Ρατζάν Σέτουραμαν, Διευθύνων Σύμβουλος της LatentView Analytics – Σειρά Συνεντεύξεων

Ρατζάν Σέτουραμαν, Διευθύνων Σύμβουλος της LatentView Analytics, είναι ένας έμπειρος εκτελεστής με καριέρα που εκτείνεται στο συμβουλευτικό, την ηγεσία ταλέντων και τη μετασχηματισμό επιχειρήσεων, με ηγετικές θέσεις στην Accenture και την KPMG πριν ενταχθεί στην LatentView. Η εξέλιξή του από Chief People Officer σε Διευθύνοντα Σύμβουλο αντανακλά μια ισχυρή έμφαση στην ανάπτυξη ταλέντων, τον οργανωτικό σχεδιασμό και τα αναλογικά λειτουργικά μοντέλα, τα οποία τώρα διαμορφώνουν την προσέγγισή του στο AI και την ανάλυση. Με βαθιά εμπειρία στη भरση, μάθηση και επιχειρηματική στρατηγική, έχει επικεντρωθεί συνεχώς στην ευθυγράμμιση ανθρώπων, πολιτισμού και τεχνολογίας για την επίτευξη μετρήσιμων αποτελεσμάτων, που οδηγούν την LatentView μέσω της.initial public offering και της παγκόσμιας επέκτασής της, θέτοντας το AI ως επιχειρηματική ικανότητα και όχι ως αυτόνομη λειτουργία.

LatentView Analytics είναι μια παγκόσμια εταιρεία ανάλυσης δεδομένων και ψηφιακής μετασχηματίσεως που βοηθά τις επιχειρήσεις να εκμεταλλεύονται τα δεδομένα, την τεχνητή νοημοσύνη και την προηγμένη ανάλυση για τη βελτίωση της λήψης αποφάσεων και την οδήγηση της αύξησης. Η εταιρεία παρέχει υπηρεσίες όπως μηχανική δεδομένων, προβλεπτική ανάλυση και συμβουλευτική με βάση το AI σε διάφορους κλάδους, συμπεριλαμβανομένων των χρηματοοικονομικών υπηρεσιών, λιανικής και τεχνολογίας, εργαζόμενη με πελάτες του Fortune 500 σε όλο τον κόσμο. Η βασική αξία της εταιρείας έγκειται στην μετασχηματίωση των ακατέργαστων δεδομένων σε ενεργά δεδομένα που επιτρέπουν στις επιχειρήσεις να βελτιώσουν τις λειτουργίες, να προβλέψουν τις τάσεις και να δημιουργήσουν ανταγωνιστικό πλεονέκτημα σε μια ολοένα και πιο πολύπλοκη οικονομία.

Ξεκινήσατε την καριέρα σας στο συμβουλευτικό και την ηγεσία ταλέντων στην Accenture και την KPMG πριν γίνετε Διευθύνων Σύμβουλος της LatentView Analytics, όπου οδηγήσατε την εταιρεία μέσω της.initial public offering και της πρώτης αγοράς. Πώς η εμπειρία σας στην ανάπτυξη ταλέντων και την οργανωτική στρατηγική έχει διαμορφώσει τον τρόπο με τον οποίο κλιμακώνετε το AI και την ανάλυση σήμερα;

Η πρώιμη καριέρα μου επικεντρώθηκε έντονα στα ταλέντα, την ανάπτυξη ηγετών και την κατασκευή οργανισμών που θα μπορούσαν να κλιμακωθούν. Αυτή η εμπειρία συνεχίζει να διαμορφώνει τον τρόπο με τον οποίο σκέφτομαι το AI σήμερα. Η τεχνολογία μόνη της δεν κλιμακώνει έναν οργανισμό. Αυτό που έχει σημασία είναι πώς οι ομάδες την υιοθετούν, πώς οι ηγέτες ευθυγραμμίζονται γύρω της και πώς καθαρό είναι το επιχειρηματικό πρόβλημα που ορίζεται. Στην LatentView, περνάμε πολύ χρόνο βοηθώντας τις οργανώσεις να κατασκευάσουν το λειτουργικό μοντέλο, τις ικανότητες και τον πολιτισμό που χρειάζονται για να μετατρέψουν την ανάλυση και το AI σε καθημερινές αποφάσεις.

