Amit Sharma, CData:n toimitusjohtaja ja perustaja – Haastattelusarja

Amit Sharma, CData Softwaren toimitusjohtaja ja perustaja, on teknologiajohtaja, joka on ohjannut CDataa sen varhaisesta startup-vaiheesta maailmanlaajuiseksi johtajaksi datakonnektiivisuuden ja -integraation alalla. Urallaan, joka kattaa roolit ohjelmistosuunnittelijana Infosysissä ja Elixarissa, teknisen arkkitehtina /n Softwarella ja myöhemmin CTO:na CDatassa, hän on rakentanut syvää asiantuntemusta yritysten datakäytössä ja -infrastruktuurissa. Siitä lähtien, kun hänestä tuli toimitusjohtaja vuonna 2014, hän on johtanut CData:n tehtävää yksinkertaistaa, miten organisaatiot kytketään, integroidaan ja hyödyntävät dataa järjestelmissä, auttaen yritystä asemassa itsensä modernin data-liikkeen perustana.

CData Software on johtava datakäytön ja -yhteyden tarjoaja. Sen itsepalvelu-data-tuotteet ja -yhteyden alustat tarjoavat yleisen pääsyn live-dataan satoihin laajalti käytettyjä paikallisia ja pilvi-sovelluksia. Miljoonat käyttäjät maailmanlaajuisesti luottavat CDataan edistyneiden analytiikkojen, pilvi-omaksumisen, ja rakentamaan enemmän yhteydenomaista, data-ohjaista organisaatiota varten. Suunniteltu olemassa kaiken käyttäjän, saatavilla minkä tahansa sovelluksen sisällä, ja skaalautuva yritysten kaikissa koissa, CData määrittelee uudelleen, miten yritykset käyttävät dataa.

Milloin aloitit urasi Intiassa Infosysissä ja myöhemmin siirtyit Yhdysvaltojen yritys-ohjelmistoihin. Mikä varhainen oppi siitä vaiheesta muokkaa johtamistyyliäsi tänään?

Aikani Infosysissä antoi minulle varhaisen näyn suurten yritysten teknologian vaatimuksiin — monimutkaisuuteen, luotettavuuden tarpeeseen ja siihen, miten suuret organisaatiot lähestyvät teknisiä ongelmia. Se muokkasi syvän kunnioituksen rakenteen ja yritys-luokan laadun puolesta. Mutta kun siirryin Yhdysvaltojen startupiin, löysin itseni menestyvän nopeudessa, joustavuudessa ja kyvyssä tehdä suoraa vaikutusta. Tänään se kaksinkertainen tausta ohjaa, miten johtaan CData Softwarea: vaadin yritys-luokan standardeja ja luotettavuutta, samalla kuin kasvatan leanin, nopeasti liikkuvaan kulttuuriin, joka arvostaa yksinkertaisuutta, käytännön käytettävyyttä ja nopeaa toimeenpanoa.

Yli kymmenen vuoden jälkeen CData:n toimitusjohtajana, mikä oli tärkein muutos johtamisessa tai lähestymistavassa, jotta yritys voisi kasvaa varhaisista päivistä maailmanlaajuiseksi yritykseksi?

Suurin muutos minulle oli siirtyminen teknologian rakentamisesta organisaation rakentamiseen. Varhaisina päivinäni fokus oli lähes täysin tuotteessa; varmistaakseen, että se oli eleganttia, luotettavaa ja ratkaisi todellisia ongelmia. Kun CData kasvoi, minun piti oppia, että suuret ohjelmistot eivät riitä; tarvitaan myös suuret ihmiset, vahvat johtajat ja prosessit, jotka skaalautuvat ilman hidastumista. Se tarkoitti investointeja palkkaamiseen, tiimien valtuutukseen ja toistettavien järjestelmien rakentamiseen myyntiin, tukiin ja toimintoihin, samalla kun suojelin insinöörikulttuuriamme. Johtamisessa tapahtunut muutos oli ymmärtäminen, että tehtäväni ei ollut vain suurten teknologioiden luominen, vaan ympäristön luominen, jossa suuret teknologiat voivat olla jatkuvasti rakenteilla kasvavalla maailmanlaajuisella tiimillä.

