Haastattelut
Rajan Sethuraman, LatentView Analyticsin toimitusjohtaja – Haastattelusarja

Keskeiset kohdatLatentViewin toimitusjohtaja kannattaa tekoälyn minimalismia keskittymällä muutamaan…
Näytä lisää
- LatentViewin toimitusjohtaja kannattaa tekoälyn minimalismia keskittymällä muutamaan suurta vaikutusta omaavaan liiketoiminnan ongelmaan sen sijaan, että jahtaisi jokaista uutta trendiä.
- Tekoälyn onnistunut käyttöönotto edellyttää sitä, että sitä kohdellaan toimintakurina, jossa johdon omistajuus ja integrointi ovat alusta alkaen keskeisessä roolissa.
- Vastuullinen tekoälyn skaalaus edellyttää poikkifunktionaalista hallintaa, johon osallistuvat liiketoiminta-, teknologia- ja riskiryhmät luottamuksen ja vastuullisuuden ylläpitämiseksi.
Rajan Sethuraman, LatentView Analyticsin toimitusjohtaja, on kokenut johtaja, jonka ura kattaa konsultoinnin, kykyjohtamisen ja yritystransformaation, ja hän on toiminut aiemmin Accenturessa ja KPMG:ssa ennen liittymistään LatentView’hun. Hänen uransa kehittyminen Chief People Officerista toimitusjohtajaksi heijastaa vahvaa painotusta kykykehitykselle, organisaatiorakenteelle ja skaalautuville toimintamalleille, jotka nyt muokkaavat hänen lähestymistapaansa tekoälyyn ja analytiikkaan. Syvällä kokemuksella rekrytoinnista, koulutuksessa ja liiketoimintastrategiassa hän on jatkuvasti keskittynyt siihen, miten ihmiset, kulttuuri ja teknologia voivat tukea toisiaan saavuttamaan mitattavia tuloksia, ja hän on johtanut LatentView’ta sen listautumisessa ja kansainvälisessä laajentumisessa sekä asettamalla tekoälyn liiketoimintakapasiteetiksi eikä erilliseksi toiminnoksi.
LatentView Analytics on globaali data-analytiikka- ja digitaalisen transformaation yritys, joka auttaa yrityksiä hyödyntämään dataa, tekoälyä ja edistynyttä analytiikkaa päätöksenteon parantamiseksi ja kasvun edistämiseksi. Yritys tarjoaa palveluita, kuten data-insinööritöitä, ennakoivaa analytiikkaa ja tekoälykonsultointia eri aloilla, kuten rahoituspalveluissa, vähittäiskaupassa ja teknologiassa, ja se työskentelee Fortune 500 -asiakkaiden kanssa maailmanlaajuisesti. Sen ydin arvo on muuttaa raakadataa toimintatiedoksi, joiden avulla yritykset voivat optimoida toimintojaan, ennakoida trendejä ja luoda kilpailuetua kasvavan talouden keskellä.
Aloitit urasi konsultoinnin ja henkilöstöjohtamisen tehtävissä Accenturessa ja KPMG:ssa ennen siirtymistäsi LatentView Analyticsin toimitusjohtajaksi. Johdit yhtiön listautumista ja ensimmäistä yritysostoa. Miten taustasi osaamisen kehittämisessä ja organisaatiostrategiassa on muovannut tapaasi skaalata tekoälyä ja analytiikkaa nykyään?
Varhaisessa urassani painopisteenä oli vahvasti kyky, johtamisen kehittäminen ja organisaatioiden rakentaminen, jotka voivat skaalautua. Se kokemus vaikuttaa edelleen siihen, miten ajattelen tekoälyä. Teknologia yksinään ei skaalaa organisaatiota. Se, mitä on tärkeää, on se, miten tiimit omaksuvat sen, miten johtajat asettavat sen yhteyteen, ja miten selkeästi liiketoimintaprobleema on määritelty. LatentView’ssa vietämme paljon aikaa auttaaksemme organisaatioita rakentamaan toimintamallia, taitoja ja kulttuuria, joita tarvitaan analytiikan ja tekoälyn päivittäiseen päätöksentekoon.