Λόγω αυτού, tend να σκέφτομαι το AI μέσα από το πρίσμα της οργανωτικής ετοιμότητας. Η κλιμάκωση του AI απαιτεί ισχυρή εξειδίκευση τομέα, θεμέλια δεδομένων και ομάδες που μπορούν να μεταφράσουν τις επισημάνσεις σε δράση. Η εστίασή μου έχει πάντα επικεντρωθεί στη διαμόρφωση αυτών των ικανοτήτων μαζί, αντί να αντιμετωπίζω το AI ως μια απομονωμένη ικανότητα.

Μιλάτε για τον ελάσσοντα μινιμαλισμό του AI — προτεραιότητα στην καθαρότητα, την περιέργεια και τον πολιτισμό έναντι της καταδίωξης κάθε νέου trend του GenAI. Τι σημαίνει ο ελάσσων μινιμαλισμός του AI στην πράξη για τους ηγέτες των επιχειρήσεων;

Ο ελάσσων μινιμαλισμός του AI ξεκινά με την εστίαση. Οι ηγέτες των επιχειρήσεων δεν χρειάζεται να καταδιώξουν κάθε νέο μοντέλο ή ικανότητα που εμφανίζεται. Χρειάζονται ένα μικρό αριθμό σημαντικών προβλημάτων όπου το AI μπορεί να βελτιώσει τις αποφάσεις ή την παραγωγικότητα με μετρήσιμο τρόπο. Αυτό μπορεί να είναι η λήψη αποφάσεων για τις τιμές, η σχεδίαση της αλυσίδας εφοδιασμού ή το πώς η γνώση μεταφέρεται σε όλη την οργάνωση. Η έναρξη με ένα καλά ορισμένο πρόβλημα βοηθά τις ομάδες να χτίσουν εμπιστοσύνη και να μάθουν τι σημαίνει υπεύθυνη κλιμάκωση.

Αυτό σημαίνει επίσης την ενσωμάτωση του AI σε πραγματικές ροές εργασίας αντί να το αντιμετωπίζουν ως ένα απομονωμένο πείραμα. Όταν οι ομάδες βλέπουν την τεχνολογία να βοηθά στην επίλυση καθημερινών προβλημάτων, η υιοθέτηση τείνει να αυξηθεί φυσικά. Η περιέργεια και το πείραμα είναι ακόμη σημαντικά, αλλά λειτουργούν καλύτερα όταν είναι εδραιωμένα σε μια καθαρή αίσθηση σκοπού.

Πολυάριθμες οργανώσεις βιάζονται να εισαγάγουν το γενετικό AI χωρίς να ενισχύσουν πρώτα τις θεμέλιες των δεδομένων τους. Ποια είναι τα σημάδια προειδοποίησης που μια εταιρεία χτίζει σε ασταθές έδαφος;

Ένα πράγμα που συχνά παρατηρώ είναι όταν η συζήτηση για το AI προχωρά πολύ πιο γρήγορα από τη συζήτηση για τα δεδομένα. Αν οι ηγέτες μιλούν για copilots και γενετικά μοντέλα αλλά vẫn υπάρχει σύγχυση σχετικά με το πού ζουν τα βασικά δεδομένα, ποιος τα κατέχει ή ποια μετρικά η επιχείρηση πραγματικά εμπιστεύεται, αυτό είναι συνήθως ένα σημάδι ότι οι θεμέλιες δεν είναι ακόμη έτοιμες. Τα συστήματα AI εξαρτώνται बहία από αξιόπιστα και καλά διαχειριζόμενα δεδομένα. Χωρίς αυτά, γίνεται δύσκολο για τους ανθρώπους να εμπιστεύονται τις εξόδους.

Ένα άλλο σημάδι είναι όταν οι εταιρείες έχουν πολλά πειράματα σε εξέλιξη αλλά πολύ λίγα που επηρεάζουν πραγματικές αποφάσεις. Το γενετικό AI μπορεί να παράγει εντυπωσιακές επιδείξεις, αλλά η πραγματική δοκιμή είναι αν γίνεται μέρος του τρόπου με τον οποίο λειτουργεί η οργάνωση.

