צ’טאן אלסיסאריה, מנכ”ל ומייסד-שותף, Polestar Analytics – סדרת ראיונות

צ’טאן אלסיסאריה, מנכ”ל ומייסד-שותף הוא מנהיג טכנולוגיה של מערכות, המתמחה בנתונים, ניתוחים והמרה הנעה על ידי AI. לאחר תפקידים מוקדמים ב-Deloitte, PwC ו-EY, הוא הקים את Polestar Analytics ב-2012 ומאז הרחיב אותה לחברת נתונים ו-AI גלובלית. הוא מוביל את המכירות, בריתות אסטרטגיות, פיתוח שירותים ומשלוחים טכניים, וכן משמש כיו”ר CAIO Circle, קהילה למנהיגי AI המתמקדים בקידום אימוץ AI אחראי ומעשי. בנוסף, הוא הקים את Xumane Equity, המשקף את המיקוד הרחב יותר שלו על חדשנות ברחבי מערכות ופלטפורמות.

Polestar Analytics היא חברת התמזגות גלובלית של נתונים ו-AI, המסייעת לתאגידים להפוך נתונים מפוצלים לתובנות מניבות פעולה דרך 1Platform הפרופריתרית שלה. על ידי איחוד הנדסת נתונים, ניתוחים, AI וזרימות עסקיות לתוך מערכת אקוסיסטמית בודדת, החברה מאפשרת לארגונים לשפר קבלת החלטות, לאופטימיזציה של פעולות ולהרחבת אימוץ AI. עם מיקוד חזק על מקרי שימוש ספציפיים לתעשייה ותוצאות מודדות, Polestar התפתחה מחברה המונעת על ידי ייעוץ לעסק הנעזר בפלטפורמה, המספק פתרונות מונחים בינטליגנציה בקנה מידה תאגידי.

הקמתם את Polestar Analytics ב-2012, לאחר תפקידים ב-Deloitte, PwC ו-EY. מהו הפער בנתונים וניתוחים של תאגידים שראיתם באותה עת, וכיצד החזון המקורי התפתח ל-1Platform המונעת על ידי AI של היום?

אתם יודעים, כשאג’יי, אמיט ואני הקמנו את Polestar Analytics ב-2012, האירוניה הייתה מוחצת; חברות היו טובעות בנתונים אך רעבות להחלטות. כולם אספו הכול, אך הפער בין להחזיק נתונים לבין עשיית משהו משמעותי עם זה היה עצום. זו הבעיה שאותה יצאנו לפתור.

בהילוך קדימה ליום, ובכנות, הבעיה לא נעלמה, היא רק השתנתה. הנפח גדול יותר, הימורים גבוהים יותר, ועכשיו יש לכם סוכנים בתערובת לצד בני אדם שצריכים להבין את כל זה. זה בעצם הפך את החזון המקורי שלנו לברור יותר, לא לטומא.

המוטו שלנו, Data to Outcomes, Simplified!, הוא באמת החוט המחבר 2012 ליום. התחלנו עם מסירת נתונים; הבאת הנתונים הנכונים לאנשים הנכונים בזמן הנכון. אז AI הגיע והגביר את מה שאפשר. עכשיו, עם 1Platform, אנו דוחפים הלאה; מפשטים וממקסמים תוצאות לא רק עבור בני אדם אלא גם עבור הסוכנים שהולכים ומחליטים או משפיעים על החלטות.

מה שמרגש הוא כיצד האקוסיסטם שלנו הבשיל לתמוך בזה. האינטגרציות העמוקות שלנו עם Microsoft, Databricks ו-Anaplan עוזרות להביא נתונים, מקרי שימוש עסקיים ותכנון ביחד. ו-1Platform יושבת על כל זה, ילידית לסביבות אלו, לא מחוברת אליהן.

אז, האבולוציה באמת נראית כך: מסירת נתונים → תובנות מוגברות על ידי AI → תוצאות פשוטות, מוכנות לסוכנים. הרדיפה אחר מצוינות היא אותה הדבר. המהירות בה אנו יכולים להגיע לשם היא מה שהשתנה באופן מעריכי.

