Afsheen Afshar, Fondateur de Pilot Wave Holdings – Série d’entretiens

Afsheen Afshar, Fondateur de Pilot Wave Holdings, est un vétéran du leadership en science des données et en investissements, dont la carrière s’étend sur des rôles seniors chez Goldman Sachs, J.P. Morgan et Cerberus Capital Management, où il a contribué à initier des initiatives de science des données et d’IA à grande échelle au sein des institutions financières. Avec une fondation technique enracinée dans la recherche en neurosciences et en apprentissage automatique à l’Université de Stanford, Afshar a bâti une carrière à l’intersection de l’analyse avancée, du capital-investissement et de la transformation opérationnelle, en se concentrant finalement sur l’application de l’IA à la performance commerciale réelle. Chez Pilot Wave, il rassemble l’expertise en investissements, le leadership opérationnel et les connaissances techniques approfondies pour identifier, acquérir et développer des entreprises à l’aide de stratégies axées sur les données et de la technologie moderne.

Pilot Wave Holdings est une plateforme d’acquisition et de croissance axée sur la transformation des petites et moyennes entreprises par l’intelligence artificielle et la technologie avancée. La société utilise des systèmes d’IA propriétaires pour analyser les opérations, découvrir les inefficacités et améliorer les performances dans l’ensemble de ses entreprises. En combinant l’implication opérationnelle avec une infrastructure de données moderne, Pilot Wave vise à moderniser les entreprises traditionnelles qui ont historiquement manqué d’accès à des outils avancés, les positionnant pour une croissance à long terme et scalable dans une économie de plus en plus axée sur la technologie.

Vous avez occupé des postes de leadership pionniers en IA dans des entreprises comme JPMorgan et Cerberus, et plus tard, vous avez fondé Pilot Wave Holdings pour intégrer l’IA dans les industries traditionnelles. Quelle est l’insight ou la frustration fondamentale qui vous a amené à passer de la construction de l’IA au sein de grandes institutions à l’acquisition et à la transformation directe d’entreprises ?

Le problème fondamental était le besoin d’autonomisation pour agir avec rapidité. Au sein des grandes institutions, même lorsque les gens sont d’accord sur l’opportunité, il y a généralement trop de couches entre l’identification du problème et la prise de mesures concrètes. L’IA ne réussit pas parce que le travail technique est impossible, mais parce que l’organisation est trop lente, trop politique ou trop fragmentée pour agir avec urgence. Je voulais travailler dans un environnement où la stratégie, les opérations et la technologie pourraient être alignées rapidement. L’acquisition et la construction d’entreprises directement créent ce type d’autonomisation. Si vous voulez vraiment changer la façon dont une entreprise fonctionne avec rapidité et détermination, être le propriétaire est important.

Une grande partie de l’industrie célèbre encore les pilotes réussis, mais la valeur réelle vient des systèmes de production. Pourquoi les initiatives d’IA échouent-elles si souvent à ce point de transition, et qu’est-ce qui distingue les organisations qui parviennent à mettre en œuvre l’IA avec succès de celles qui stagnent ?

De nombreux pilotes sont conçus pour réussir, ce qui est exactement pourquoi de nombreuses entreprises se trompent. Ils se déroulent dans des environnements propres, avec une attention supplémentaire, une portée limitée et aucune des frictions qui apparaissent en production. Le problème plus profond est souvent un manque d’empathie. Les technologistes n’ont souvent pas le temps ou, franchement, n’ont pas le désir d’apprendre l’expérience de l’opérateur, ils construisent donc quelque chose qui fonctionne en théorie ou dans une démo mais ne correspond pas à la réalité du travail. Les entreprises qui mettent en œuvre l’IA avec succès sont celles qui prennent au sérieux le flux de travail humain dès le début et construisent pour la complexité des opérations réelles au lieu d’essayer de l’éviter. Tout le monde dit qu’il veut de la valeur de production, mais de nombreuses équipes sont toujours optimisées pour les applaudissements des pilotes.

Votre travail se concentre sur l’intégration de l’IA dans des secteurs tels que les infrastructures, la fabrication et le commerce électronique. Comment le déploiement de l’IA dans ces environnements diffère-t-il fondamentalement du déploiement dans des entreprises numériques ou logicielles ?