Siksi tarkastelen tekoälyä organisaation valmiuden näkökulmasta. Tekoälyn skaalaaminen edellyttää vahvaa toimialaosaamista, dataperustaa ja tiimejä, jotka pystyvät muuttamaan oivallukset toiminnaksi. Olen aina keskittynyt näiden kyvykkyyksien rakentamiseen yhdessä sen sijaan, että tekoälyä käsiteltäisiin erillisenä siilona.
Olet puhunut tekoälyn minimalismista — priorisoida selkeys, uteliaisuus ja kulttuuri uusimpien GenAI-trendien metsästämisen sijasta. Miltä tekoälyn minimalismi näyttää käytännössä yritysjohtajille?
Tekoälyn minimalismi alkaa fokuksella. Yritysjohtajat eivät tarvitse jokaista uutta mallia tai kykyä, joka ilmestyy. He tarvitsevat vain muutaman merkittävän ongelman, jossa tekoäly voi parantaa päätöksiä tai tuottavuutta mitattavalla tavalla. Se voi olla hintapäätöksiä, tarjontaketjun suunnittelua tai tietojen siirtämistä organisaatiossa. Aloittaminen hyvin määritellystä ongelmasta auttaa tiimejä rakentamaan luottamusta ja oppimaan, mitä vastuullinen skaalautuminen todella tarkoittaa.
Se tarkoittaa myös tekoälyn sisällyttämistä todellisiin työnkulkuihin sen sijaan, että sitä pidettäisiin erillisenä kokeiluna. Kun tiimit näkevät teknologian auttavan arjen ongelmien ratkaisemisessa, käyttö yleensä lisääntyy luonnostaan. Uteliaisuus ja kokeilut ovat edelleen tärkeitä, mutta ne toimivat parhaiten, kun niiden taustalla on selkeä tarkoitus.
Monet yritykset kiirehtivät generatiiviseen tekoälyyn vahvistamatta ensin dataperustaa. Mitkä ovat varoitusmerkit siitä, että yritys rakentaa epävakaaan perustaan?
Yksi asia, jota usein huomaan, on kun tekoälykeskustelu etenee paljon nopeammin kuin datakeskustelu. Jos johtajat puhuvat copiloteista ja generatiivisista malleista, mutta siitä, missä avaindata sijaitsee, kuka omistaa sen tai mitkä mittarit liiketoiminta todella luottaa, on edelleen epäselvää, se on yleensä merkki siitä, että perusta ei ole valmis vielä. Tekoälyjärjestelmät riippuvat voimakkaasti luotettavasta ja hyvin hallitusta datasta. Ilman sitä ihmisten on vaikea luottaa tuloksiin.
Toinen merkki on se, että yrityksillä on käynnissä paljon pilotteja, mutta vain harvat vaikuttavat todellisiin päätöksiin. Generatiivinen tekoäly voi tuottaa vaikuttavia esittelyjä, mutta ratkaisevaa on, tuleeko siitä osa organisaation toimintatapaa.
Siitä lähtien, kun otit vastaan toimitusjohtajan tehtävät, olet johtanut mittavasti vaikuttavaa tulosta globaaleille asiakkaille. Mitkä ovat tekijät, jotka erottavat yritykset, jotka operaatiivisesti toteuttavat tekoälyä, niistä, jotka jäävät kiinni pilotointivaiheeseen?
Yritykset, jotka skaalautuvat tekoälyä menestyksekkäästi, käsittelevät sitä toimintatapana, ei sivussa tehtävänä innovaatioprojektina. Ne määrittävät vastuun johtotasolla, yhdistävät käyttötapausten mittaavissa liiketoimintatuloksiin ja suunnittelevat integraatiota alusta alkaen. He myös investoivat vähemmän glamourisissa töissä, kuten dataputkistoihin, hallintoon, prosessin uudelleensuunnitteluun ja käyttäjähyväksyntään. Tämä yleensä erottaa huomiota saavan pilotin kyvykkyydestä, joka todella muuttaa päätöksentekoa.