Polestar Analytics מעמידה את עצמה כחברת התמזגות של נתונים ו-AI. מהו המראה של התמזגות בפועל עבור תאגידים גדולים המתמודדים עם מערכות מפוצלות ונתונים מופרדים?

רוב הזמן, פיצול אינו בעיה טכנולוגית, היא בעיה של אנשים ותהליכים. זה כמו שיש לך צוות פיננסי הרץ על Anaplan, צוות אופרציה החי ב-Excel, צוות הנדסת נתונים הבונה צינורות על Azure, וכולם מושכים לכיוונים שונים עם הגדרות שונות של אותו מדד. שום AI לא מתקנת בעיה של אמון אם היסוד הוא שבור.

אז, כשאנו מדברים על התמזגות, אנו מתכוונים לפתור את היסוד ראשון. לפני שתוכלו להוסיף אינטליגנציה למעלה, אתם צריכים נתונים שהם נקיים, מנוהלים ובעיקר נגישים. לא רק לאנליסטים שלכם, אלא גם לסוכנים שלכם.

בפועל, התמזגות עם 1Platform נראית כך: אנו לא מסירים ומחליפים את מה שתאגידים בנו. אנו הולכים לסביבות הילידיות שבהן הם חיים, כגון Databricks, Microsoft ו-Anaplan, ואנו תופרים את שכבת הנתונים והאינטליגנציה לאורך כולן. נתוני התכנון שלכם ב-Anaplan מדברים עם נתוני הפעילות שלכם ב-Databricks, והאקוסיסטם של Microsoft היא היכן שהחלטות באמת עולות לאנשים וסוכנים לפעול.

הקסם לא באינטגרציה יחידה. הוא בשכבת החיבור של 1Platform שהופכת הכול למערכת אחת עקבית במקום כלים מנותקים. זו התמזגות בפועל, פשטות מכוונת עד שהמורכבות הופכת לבלתי נראית לעסק.

ה-1Platform הפרופריטרית שלכם מטרתה לאחד נתונים, AI וזרימות עבודה לתוך מערכת בודדת. כיצד גישה זו שונה מערימות BI מסורתיות או פלטפורמות נתונים מודרניות כמו Databricks או Snowflake?

Databricks ו-Snowflake הן פלטפורמות חזקות, אנו לא מתחרים איתן, אנו בנויים על גביהן. הבחנה זו חשובה. Databricks נותנת לכם תשתית וחישוב. אנו יושבים מעליה ושואלים שאלה אחרת: עכשיו מה?

ערימות BI מסורתיות קיבלו הרבה דברים נכון לזמנן, אך אינטליגנציה עסקית התפתחה. היום, משתמשים עסקיים צריכים יותר מאשר לוחות. אתם יכולים להיות בעלי לוח מעוצב יפה עם חמישה עשר תרשימים, וכן הלאה, וכן הלאה, ובכל זאת, מישהו עדיין צריך לפרש מה זה אומר ולהחליט מה לעשות הלאה. הפער בין תובנה לפעולה הוא בדיוק היכן ש-1Platform פועל.

1Platform אינה סטטית, היא ממשיכה להתפתח. היא לא רק עונה על השאלות שאתם מביאים; היא מעלה שאלות שאתם לא חשבתם אפילו לשאול. זה משנה את היחסים בין משתמשים עסקיים לנתונים שלהם.

בנינו ממשקים low-code ו-no-code על Databricks ו-Azure שמאפשרים לצינורות להיפתח בשניות. משימות שלקחו ימים למהנדסי נתונים יכולות עכשיו להידחף על ידי משתמשים עסקיים. על גבי זה, Agenthood AI מאפשר למשתמשים ליצור ולתאם סוכנים דרך ממשקים פשוטים של drag-and-drop ללא ידע טכני עמוק.

אבל ההבדל האמיתי הוא בחווית המשתמש. במקום לקפוץ בין לוחות רבים, משתמשים מקבלים תובנות שפה טבעית, המלצות הקשר ונרטיבים הנעים על ידי סוכנים. KPIs לא יושבים רק על מסך; סוכנים פעילים מפקחים עליהם, מדגלים מה חשוב, ומסבירים למה. ההבדל הוא לא הפלטפורמת נתונים עצמה, אלא הכול שקורה אחרי שהנתונים מוכנים.