La différence est que dans les entreprises traditionnelles de la rue principale, l’empathie et l’élément humain sont encore plus importants que ce que les gens du monde de l’IA veulent généralement admettre. Dans les environnements logiciels, les équipes peuvent souvent bouger rapidement et corriger les problèmes plus tard. Dans les infrastructures, la fabrication et le commerce électronique, le travail est lié à des systèmes physiques, à des contraintes réelles et à des personnes qui savent immédiatement quand quelque chose ne correspond pas à la façon dont l’entreprise fonctionne réellement. Cela signifie que vous ne pouvez pas simplement arriver avec une solution techniquement élégante et attendre l’adoption. Si vous ne comprenez pas l’expérience de l’opérateur, votre stratégie d’IA est probablement déjà rompue. Ces environnements exposent la pensée superficielle très rapidement, ce qui fait partie de leur importance.

Vous avez soutenu que l’adoption de l’IA devrait commencer par les priorités commerciales plutôt que par les outils. À quoi ressemble cela dans la pratique, et comment les équipes de direction devraient-elles restructurer leur approche de la transformation de l’IA ?

La plupart des équipes de direction commencent à la mauvaise place. Ils commencent par une conversation sur ce que peut faire cette technologie pour nous, car cela sonne excitant et actuel, alors que le bon endroit pour commencer est de savoir quels sont nos priorités commerciales les plus importantes. Une fois que vous le savez, vous pouvez alors discuter honnêtement des meilleurs outils pour répondre à ces priorités, et ce n’est pas toujours l’IA. Cela peut sembler évident, mais la plupart des entreprises commencent toujours par la technologie et espèrent que le cas d’affaires apparaîtra d’une manière ou d’une autre par la suite. C’est à l’envers et cela conduit à beaucoup de mouvements inutiles. Si la direction veut de véritables résultats, elle doit cesser de traiter la stratégie d’IA comme un exercice d’achat.

Chez Pilot Wave, vous n’êtes pas seulement conseiller des entreprises, vous les transformez après les avoir acquises. Quels sont les premiers changements structurels ou culturels que vous mettez en œuvre pour que l’adoption de l’IA soit vraiment efficace ?

La première chose est de trouver des sponsors seniors et juniors. Les sponsors juniors connaissent la réalité quotidienne et peuvent s’assurer que les troupes réelles font ce qu’il faut, tandis que les sponsors seniors s’assurent que la politique est minimisée et que l’effort n’est pas étouffé. Beaucoup d’entreprises s’appuient trop lourdement sur le soutien de la direction et se demandent ensuite pourquoi rien ne change dans la pratique. La vérité est que l’adoption de l’IA échoue généralement soit parce que l’organisation la résiste au niveau du sol, soit parce que la direction laisse les interférences s’accumuler autour. Vous avez besoin des deux formes de soutien en place tôt. Sinon, l’initiative devient un autre point de discussion de la direction qui ne se concrétise jamais vraiment.

À mesure que les agents d’IA deviennent plus capables et que les infrastructures deviennent de plus en plus abstraites, quels sont les risques stratégiques qui émergent pour les entreprises qui ne contrôlent pas leur propre pile de données et d’IA ?

Je soutiendrais que les entreprises ont toujours besoin d’un contrôle fondamental. Cela nécessite d’instrumenter chaque système, ce qui est la façon dont Pilot Wave aborde la conception de système, car si vous ne pouvez pas voir ce qui se passe, le mesurer et placer des garde-fous autour, alors vous prenez un risque que vous ne comprenez pas. Cela ne signifie pas que vous ne devriez pas déléguer des tâches, car la délégation continuera certainement à grande échelle, mais la délégation sans mesure n’est pas une stratégie exécutable. Une grande partie du marché est séduite par l’abstraction parce que cela rend les choses plus faciles et plus rapides, mais cette commodité peut cacher une fragilité systémique réelle. Si les bons instruments, les mesures et les garde-fous sont en place, le risque systémique potentiel peut être minimisé. Si ce n’est pas le cas, vous construisez une dépendance avant d’avoir gagné la confiance.