LatentView’ssa olemme nähneet yritysten etenevän nopeammin, kun tekoäly sidotaan yritykselle jo tärkeään liiketoimintaongelmaan, kuten suunnittelun tarkkuuden, varastotulosten tai toimittajanäkyvyyden parantamiseen. Kun tekoäly liittyy mittareihin, joista liiketoiminta jo välittää, sillä on paljon paremmat mahdollisuudet saada rahoitusta, asianmukaista hallintaa ja laajamittaista käyttöä.
Miten lähestyt tekoälyn vastuullista skaalautumista laajan organisaation sisällä ylläpitäen hallintaa, turvallisuutta ja vastuuta?
Vastuullinen skaalautuminen alkaa tunnustamalla, että tekoälypäätökset lopulta vaikuttavat oikeasti asiakkaisiin, työntekijöihin ja liiketoimintatuloksiin. Se tarkoittaa, ettei hallintaa voida suunnitella vasta jälkikäteen. Organisaatioille tarvitaan selkeät käytäntöjä datan käytölle, mallin valvonnalle ja seurannalle, kun järjestelmät ovat tuotannossa.
Käytännössä tehokkaimmat hallintamallit ylittävät toimintorajat. Liiketoimintajohdon, teknologiatiimien sekä riski- ja vaatimustenmukaisuusryhmien on kaikkien osallistuttava. Tekoälyjärjestelmät hyötyvät myös läpinäkyvyydestä siinä, miten tulokset syntyvät ja missä ihmisen harkinta on edelleen välttämätöntä. Kun suojarajat määritellään ajoissa, käyttöä voidaan laajentaa luottamus säilyttäen.
LatentView työskentelee digitaalisen kypsyyden eri tasoilla olevien yritysten kanssa. Miten tekoälystrategianne eroaa neuvottaessa organisaatiota verrattuna sellaiseen, joka on vasta analytiikkamatkansa alussa?
Yrityksen kanssa keskustelu on usein kiihdyttämisestä. Heillä on jo merkittäviä data-omaisuuksia, joten keskitymme arvokkaiden käyttötapausten priorisointiin, saatavuuden parantamiseen ja tekoälyn sisällyttämiseen työnkulkuihin, joissa liiketoiminta voi toimia nopeasti. Se voi tarkoittaa esimerkiksi yrityksen tietojen hakua, yhdistettyä suunnittelua tarjontaketjussa tai toimialakohtaisia malleja, jotka parantavat päätöksenteon nopeutta eri toimintojen kesken.
Matkansa alkuvaiheessa olevilla organisaatioilla lähtökohta on toinen. Käytämme enemmän aikaa datavalmiuteen, hallintoon, liiketoimintatiedon hallinnan (BI) uudistamiseen ja kyvykkyyksien rakentamiseen, jotta yritys voi tukea tekoälyä kestävällä tavalla. Näissä tilanteissa kypsyysarvio ja vaiheiden järjestys ovat hyvin tärkeitä. Yritykselle ei pidä luvata tekoälyagentteihin perustuvaa tulevaisuutta, jos siltä puuttuvat edelleen luotettava data, yhteiset KPI-mittarit tai johdon yhteisymmärrys ratkaistavasta ongelmasta.
Kun otetaan huomioon syvällinen kokemuksesi rekrytoinnista ja oppimisesta, mitä taitoja yritysten pitäisi kehittää ensisijaisesti sisäisesti tekoälyaikakaudella ja mitä hankkia rekrytoimalla ulkopuolelta?
Sisäisesti yritysten tulisi priorisoida laajan tekoäly- ja datalukutaidon kehittäminen. Kaikki eivät tarvitse tulla data-tutkijoiksi, mutta ihmisten tulisi ympäri yritystä priorisoida päätöksiä perustuen näkemiin, kysyä parempia kysymyksiä ja käyttää tekoälytyökaluja päivittäisessä työssään. Kun tämä käytäntö leviää joukkoihin, on paljon helpompaa tunnistaa, missä tekoäly voi todella auttaa ja missä sitä ei todennäköisesti pitäisi käyttää.
