Rajan Sethuraman, PDG de LatentView Analytics – Série d’entretiens

Rajan Sethuraman, PDG de LatentView Analytics, est un dirigeant expérimenté dont la carrière s’étend sur le conseil, le leadership des talents et la transformation des entreprises, avec des postes de direction chez Accenture et KPMG avant de rejoindre LatentView. Son parcours de directeur des ressources humaines à PDG reflète une forte emphase sur le développement des talents, la conception organisationnelle et les modèles opérationnels évolutifs, qui façonnent maintenant son approche de l’IA et de l’analyse. Avec une expérience approfondie dans le recrutement, l’apprentissage et la stratégie commerciale, il s’est constamment concentré sur l’alignement des personnes, de la culture et de la technologie pour obtenir des résultats mesurables, aboutissant à la direction de LatentView lors de son introduction en bourse et de son expansion mondiale tout en positionnant l’IA comme une capacité commerciale plutôt que comme une fonction autonome.

LatentView Analytics est une entreprise mondiale de transformation numérique et d’analyse de données qui aide les entreprises à exploiter les données, l’intelligence artificielle et l’analyse avancée pour améliorer la prise de décision et stimuler la croissance. La société propose des services tels que l’ingénierie des données, l’analyse prédictive et le conseil en IA à travers divers secteurs, notamment les services financiers, la distribution et la technologie, travaillant avec des clients du Fortune 500 dans le monde entier. Sa valeur fondamentale réside dans la transformation des données brutes en informations exploitables qui permettent aux entreprises d’optimiser leurs opérations, d’anticiper les tendances et de créer un avantage concurrentiel dans une économie de plus en plus numérisée.

Vous avez commencé votre carrière dans le conseil et le leadership des talents chez Accenture et KPMG avant de devenir PDG de LatentView Analytics, où vous avez dirigé l’entreprise lors de son introduction en bourse et de son premier rachat. Comment votre expérience dans le développement des talents et la stratégie organisationnelle a-t-elle influencé la façon dont vous échelonnez l’IA et l’analyse aujourd’hui ?

Ma carrière a commencé par me concentrer fortement sur les talents, le développement du leadership et la construction d’organisations capables de s’étendre. Cette expérience continue de façonner ma réflexion sur l’IA aujourd’hui. La technologie seule ne fait pas évoluer une organisation. Ce qui compte, c’est la façon dont les équipes l’adoptent, la façon dont les dirigeants s’y alignent et la façon dont le problème commercial est clairement défini. Chez LatentView, nous passons beaucoup de temps à aider les organisations à construire le modèle opérationnel, les compétences et la culture nécessaires pour transformer l’analyse et l’IA en prise de décision quotidienne.

À cause de cela, je tends à penser à l’IA à travers le prisme de la préparation organisationnelle. L’échelonnement de l’IA nécessite une forte expertise de domaine, des fondations de données solides et des équipes capables de traduire les informations en actions. Mon attention a toujours été portée sur la construction de ces capacités ensemble, plutôt que de traiter l’IA comme une capacité cloisonnée.

Vous avez parlé du minimalisme de l’IA — en donnant la priorité à la clarté, à la curiosité et à la culture plutôt qu’à la poursuite de chaque nouvelle tendance de l’IA. Qu’est-ce que le minimalisme de l’IA ressemble-t-il dans la pratique pour les dirigeants d’entreprise ?

Le minimalisme de l’IA commence par la concentration. Les dirigeants d’entreprise n’ont pas besoin de poursuivre chaque nouveau modèle ou capacité qui apparaît. Ils ont besoin d’un petit nombre de problèmes significatifs où l’IA peut améliorer les décisions ou la productivité de manière mesurable. Cela pourrait être les décisions de tarification, la planification de la chaîne d’approvisionnement ou la façon dont les connaissances se déplacent au sein de l’organisation. Commencer par un problème bien défini aide les équipes à construire la confiance et à apprendre ce que signifie réellement l’échelonnement responsable.

Cela signifie également intégrer l’IA dans les flux de travail réels plutôt que de la traiter comme une expérience isolée. Lorsque les équipes voient la technologie les aider à résoudre des problèmes quotidiens, l’adoption tend à croître naturellement. La curiosité et l’expérimentation sont toujours importantes, mais elles fonctionnent mieux lorsqu’elles sont ancrées dans un sens clair du but.