CData on pitkään keskittynyt “yksinkertaistamaan pääsyn mihin tahansa dataan, missä tahansa.” Miten tämä tehtävä on kehittynyt, kun teollisuus siirtyy syvemmälle AI-native-sovelluksiin?

Alusta alkaen meidän tehtävämme CDatassa on ollut tehdä data yleisesti saatavaksi tuttuja, standardoituja liittymiä käyttäen, koska uskoimme, että suurin pullonkaula innovaatioon ei ollut tallennus tai laskenta, vaan pääsy. Se perusidea ei ole muuttunut, mutta konteksti on. Kun organisaatiot siirtyivät analytiikasta pilveen ja nyt AI:hin, hajautetun, epäjohdonmukaisen data-pääsyn kustannukset ovat vain kasvaneet. Mitä on kehittynyt, on vastuu: se ei ole enää vain sovellusten yhdistäminen dataan, vaan varmistaminen, että data on luotettavaa, reaaliaikaista ja käytettävissä yhä monimutkaisemmissa ja hajautetuissa ympäristöissä. AI-aikakaudella pääsy yksin ei riitä. Data on oltava välittömästi käytettävissä ilman viikkoja mukautettua insinööritöitä.

Kun AI-native-sovellukset tulevat normiksi, meidän tehtävämme on laajentunut käsittämään datan tekemisen AI-valmiiksi oletusarvoisesti. Se tarkoittaa mahdollistamista yhdenmukaisia semantiikkaa, suorituskykyistä yhteyttä, hallintotietoista pääsyä ja reaaliaikaista integraatiota sekä rakenteellisten että SaaS-data-lähteiden yli, jotta mallit ja agentit voivat työskennellä tuoreen, luotettavan tiedon kanssa, ei hauraiden pisteyhteyksien tai vanhenneiden kopioiden kanssa. Käytännössä keskitymme kitkan poistamiseen siitä, missä data sijaitsee, ja siitä, missä AI-järjestelmät toimivat, jotta tiimit voivat siirtyä kokeilusta tuotantoon nopeammin. Näemme itsellemme ei vain yhteyden tarjoajana, vaan perustavana datakerroksena AI-ohjatuille yrityksille, joka hiljaisesti mahdollistaa järjestelmät, jotka tekevät älykkäät sovellukset mahdollisiksi.

Millaisen “AI-valmiin datan” tarkoitat, ja missä mielestäsi organisaatiot tulkkaavat väärin tämän idean eniten?

“AI-valmis data” tarkoittaa minulle dataa, joka on saatavilla, luotettavaa, ajantasaisessa ja ymmärrettävissä sekä ihmisille että koneille ilman mukautettuja putkia. Se ei ole vain siirtäminen dataa järveen tai varastoihin. Se on varmistaminen, että järjestelmät, mallit ja agentit voivat jatkuvasti päästä oikeaan dataan oikeaan aikaan standardien, hallinnoiden liittymien kautta. Ilman tätä perustaa, jopa kehittyneimmät mallit toimivat epätäydellisellä tai vanhentuneella tiedolla.

Missä näen organisaatioiden tulkkaavan väärin tämän käsitteen, on oletus, että keskittäminen automaattisesti tarkoittaa valmiutta. Tiimit usein uskovat, että kun data on konsolidoitu yhteen alusta, he ovat “AI-valmiita”, kun todellisuudessa he ovat luoneet uuden eristysalueen. Toiset yliinvestoivat työkaluihin ilman data-laadun, semantiikan ja yhteyden ongelmien ratkaisemista, epäglamorööseistä ongelmista, jotka tekevät tai rikkovat todelliset AI-järjestelmät. AI ei epäonnistu mallien vuoksi; se epäonnistuu siksi, että data on sotkua, ei saatavilla tai vanhentunutta. Organisaatiot, jotka voittavat, ovat niitä, jotka käsittelevät data-valmiuden operatiivisena kurinalaisuutena, ei kertaluontoisena siirtoprojektina.