Από τότε που ανέλαβες τη θέση του Διευθύνοντα Συμβούλου, οδηγήσατε μετρήσιμη επίδραση για τους παγκόσμιους πελάτες. Τι διαφοροποιεί τις εταιρείες που επιτυγχάνουν την επιχειρησιακή ενσωμάτωση του AI από εκείνες που παραμένουν σε πειραματικό στάδιο;

Οι εταιρείες που κλιμακώνουν με επιτυχία το AI τις αντιμετωπίζουν ως μια λειτουργική kỷ律ή, όχι ως ένα πλευρικό έργο καινοτομίας. Αναθέτουν την ιδιοκτησία στους εκτελεστές, συνδέουν τις περιπτώσεις χρήσης με μετρήσιμα επιχειρηματικά αποτελέσματα και σχεδιάζουν για ενσωμάτωση από την αρχή. Επενδύουν επίσης στο λιγότερο γλαμουρό έργο, όπως οι αγωγοί δεδομένων, η διακυβέρνηση, ο επανασχεδιασμός διαδικασιών και η υιοθέτηση χρηστών. Αυτό είναι συνήθως η διαφορά μεταξύ ενός πειράματος που προσελκύει την προσοχή και μιας ικανότητας που πραγματικά αλλάζει τον τρόπο λήψης αποφάσεων.

Στην LatentView, abbiamo δει ότι οι εταιρείες κινούνται γρηγορότερα όταν εδραιώνουν το AI σε ένα επιχειρηματικό πρόβλημα που ήδη έχει σημασία για την επιχείρηση, όπως η βελτίωση της ακρίβειας σχεδιασμού, των αποτελεσμάτων αποθήκης ή της ορατότητας προμηθευτών. Το AI που συνδέεται με μετρικά που η επιχείρηση ήδη φροντίζει έχει πολύ μεγαλύτερη πιθανότητα να финансиωθεί, να κυβερνηθεί και να υιοθετηθεί σε κλίμακα.

Πώς προσεγγίζετε την κλιμάκωση του AI με υπευθυνότητα σε μια μεγάλη οργάνωση ενώ διατηρείτε τη διακυβέρνηση, την ασφάλεια και την ευθύνη;

Η υπευθύνου κλιμάκωση ξεκινά με την αναγνώριση ότι οι αποφάσεις του AI τελικά επηρεάζουν πραγματικούς πελάτες, υπαλλήλους και επιχειρηματικά αποτελέσματα. Αυτό σημαίνει ότι η διακυβέρνηση δεν μπορεί να είναι μια μετάνοια. Οι οργανώσεις χρειάζονται σαφείς πολιτικές γύρω από την πρόσβαση δεδομένων, την εποπτεία μοντέλων και την παρακολούθηση όταν τα συστήματα είναι σε παραγωγή.

Στην πράξη, τα πιο αποτελεσματικά μοντέλα διακυβέρνησης είναι διαλειτουργικά. Οι ηγέτες επιχειρήσεων, οι τεχνικές ομάδες και οι ομάδες рисκου ή συμμόρφωσης πρέπει όλες να συμμετέχουν. Τα συστήματα AI ωφελούνται επίσης από τη διαφάνεια σχετικά με τον τρόπο με τον οποίο παράγονται οι εξόδους και πού η ανθρώπινη κρίση παραμένει απαραίτητη. Με τα φράγματα που καθορίζονται από νωρίς, οι οργανώσεις μπορούν να επεκτείνουν την υιοθέτηση ενώ διατηρούν την εμπιστοσύνη.