De nombreuses organisations se précipitent dans l’IA générative sans renforcer leurs fondations de données en premier lieu. Quels sont les signes d’alerte qui indiquent qu’une entreprise construit sur un terrain instable ?

Une chose que je remarque souvent, c’est lorsque la conversation sur l’IA avance beaucoup plus vite que la conversation sur les données. Si les dirigeants parlent de copilotes et de modèles génératifs, mais qu’il y a encore de la confusion sur l’emplacement des données clés, sur qui les possède ou sur lesquelles les métriques commerciales sont réellement fiables, c’est généralement un signe que la fondation n’est pas prête. Les systèmes d’IA dépendent fortement de données fiables et bien gérées. Sans cela, il devient difficile pour les gens de faire confiance aux sorties.

Un autre signal est lorsque les entreprises ont de nombreux pilotes en cours, mais très peu qui influencent les décisions réelles. L’IA générative peut produire des démonstrations impressionnantes, mais le véritable test est de savoir si elle devient partie intégrante de la façon dont l’organisation fonctionne.

Depuis que vous êtes devenu PDG, vous avez eu un impact mesurable pour les clients mondiaux. Qu’est-ce qui distingue les entreprises qui parviennent à opérationnaliser l’IA de celles qui restent bloquées dans le mode pilote ?

Les entreprises qui échelonnent avec succès l’IA la traitent comme une discipline opérationnelle, et non comme un projet d’innovation en côté. Elles attribuent une propriété exécutive, relient les cas d’utilisation aux résultats commerciaux mesurables et conçoivent pour l’intégration dès le début. Elles investissent également dans les tâches moins glamour, telles que les pipelines de données, la gouvernance, la révision des processus et l’adoption des utilisateurs. C’est généralement la différence entre un pilote qui attire l’attention et une capacité qui modifie réellement la façon dont les décisions sont prises.

Chez LatentView, nous avons constaté que les entreprises progressent plus rapidement lorsqu’elles ancrent l’IA dans un problème commercial qui compte déjà pour l’entreprise, comme améliorer la précision de la planification, les résultats des stocks ou la visibilité des fournisseurs. L’IA qui est liée aux métriques que l’entreprise se soucie déjà a beaucoup plus de chances d’être financée, gérée et adoptée à grande échelle.

Comment abordez-vous l’échelonnement responsable de l’IA à travers une grande organisation tout en maintenant la gouvernance, la sécurité et la responsabilité ?

L’échelonnement responsable commence par reconnaître que les décisions d’IA affectent finalement les clients réels, les employés et les résultats commerciaux. Cela signifie que la gouvernance ne peut pas être une après-pensée. Les organisations ont besoin de politiques claires autour de l’accès aux données, de la surveillance des modèles et de la surveillance une fois les systèmes en production.

Dans la pratique, les modèles de gouvernance les plus efficaces sont transversaux. Les dirigeants d’entreprise, les équipes technologiques et les groupes de risque ou de conformité doivent tous être impliqués. Les systèmes d’IA bénéficient également de la transparence sur la façon dont les sorties sont générées et sur les endroits où le jugement humain reste essentiel. Avec des garde-fous établis tôt, les organisations peuvent étendre l’adoption tout en maintenant la confiance.

LatentView travaille avec des entreprises à différents niveaux de maturité numérique. Comment votre stratégie d’IA diffère-t-elle lorsqu’il s’agit de conseiller une entreprise versus une autre qui est encore en début de parcours d’analyse ?

Avec une entreprise, la conversation est généralement axée sur l’accélération. Ils ont déjà des actifs de données significatifs, nous nous concentrons donc sur la priorisation des cas d’utilisation à forte valeur, l’amélioration de l’accessibilité et l’intégration de l’IA dans les flux de travail où l’entreprise peut agir rapidement. Cela pourrait signifier la récupération des connaissances de l’entreprise, la planification connectée de la chaîne d’approvisionnement ou des modèles spécifiques au domaine qui améliorent la vitesse de décision à travers les fonctions.

Pour les entreprises plus en début de parcours, le point de départ est différent. Nous passons plus de temps sur la préparation des données, la gouvernance, la modernisation de l’analyse commerciale et la construction de capacités afin que l’entreprise puisse soutenir l’IA de manière durable. Dans ces situations, l’évaluation de la maturité et la séquencing sont très importants. Vous ne voulez pas promettre un avenir agentic à une entreprise qui manque encore de données fiables, de KPI communs ou d’alignement exécutif sur le problème qu’elle tente de résoudre.