Ulkopuolelta palkattavat ovat yleensä erikoistuneempia. Esimerkiksi datatekniikka, koneoppimisarkkitehtuuri ja tekoälyn hallinta edellyttävät syvää asiantuntemusta, jota organisaatioilla ei aina ole omasta takaa. Tässä onnistuvat yritykset yhdistävät nämä asiantuntijat liiketoimintatiimeihin, jotka ymmärtävät asiayhteyden ja ne päätökset, joita on parannettava.
Kulttuurinen vastarinta usein hidastaa muutosta. Mitkä johtamisen käyttäytymiset olet löytänyt tehokkaimmiksi luomaan luottamusta ja vauhtia tekoälyn omaksumisessa?
Selkeä viestintä johtajilta tekee suuren eron. Työntekijät haluavat ymmärtää, miksi uusia teknologioita otetaan käyttöön ja miten ne liittyvät yrityksen strategiaan. Selittäminen tekoälyaloitteiden tarkoitus ja sitominen oikeisiin liiketoimintatavoitteisiin auttaa luomaan luottamusta koko organisaatiossa.
Oppiminen on aivan yhtä tärkeää. Automaatio ja tekoäly muuttavat jo monia asioita, joten yritysten on aktiivisesti tuettava työntekijöitä uusien kyvykkyyksien kehittämisessä. Ihmiset suhtautuvat muutokseen paljon avoimemmin, kun he näkevät todellisia mahdollisuuksia oppia uusia taitoja ja kasvaa teknologian mukana.
Kun tekoäly uppoaa päätöksentekoprosesseihin, miten hallitusten ja johtoryhmien tulisi arvioida uudelleen suorituskykymittareita ja vastuuta?
Tekoäly muuttaa, miten päätökset tehdään, joten johtoryhmien on tarkasteltava perinteisten projektiarvioiden ulkopuolella. Todellinen kysymys on, parantavatko tekoälypäätökset päätöksenteon laatua ja nopeutta alueilla, jotka ovat tärkeitä liiketoiminnalle. Se voi tarkoittaa esimerkiksi parempia ennusteita, tarkempien hintapäätösten tekemistä tai nopeampaa reagointia markkinamuutoksiin.
Jos nämä tulokset paranevat, tekoäly tekee tehtävänsä. Tekoälyn suorituskyky ei voi pitkään olla erillisessä mittaristossa liiketoiminnan suorituskyvystä.
Myös vastuiden on oltava selkeämpiä. Joku omistaa edelleen datan, joku vastaa tuotannossa olevien mallien seurannasta ja joku tekee lopulta päätöksen. Tekoäly voi tukea näitä päätöksiä, mutta hallinto ja valvonta pysyvät välttämättöminä.
Seuraavien kolmen–viiden vuoden aikana, mitkä ovat tärkeimmät muutokset yritysten tekoälyn omaksumisessa — ja mitä johtajien tulisi aloittaa nyt pysyäkseen edellä?
Seuraavien vuosien aikana tekoäly alkaa näkyä enemmän jokapäiväisissä liiketoimintapäätöksissä. Monet yritykset ovat viettäneet aikaa kokeilemassa pilotteja ja konseptin todistamista. Seuraava askel on varmistaa, että nämä kyvykkyydet todella tukevat tiimien suunnittelua, kysynnän ennustamista, toimitusketjujen hallintaa tai markkinointipäätöksiä.
Myös työ kehittyy tekoälyn kyvykkyyden kasvaessa. Rutiinitehtävien automatisoituessa työssä korostuvat tekoälyjärjestelmien ohjaaminen, tulkitseminen ja niiden rinnalla työskentely. Organisaatiot, jotka vahvistavat dataperustaansa ja auttavat työntekijöitään kehittämään näitä kyvykkyyksiä, sopeutuvat paljon helpommin tekoälyn tullessa osaksi arjen toimintaa.
Kiitos haastattelusta. Lukijat, jotka haluavat oppia enemmän, voivat vierailla LatentView Analytics -sivustolla.