רבות מהתאגידים נותרו תקועים במה שמכונה “גיהנום AI”. מהן המחסומים המבניים או הארגוניים הגדולים ביותר המונעים מ-AI להגיע לייצור בקנה מידה?

אני קורא לזה “בית הקברות של הניסויים” כי רוב הפרויקטים לא רק נתקעים, הם גם מתים בשקט. המחסומים הגדולים ביותר אינם טכניים, הם ארגוניים. אנשים, תהליכים ונתונים.

ניהול שינוי תמיד מוערך במידה פחותה. כאשר אתם מעצבים מחדש את הדרך בה אנשים עובדים, אתם מאתגרים את הדרך בה הם מייצרים ערך. ארגונים שמצליחים הם אלו שבהם הנהלה עושה את הידע של AI חשוב באופן גלוי. כאשר העלאה בדרגה מוערכת ועיצוב תהליך נתמך באופן מבני, האימוץ מאיץ.

אז יש את בעיית ה-J-curve. השקעות AI רבות יורדות לפני שהן עולות. רבים מהארגונים מצפים ל-ROI תוך 90 יום, לא רואים אותו, ונטשים את המאמץ. אלו שמצליחים מתחייבים לעקומה המלאה.

כשירות נתונים היא גורם קריטי נוסף. נתונים גרועים מובילים להחלטות שגויות בביטחון. עד שהיסוד הנתונים הוא מהימן, AI בקנה מידה הופך להיות לא נכס אלא חבל.

לבסוף, משמעת של מקרי שימוש חשובה. ארגונים צריכים להתמקד במקרי שימוש שזזים מטריקות עסקיות אמיתיות, להוכיח אותם, ואז להרחיב.

ב-Polestar Analytics, הבאת נתונים, AI וזרימות עבודה למקום אחד מאיצה הן את גילוי הבעיה והן את זיהוי ההזדמנות, הופכת התמזגות לזרז לשינוי.

Agentic AI הופכת לנושא מרכזי בתעשייה. כיצד Polestar Analytics חושבת על AI agents בתוך זרימות עבודה של תאגידים, ומהם מקרי השימוש המציאותיים הגוברים?

בשבילנו, סוכנים חייבים להיות מוטמעים הן בשכבת הנתונים והן בזרימות העבודה העסקית כדי ליצור ערך אמיתי. סוכן מחיר, למשל, אינו רק LLM היושב על לוח; הוא משולב בתשתית הנתונים, מבין הקשר, ותומך בקבלת החלטות אמיתית.

ברחבי 100+ הסוכנים שלנו, חלקם פועלים כעוזרים בעוד שאחרים מואטומטיים לחלוטין. האחיזה החזקה ביותר היא בניהול צמיחת הרווח, כולל מחיר, קידומים ותערובת מדיה, שם החלטות הן תכופות ורוויות נתונים.

אנו תומכים בן האקוסיסטמים של Microsoft ו-Databricks ומספקים פלטפורמה מותאמת לבניית סוכנים. לא כל סוכן צריך להיות מבוסס LLM; ארכיטקטורה צריכה להתאים למקרה השימוש, כדי לאזן בין קנה מידה לעלות.

ממשל הוא חיוני. עם סוכנים המתערבים עם מערכות פיננסיות או נתוני לקוחות, יש צורך במשמרות חזקות ופיקוח אנושי כדי להבטיח אמינות בקנה מידה תאגידי.

עם המימון האחרון, אתם מכפילים את ההשקעה בפיתוח IP. כמה חשוב לבעלות על פלטפורמות פרופריטריות בנוף AI של היום?

אנו משולבים עמוקות עם פלטפורמות כמו Databricks, Microsoft ו-Anaplan, שמספקות תשתית וקנה מידה. אנו לא מנסים להחליף אותן.