Η LatentView συνεργάζεται με επιχειρήσεις σε πολύ διαφορετικά επίπεδα ψηφιακής ωριμότητας. Πώς διαφέρει η στρατηγική σας για το AI όταν συμβουλεύετε μια οργάνωση έναντι μιας που είναι ακόμη στις πρώτες φάσεις του αναλυτικού ταξιδιού;

Με μια οργάνωση, η συζήτηση είναι συνήθως για επιτάχυνση. Ήδη έχουν σημαντικά δεδομένα, επομένως εστιάζουμε στην προτεραιότητα υψηλής αξίας περιπτώσεων χρήσης, τη βελτίωση της προσβασιμότητας και την ενσωμάτωση του AI σε ροές εργασίας όπου η επιχείρηση μπορεί να ενεργήσει γρήγορα. Αυτό μπορεί να σημαίνει ανάκτηση γνώσεων επιχείρησης, συνδεδεμένο σχεδιασμό στην αλυσίδα εφοδιασμού ή μοντέλα ειδικού τομέα που βελτιώνουν την ταχύτητα λήψης αποφάσεων σε διάφορες λειτουργίες.

Για τις οργανώσεις που είναι στις πρώτες φάσεις του ταξιδιού, το σημείο εκκίνησης είναι διαφορετικό. Περνάμε περισσότερο χρόνο στην ετοιμότητα δεδομένων, τη διακυβέρνηση, τη σύγχρονη βιομηχανική και την κατασκευή ικανοτήτων ώστε η εταιρεία να μπορεί να υποστηρίξει το AI με βιώσιμο τρόπο. Σε αυτές τις περιπτώσεις, η αξιολόγηση ωριμότητας και η ακολουθία έχουν μεγάλη σημασία. Δεν θέλετε να υποσχεθείτε ένα agentic μέλλον σε μια επιχείρηση που ακόμη λείπει από αξιόπιστα δεδομένα, κοινά KPI ή εκτελεστική ευθυγράμμιση στο πρόβλημα που προσπαθεί να λύσει.

Δεδομένης της βαθιάς εμπειρίας σας στην भरση και μάθηση, ποια ταλέντα πρέπει οι εταιρείες να προτεραιότητα στην εσωτερική ανάπτυξη στην εποχή του AI έναντι της εξωτερικής भरσης;

Εσωτερικά, πιστεύω ότι οι εταιρείες πρέπει να επικεντρωθούν στην ανάπτυξη ευρείας ικανότητας AI και ανάλυσης δεδομένων. Δεν χρειάζεται όλοι να γίνουν επιστήμονες δεδομένων, αλλά οι άνθρωποι σε όλη την επιχείρηση πρέπει να προτεραιότητα την εναρμόνιση των αποφάσεων με τις επισημάνσεις, να κάνουν καλύτερες ερωτήσεις και να χρησιμοποιούν εργαλεία AI στην καθημερινή ροή εργασίας. Όταν αυτή η πρακτική εξαπλώνεται σε ομάδες, γίνεται πολύ εύκολο να αναγνωρίσετε πού το AI μπορεί πραγματικά να βοηθήσει και πού πιθανότατα δεν πρέπει να χρησιμοποιηθεί.

Εξωτερικά, οι भरσεις tend να είναι πιο εξειδικευμένες. Εργαλεία όπως η μηχανική δεδομένων, η αρχιτεκτονική μηχανικής μάθησης και η διακυβέρνηση AI απαιτούν βαθιά εξειδίκευση που οι οργανώσεις μπορεί να μην έχουν πάντα εσωτερικά. Οι εταιρείες που το κάνουν καλά συνήθως συνδυάζουν αυτούς τους εξειδικευμένους με ομάδες επιχειρήσεων που κατανοούν το контέκστ και τις αποφάσεις που πρέπει να βελτιωθούν.

Η πολιτιστική αντίσταση συχνά επιβραδύνει τη μετασχηματίσεως. Ποια ηγετικά συμπεριφορές έχουν βρεθεί πιο αποτελεσματικές στην κατασκευή εμπιστοσύνης και ορμής γύρω από την υιοθέτηση του AI;

Η σαφής επικοινωνία από την ηγεσία κάνει μεγάλη διαφορά. Οι υπαλλήλους θέλουν να κατανοήσουν γιατί εισαγωγούνται новые τεχνολογίες και πώς συνδέονται με την στρατηγική της εταιρείας. Η εξήγηση του σκοπού πίσω από τις πρωτοβουλίες του AI και η σύνδεσή τους με πραγματικά επιχειρηματικά στόχους βοηθούν στην κατασκευή εμπιστοσύνης σε όλη την οργάνωση.