Uusi tutkimuksesi, The State of AI Data Connectivity: 2026 Outlook, osoittaa, että vain 6%:lla AI-johtajista on täysin valmis data-infrastruktuuri AI:lle. Miksi luulet, että valmiuskuilu on niin suuri, ja mitä se kertoo teollisuuden nykyisestä suunnasta?

Kuilu on niin suuri, koska useimmat organisaatiot investoivat datakeruuseen ja -tallennukseen ennen kuin investoivat siihen, että data olisi käytettävissä AI:lle. Viimeisen kymmenen vuoden aikana yritykset ovat rakentaneet järviä, varastoja ja putkia, mutta he harvoin rakentaneet yhtenäistä pääsykerrosta, joka takaa, että data on yhdenmukainen, reaaliaikainen ja saatavilla järjestelmissä. Kun johtajat aloittavat AI:n käyttämisen todellisissa työprosesseissa, he huomaavat, että heidän perustavan infrastruktuurinsa ei pysty tukemaan AI:n vaatimaa nopeutta, skaalautuvuutta tai luotettavuutta. 6 prosentin luku ei heijasta puutetta innostuksesta, vaan sitä, että AI paljastaa heikkoudet, jotka olivat aina olleet siellä, mutta eivät olleet niin tärkeitä perinteisessä analytiikassa.

Mitä data kertoo meistä teollisuudesta, on se, että olemme varhaisessa vaiheessa AI-omaksumisen kaarella, ei myöhäisessä. Organisaatiot kokeilevat aggressiivisesti sovelluskerroksessa, mutta he ovat nyt toteuttamassa, että menestys riippuu data-perustan modernisoinnista alla. Siirrymme korjausvaiheeseen, jossa fokus siirtyy näyttävistä kohteista operatiiviseen valmiuteen – standardoituihin pääsyyn, hallittuun integraatioon ja reaaliaikaiseen yhteyteen. Voittajat eivät ole yritykset, jotka rakentavat eniten todisteita, vaan ne, jotka modernisoivat data-infrastruktuurinsa tarpeeksi nopeasti siirtääkseen ne kokeiluista tuotantoon suuressa mittakaavassa.

Tutkimuksen mukaan 71%:lla AI-tiimeistä menee yli neljännes heidän ajastaan data-putkien parissa. Mielestäsi, mikä osa tästä työstä on todella strategista eikä vain teknistä velkaa?

Jonkin verran “data-putkityötä” on absoluuttisesti strategista, kun se on luomassa kestävää pääsyä dataan standardien liittymien kautta ja suunnittelemassa skaalautuvuutta ja hallintaa alusta alkaen. Investoimalla yhdenmukaisiin yhteyksiin, jaettuihin semantiikkaan ja luotettaviin integraatiomalleihin on perustava työ, joka maksaa dividendtejä jokaisessa sovelluksessa ja mallissa, joka tulee myöhemmin. Ongelma on, että useimmat tiimit eivät tee sitä työtä. He rakentavat uudelleen yksittäisiä putkia, kirjoittavat hauraita liittymiä ja korjaavat integraatioita, jotka ratkaisevat ongelman vain kerran. Se on tekninen velka naamioituna edistymisenä.

Mikä on strategista, on kaikki, mikä vähentää tulevaa kitkaa: poistamalla mukautettu koodi standardien hyväksi, rakentamalla uudelleen käytettäviä data-palveluita ja yhdistämällä järjestelmiä skaalautuvasti tiimien ja käyttötapausten yli. Kun putkityö tulee näkymättömäksi ja toistettavaksi, se lopettaa olemasta verona AI-tiimille ja tulee mahdollistajaksi. Todellinen tavoite ei ole vähentää aikaa datan parissa. Se on lopettaa käyttää aikaa samojen data-ongelmien parissa yhä uudelleen.