Il existe un écart croissant entre la façon dont l’IA est commercialisée et sa performance dans les environnements du monde réel. Quels signaux les dirigeants techniques et les opérateurs devraient-ils rechercher pour distinguer les capacités d’IA significatives des allégations superficielles ?

Demandez toujours une mesure de valeur réelle. J’ai été religieux sur la mesure de la valeur pendant toute ma carrière, jusqu’aux projets individuels, car sans cette discipline, il devient très facile de confondre l’excitation avec les résultats. Chaque effort devrait être soumis à un ROI et suivi. Si quelqu’un ne peut pas expliquer clairement comment le système affecte les revenus, les coûts, le débit, l’efficacité du travail ou d’autres métriques commerciales réelles, alors il y a de fortes chances qu’il vend du théâtre. L’industrie est devenue beaucoup trop à l’aise pour récompenser les démonstrations polies et les allégations vagues. Sans une mesure rigoureuse de la valeur, il y a un risque réel de gaspiller du temps et de l’argent.

Vous avez construit et dirigé de grandes organisations de science des données. Comment voyez-vous l’évolution du rôle des équipes d’IA à mesure que l’automatisation augmente et que les systèmes basés sur des agents prennent en charge davantage de responsabilités ?

L’IA prendra en charge des tâches de niveau supérieur. Chez Pilot Wave, nous développons déjà une IA qui peut prendre en entrée quelque chose comme « augmenter mes revenus de 10 pour cent » plutôt que « refaire mon site Web », ce qui est beaucoup plus proche de l’endroit où se situe une grande partie de l’IA aujourd’hui. Ce changement modifie le rôle des équipes d’IA de manière significative, car le travail devient moins axé sur des tâches isolées et plus sur la façon dont les systèmes raisonnent sur les objectifs commerciaux réels. Beaucoup d’équipes pensent encore de manière trop étroite à l’automatisation et sous-estiment à quel point la technologie progresse rapidement dans la pile. Le centre de gravité va se déplacer de l’exécution des tâches vers la délégation commerciale. C’est un changement beaucoup plus important que ce que la plupart des entreprises se préparent à affronter.

De nombreuses entreprises investissent massivement dans l’IA, mais ont du mal à générer un ROI mesurable. Quels sont les modèles d’échec les plus courants que vous avez observés, et comment peuvent-ils être évités ?

La plupart des efforts d’IA, en particulier dans les grandes entreprises, sont toujours trop axés sur les tableaux de bord sexy, les mots à la mode et les choses qui sont faciles à présenter internement mais difficiles à relier à une valeur réelle. Les entreprises passent beaucoup de temps à rendre le travail élégant au lieu de le rendre utile. Le modèle d’échec est généralement pas mystérieux, c’est simplement un manque de discipline autour de la création de valeur actionnable. S’il n’y a pas d’objectif économique clair, de propriétaire et de cadre de mesure, l’effort ne devrait pas aller de l’avant. Être religieusement axé sur la création de valeur à chaque étape du chemin est crucial. Sinon, l’IA d’entreprise devient un exercice de marque très coûteux.

En regardant vers l’avenir, quels sont les capacités d’IA ou les avancées au niveau des systèmes qui, selon vous, auront l’impact le plus important sur les industries du monde physique au cours des cinq à dix prochaines années ?

La capacité de donner des objectifs de très haut niveau à un système d’IA et de déléguer des parties majeures de l’entreprise va devenir très réelle très vite. C’est la capacité qui comptera le plus, car elle déplace l’IA au-delà de l’exécution de tâches étroites et vers une véritable force opérationnelle. En conséquence, les gens se concentreront davantage sur les aspects relationnels et de confiance des entreprises, ainsi que sur la nature physique réelle du travail en question, que ce soit la construction ou une autre industrie basée sur le terrain. Beaucoup de gens parlent encore de l’IA comme d’une couche de productivité située sur le côté, mais cette vision commence déjà à paraître obsolète. Les systèmes deviennent capables de prendre en charge des responsabilités beaucoup plus larges. L’avenir est très excitant, mais il sera également beaucoup plus disruptif que ce que beaucoup d’entreprises veulent admettre.

Je vous remercie pour cette grande interview. Les lecteurs qui souhaitent en savoir plus peuvent visiter Pilot Wave Holdings.