Η μάθηση είναι εξίσου σημαντική. Η αυτοματοποίηση και το AI έχουν ήδη ξανασχεδιάσει πολλές, οπότε οι εταιρείες πρέπει να υποστηρίξουν ενεργά τους υπαλλήλους στην ανάπτυξη νέων ικανοτήτων. Οι άνθρωποι ασχολούνται πολύ πιο ανοιχτά με την αλλαγή όταν βλέπουν πραγματικές ευκαιρίες να χτίσουν νέες ικανότητες και να μεγαλώσουν μαζί με την τεχνολογία.

Όσο το AI ενσωματώνεται στις διαδικασίες λήψης αποφάσεων, πώς πρέπει τα διοικητικά συμβούλια και οι ηγετικές ομάδες να ξανασκέφτουν τα μετρικά της απόδοσης και την ευθύνη;

Το AI αλλάζει τον τρόπο με τον οποίο λαμβάνονται οι αποφάσεις, οπότε οι ηγετικές ομάδες πρέπει να κοιτάξουν πέρα από τα παραδοσιακά μετρικά έργου. Το πραγματικό ερώτημα γίνεται αν το AI βελτιώνει την ποιότητα και την ταχύτητα των αποφάσεων σε περιοχές που έχουν σημασία για την επιχείρηση. Αυτό μπορεί να σημαίνει καλύτερες προβλέψεις ζήτησης, πιο ακριβείς αποφάσεις τιμών ή ταχύτερες αντιδράσεις σε αλλαγές στην αγορά.

Αν αυτά τα αποτελέσματα βελτιώνονται, το AI κάνει τη δουλειά του. Η απόδοση του AI δεν μπορεί να καθίσει σε ένα ξεχωριστό πίνακα από την απόδοση της επιχείρησης για πολύ καιρό.

Η ευθύνη cũng πρέπει να είναι σαφής. Κάποιος ακόμη κατέχει τα δεδομένα, κάποιος είναι υπεύθυνος για την παρακολούθηση μοντέλων σε παραγωγή και κάποιος τελικά λαμβάνει την απόφαση. Το AI μπορεί να υποστηρίξει αυτές τις αποφάσεις, αλλά η διακυβέρνηση και η εποπτεία παραμένουν απαραίτητες.

Τις επόμενες τρεις έως πέντε χρόνια, ποίες μετατοπίσεις στην υιοθέτηση του AI από τις επιχειρήσεις θα έχουν τη μεγαλύτερη σημασία — και τι πρέπει οι ηγέτες να αρχίσουν να κάνουν τώρα για να παραμείνουν μπροστά;

Τις επόμενες quelques χρόνια, το AI θα αρχίσει να εμφανίζεται πολύ πιο μέσα στις καθημερινές επιχειρηματικές αποφάσεις. Πολλές εταιρείες έχουν περάσει χρόνο πειραματιζόμενοι με πειράματα και αποδείξεις концепτού. Το επόμενο βήμα είναι να βεβαιωθούν ότι αυτές οι ικανότητες πραγματικά υποστηρίζουν τον τρόπο με τον οποίο οι ομάδες σχεδιάζουν, προβλέπουν τη ζήτηση, διαχειρίζονται τις αλυσίδες εφοδιασμού ή λαμβάνουν αποφάσεις μάρκετινγκ.

Η δουλειά θα εξελιχθεί καθώς το AI γίνεται πιο ικανό. Όσο οι ρουτινικές εργασίες γίνονται πιο αυτοματοποιημένες, τα ρόλοι θα μετατοπιστούν προς την καθοδήγηση, την ερμηνεία και την εργασία μαζί με τα συστήματα AI. Οι οργανώσεις που ενισχύουν τις θεμέλιες των δεδομένων και βοηθούν τους υπαλλήλους να χτίσουν αυτές τις ικανότητες θα προσαρμοστούν πολύ πιο εύκολα καθώς το AI γίνεται μέρος των καθημερινών επιχειρηματικών λειτουργιών.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν την LatentView Analytics.