Yksi hämmästyttävä tieto tutkimuksesta on, että 46%:lla yrityksistä vaaditaan reaaliaikainen pääsy kuuteen tai useampaan data-lähteeseen yhden AI-käyttötapausta varten. Heijastaakö tämä, mitä näet asiakkaillasi, ja mikä tekee tämän tason yhteyden niin haasteelliseksi?

Kyllä, se vastaa läheisesti sitä, mitä näen asiakkaillani. Nykyaikaiset AI-käyttötapaukset, kuten ennustava analytiikka, suositusmoottorit tai autonomiset työprosessit, harvoin riippuvat yhdestä järjestelmästä. Yritykset usein tarvitsevat yhdistää ERP-, CRM-, SaaS-sovellukset, virtauslähteet ja perinteiset tietokannat luodakseen merkityksellisiä oivalluksia. Haaste ei ole vain data-lähteiden määrä; se on lähteiden monimuotoisuus, erilaiset protokollat, muodot ja päivitystiheys, ja odotus, että tämä data on saatavilla reaaliajassa AI-malleja varten.

Mikä tekee tämän tason yhteyden haasteelliseksi, on se, että perinteiset integraatiomenetelmät eivät olleet suunniteltu AI:n vaatimaa skaalautuvuutta, nopeutta ja luotettavuutta varten. Yksittäiset liittymät ja eräpipelit eivät pysty pitämään AI-mallien vaatimaa vauhtia. Todellinen reaaliaikainen pääsy vaatii standardoitua, hallittua liittymiä, yhdenmukaista semantiikkaa järjestelmien yli ja seurantaa varmistamaan data-laadun ja -saatavuuden. Ilman tätä perustaa tiimit viettävät enemmän aikaa sammuttamassa putkia kuin rakentamassa AI-ratkaisuja, mikä hidastaa innovaatiota ja lisää riskiä. Onnistuneet organisaatiot ovat niitä, jotka käsittelevät yhteyttä strategisena kykynä, ei pelkästään teknisenä tehtävänä.

Tutkimus korostaa semanttista yhdenmukaisuutta, kontekstia ja yhteyttä kypsen AI-data-infrastruktuurin määrittävänä ominaisuutena. Miten organisaatioiden tulisi ajatella näiden prioriteettien järjestyksestä?

Kun ajattelemme järjestyksestä, organisaatioiden tulisi aloittaa yhteydellä. Jos data ei ole luotettavasti saatavilla järjestelmissä, kaikki muu tulee irrelevantiksi. AI-mallit eivät voi oppia siitä, mitä ne eivät voi tavoittaa. Standardien, hallittujen yhteyksien perustaminen kaikkiin kriittisiin data-lähteisiin luo perustan kaikelle, mitä seuraa. Ilman tätä kerrosta tiimit lopulta rakentavat hauraita, yksittäisiä putkia, jotka luovat enemmän työtä myöhemmin.

Kun yhteys on paikallaan, semanttinen yhdenmukaisuus tulee seuraavaksi prioriteetiksi. Data tarvitsee yhteisen kielen, jotta tieto eri lähteistä voidaan tulkita oikein ja yhdistää merkityksellisesti. Konteksti seuraa luonnollisesti: ymmärtäminen ei vain arvoja vaan niiden merkitystä liiketoimintaprosessissa, ajoituksessa ja suhteissa takaa, että AI-mallit voivat tehdä tarkkoja, toimintavalmiita ennusteita. Käsittely näistä elementeistä järjestetyssä järjestyksessä – yhteys ensin, semantiikka toisena, konteksti kolmantena – sallii organisaatioille rakentaa AI-valmiin data-infrastruktuurin, joka skaalautuu ja tukee luotettavaa, tuotantovalmiita älykkyyttä.