Étant donné votre expérience approfondie dans l’acquisition de talents et l’apprentissage, quels sont les compétences que les entreprises devraient donner la priorité à développer en interne à l’ère de l’IA par rapport à celles qu’elles devraient embaucher en externe ?

En interne, je pense que les entreprises devraient se concentrer sur la construction d’une large littératie en IA et en données. Tout le monde n’a pas besoin de devenir un scientifique des données, mais les personnes à travers l’entreprise devraient donner la priorité à la prise de décision basée sur les informations, poser de meilleures questions et utiliser les outils d’IA dans leur flux de travail quotidien. Lorsque cette pratique se répand à travers les équipes, il devient beaucoup plus facile d’identifier où l’IA peut réellement aider et où elle ne devrait probablement pas être utilisée.

En externe, les embauches tendent à être plus spécialisées. Des compétences comme l’ingénierie des données, l’architecture du machine learning et la gouvernance de l’IA nécessitent une expertise approfondie que les organisations n’ont pas toujours en interne. Les entreprises qui font bien cela combinent généralement ces spécialistes avec des équipes commerciales qui comprennent le contexte et les décisions qui doivent être améliorées.

La résistance culturelle ralentit souvent la transformation. Quels comportements de leadership avez-vous trouvés les plus efficaces pour établir la confiance et l’élan autour de l’adoption de l’IA ?

Une communication claire de la part de la direction fait une grande différence. Les employés veulent comprendre pourquoi de nouvelles technologies sont introduites et comment elles sont liées à la stratégie de l’entreprise. Expliquer le but derrière les initiatives d’IA et les relier à des objectifs commerciaux réels aide à établir la confiance à travers l’organisation.

L’apprentissage est tout aussi important. L’automatisation et l’IA sont déjà en train de remodeler de nombreux métiers, les entreprises doivent donc soutenir activement les employés dans le développement de nouvelles capacités. Les gens s’engagent beaucoup plus ouvertement dans le changement lorsqu’ils voient de réelles opportunités de développer de nouvelles compétences et de grandir aux côtés de la technologie.

À mesure que l’IA s’intègre dans les processus de prise de décision, comment les conseils d’administration et les équipes exécutives devraient-ils repenser les métriques de performance et la responsabilité ?

L’IA modifie la façon dont les décisions sont prises, les équipes de direction doivent donc regarder au-delà des métriques de projet traditionnelles. La véritable question devient de savoir si l’IA améliore la qualité et la rapidité des décisions dans les domaines qui comptent pour l’entreprise. Cela pourrait signifier de meilleures prévisions de la demande, des décisions de tarification plus précises ou des réponses plus rapides aux changements du marché.

Si ces résultats s’améliorent, l’IA fait son travail. Les performances de l’IA ne peuvent pas rester dans un tableau de bord séparé des performances commerciales pendant très longtemps.

La responsabilité doit également être plus claire. Quelqu’un possède toujours les données, quelqu’un est responsable de la surveillance des modèles en production et quelqu’un prend finalement la décision. L’IA peut soutenir ces décisions, mais la gouvernance et la surveillance restent essentielles.

Au cours des trois à cinq prochaines années, quels seront les changements les plus importants dans l’adoption de l’IA d’entreprise — et que devraient faire les dirigeants pour rester en tête ?

Au cours des prochaines années, l’IA commencera à apparaître beaucoup plus à l’intérieur des décisions commerciales quotidiennes. De nombreuses entreprises ont passé du temps à expérimenter des pilotes et des preuves de concept. L’étape suivante consiste à s’assurer que ces capacités soutiennent réellement la façon dont les équipes planifient, prévoient la demande, gèrent les chaînes d’approvisionnement ou prennent des décisions marketing.

Le travail évoluera également à mesure que l’IA deviendra plus capable. À mesure que les tâches routinières deviennent plus automatisées, les métiers se déplaceront vers la direction, l’interprétation et le travail aux côtés des systèmes d’IA. Les organisations qui renforcent leurs fondations de données et aident les employés à développer ces capacités s’adapteront beaucoup plus facilement à mesure que l’IA deviendra partie intégrante des opérations quotidiennes.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter LatentView Analytics.