übersetzungs-Schicht bedeutet, dass man ausdrücklich die KI-Portfolio besitzt, bestimmt, was zu bauen ist, identifiziert, welche Bereiche des Geschäfts durch KI-Technologie verbessert und bedient werden können, und dient als ultimative Autorität darüber, wo KI eingesetzt und nicht eingesetzt werden sollte.

Die größte Lücke in den meisten Unternehmen heute ist die Bewertung von Risiken und Wert-Trade-Offs zwischen konkurrierenden Geschäftseinheiten. Das Blockieren eines hochriskanten KI-Initiativen, die eine einzelne Geschäftseinheit dringend will, erfordert jemanden, dessen Anreize nicht an diese Einheit gebunden sind und der technisch genug ist, um das Risiko direkt zu bewerten. Dieser unabhängige, technisch fundierte Gatekeeper ist genau das, was die Rolle des CAIO werden muss.

Auf lange Sicht, was wird Unternehmen, die eine dauerhafte KI-Vorteile erzielen, von denen unterscheiden, die nur mit den neuesten KI-Tools experimentieren?

Es wird nicht diejenigen sein, die Zugang zu den besten Modellen haben. Modellfähigkeit konvergiert schnell, und rohe Technologie wird nicht länger ein dauerhafter Differenzierungsmerkmal bleiben.

Stattdessen liegt der Kern des langfristigen KI-Erfolgs – intern oder kundenseitig – an einem einzigen Punkt: Vertrauen.

Vertrauen ist direkt proportional zur Fähigkeit einer Organisation, eine KI-fähige Grundlage und eine Umgebung zu schaffen, in der neue Fähigkeiten getestet, sicher bereitgestellt und skaliert werden können. Konkret erfordert dies drei Dinge:

Ein zuverlässiges Daten-Fundament: Saubere, vertrauenswürdige Daten, damit jedes neue Use-Case nicht eine massive, einmalige Reinigungsaktion erfordert.

Agile Governance: Risiko- und Compliance-Prozesse, die schnell genug sind, um mit der Geschwindigkeit Schritt zu halten, mit der die zugrunde liegenden Modelle evolvieren.

Outcome-Driven-Metriken: Eine organisatorische Kultur, die KI anhand von Geschäftswert und nicht anhand von Technologie-Sophistikation misst.

Die Unternehmen, die noch in “Experimentier-Modus” stecken werden, werden diejenigen sein, die nie diese Grundlage aufgebaut haben – sie werden immer wieder dieselben Daten- und Governance-Lektionen auf jedem einzelnen KI-Projekt lernen.

Die Gewinner mit einem dauerhaften Vorteil werden diejenigen sein, bei denen das zehnte KI-Use-Case dramatisch billiger und schneller zu bereitstellen ist als das erste, weil die Grundlage von Anfang an richtig aufgebaut wurde.

Vielen Dank für das großartige Interview, Leser können auch sein Buch Enterprise-Grade Hybrid and Multi-Cloud Strategies lesen.