AI-native-ohjelmistotoimittajat vaativat nyt noin kolme kertaa enemmän ulkoisia integraatioita kuin perinteiset toimittajat. Mikä aiheuttaa tämän kasvavan kuilun, ja mitä se paljastaa, mihin ohjelmisto on menossa?
Kuilun laajentuminen johtuu AI:n luonteesta: AI-native-sovellukset kukoistavat monimuotoisessa, reaaliaikaisessa datasta useista lähteistä. Toisin kuin perinteinen ohjelmisto, joka usein toimii yhden järjestelmän tai sovelluksen sisällä, AI-mallit tarvitsevat syödä, korrelaatioita ja analyysiä tietoa ERP-järjestelmistä, CRM-alustoista, SaaS-sovelluksista, virtauslähteistä ja muista. Jokainen integraatio on välttämätön antaakseen AI:lle riittävästi kontekstia ja kattavuutta tehdä tarkkoja ennusteita, suosituksia tai automaattisia toimia.

Tämä trendi paljastaa, että ohjelmisto on siirtymässä eristyneistä sovelluksista yhteydenomaisiin, älykkäisiin ekosysteemeihin. Voittajat eivät ole tuotteet, jotka toimivat hyvin ominaisesti. Ne ovat alustat, jotka voivat käyttää ja integroida dataa, missä se sijaitsee. Käytännössä se tarkoittaa, että yhteys, standardisointi ja reaaliaikainen integraatio eivät ole enää miellyttäviä; ne ovat perustavanlaatuisia kykyjä AI-native-ohjelmistolle toimittaa todellista arvoa.

Katsoen eteenpäin viisi vuotta, mitä luulet tulevan olemaan suurin pullonkaula AI-menestykselle – yhteys, reaaliaikaiset putkit, semanttinen mallinnus, hallinta, vai jokin muu?

Katsoen eteenpäin, uskon, että hallinta ja turvallisuus tulevat olemaan suurin pullonkaula AI-menestykselle. Vaikka yhteys ja reaaliaikaiset putkit ovat perustavanlaatuisia, organisaatiot ovat nopeasti toteuttamassa, että hallitsematon AI on kestämätön ja potentiaalisesti vaarallinen. Kun AI siirtyy kokeilusta tuotantoon ja alkaa vaikuttaa kriittisiin liiketoimintapäätöksiin, riskit harhautuksesta, vaatimustenmukaisuuden rikkomisesta, data-vuodosta ja operaatiivisista virheistä moninkertaistuvat. Haaste ei ole enää vain siirtäminen dataa; se on siirtäminen oikeaa dataa, oikeilla ohjaimilla, oikeisiin järjestelmiin, jäljitettävässä ja auditoidussa muodossa. Organisaatiot, jotka eivät sisälly vahvoja hallintokehyksiä ja turvallisuusprotokollia alusta alkaen, kohtaavat kasvavaa sääntelypainetta, maineen riskiä ja lopulta AI-järjestelmiä, joissa he eivät voi luottaa tai skaalata. Olemme jo näkemässä varhaisia merkkejä: yritykset ovat epäröiviä AI:n käyttöönotossa, koska he eivät voi taata data-peräisin, pääsy-ohjauksen tai sääntelyn mukaisuutta kehittyvien sääntöjen kanssa.

Onnistuneimmat organisaatiot viiden vuoden kuluttua tulevat olemaan ne, jotka käsittelevät hallintaa ja turvallisuutta ei vain jälkikäteen, vaan ydin-mahdollistajina AI:ssa jokaisella datakerroksella. Kyllä, tarvitaan yhteyttä ja reaaliaikaista putkistoa saada data liikkeelle, mutta ilman hallintaa ja turvallisuutta se data tulee velaksi eikä hyödyksi. AI:n tulevaisuus ei ole vain nopeudesta tai skaalautuvuudesta; se on luottamuksesta, vastuullisuudesta ja vastuullisesta käytöstä jokaisella datakerroksella.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia enemmän, kannattaa vierailla CData Software:lla.