המיקוד שלנו הוא בבעלות על שכבת האינטליגנציה מעל. IP פרופריטרי מאפשר לנו לשלוט בחוויה, לשבות ידע תעשייתי, ולספק ערך עקבי בקנה מידה.

ההבדל שלנו בא מידע תעשייתי. האם זה PromoPulse AI עבור ניהול צמיחת רווח או WealthPulse עבור שירותים פיננסיים, הערך שוכן בהבנת מקרי שימוש אמיתיים והחלטות.

IP פרופריטרי, עבורנו, הוא הקודיפיקציה של אותו ידע. זה מה שהופך את הפלטפורמה למגוננת ואמיתית.

עבדתם בקרבת חברות Fortune 1000. כיצד הציפיות סביב ROI של AI משתנות כאשר מנהלים דורשים תוצאות מודדות במקום ניסויים?

המעבר הוא אמיתי, אך הניסויים לא נעלמו, הם רק הואצו.

מנהלים כיום מעריכים ROI דרך עדשות רחבות יותר כמו מהירות החלטה, נאמנות לקוחות, יכולת חדשנות, ועמידות.

ROI של AI אינו עוד שייך למנהיג יחיד. ה-CTO מתמקד בתשתית ונתונים, ה-CFO מסתכל על ההשפעה הפיננסית, וה-COO מדגיש את היעילות המבצעית.

ארגונים שמצליחים מסתדרים את הפרספקטיבות האלו מוקדם ומתחייבים לתוצאות ארוכות טווח.

אסטרטגיית ההרחבה שלכם כוללת צפון אמריקה ואירופה. מהן ההבדלים שאתם רואים בבשלות לאימוץ AI והכנות התאגידית ברחבי אזורים אלו?

ההבדל הוא יותר במחשבה מאשר ביכולת.

צפון אמריקה מעדיפה מהירות וניסוי, נעורה על ידי לחץ תחרותי.

אירופה מדגישה ממשל ו-AI אתי מההתחלה. אולם, זה לא אומר אימוץ איטי. תאגידים מאזנים מבנה עם האצה.

שני האזורים מתכנסים לעבר AI מדורג ואחראי, מוטמע בפעולות הליבה.

הקמתם את CAIO Circle כדי להביא מנהיגי AI יחד. מהן השיחות הדחופות המתרחשות בין קציני AI ראשיים, במיוחד סביב ממשל ואתיקה?

CAIO Circle נוצר כדי לתת למנהיגי AI מרחב לדיון פתוח.

האתגר המרכזי הוא איזון בין מהירות לסיכון ארוך טווח. אמון והסברנות הם דאגות עליונות, במיוחד כאשר מערכות AI משפיעות על החלטות קריטיות.

ממשל הוא משתנה ממסמכי מדיניות לפרקטיקות מבצעיות. רבים מהארגונים עדיין חסרים מודלים של ביצוע למימוש אסטרטגיות AI.

התובנות היקרות ביותר באותם משוחחים כנים עם עמיתים, יותר מאשר הצגות רשמיות.

צפוי לקראת שלוש עד חמש שנים, האם אתם צפים ש-AI של תאגידים תתאחד לפלטפורמות מאוחדות כמו שלכם, או תישאר כפלטפורמות מפוצלות של כלים וספקים? היכן Polestar Analytics מתכוונת להימצא בעתיד הזה?

הפיצול כנראה ימשיך. פלטפורמות גדולות כמו Databricks, Microsoft, Salesforce ו-Anaplan יישארו שחקנים מרכזיים.

מה שתאגידים צריכים הוא שכבה מאחדת שמחברת נתונים, אינטליגנציה וזרימות עבודה למשהו מניב פעולה. זו התפקיד ש-1Platform עוצבה למלא.

העתיד יעדיף פלטפורמות עם ידע תעשייתי עמוק. פתרונות אופקיים כלליים יאבקו להיבדל.

הערך האמיתי יבוא מהבנת צרכים ספציפיים לתעשייה ושיבוץ אינטליגנציה ישירות לתוך זרימות קבלת החלטות.

תודה על הראיון הנהדר, קוראים הרוצים ללמוד יותר צריכים לבקר ב-Polestar Analytics.