Amit Sharma, CEO dan Pendiri CData – Seri Wawancara

Amit Sharma, CEO dan Pendiri CData Software, adalah eksekutif teknologi yang telah memimpin CData dari fase awal sebagai startup hingga menjadi pemimpin global dalam koneksi dan integrasi data. Dengan karir yang meliputi peran sebagai insinyur perangkat lunak di Infosys dan Elixar, arsitek teknis di /n Software, dan kemudian CTO di CData, ia telah membangun keahlian yang mendalam dalam akses data perusahaan dan infrastruktur. Sejak menjadi CEO pada 2014, ia telah memimpin misi CData untuk menyederhanakan cara organisasi terhubung, mengintegrasikan, dan memanfaatkan data di seluruh sistem, membantu memposisikan perusahaan sebagai lapisan fondasi dari gerakan data modern.

CData Software adalah penyedia utama solusi akses dan koneksi data. Produk data mandiri dan platform koneksi mereka memberikan akses universal ke data langsung di seluruh aplikasi on-premises dan cloud yang banyak digunakan. Jutaan pengguna di seluruh dunia mengandalkan CData untuk mendukung analitik lanjutan, mempercepat adopsi cloud, dan membangun organisasi yang lebih terhubung dan berbasis data. Dirancang untuk dapat diakses oleh pengguna mana pun, diakses dalam aplikasi mana pun, dan dapat diskalakan untuk perusahaan semua ukuran, CData mendefinisikan kembali cara bisnis mengakses dan menggunakan data.

Anda memulai karir Anda di India di Infosys dan kemudian beralih ke perangkat lunak perusahaan AS. Apa pelajaran awal dari fase itu yang masih membentuk cara Anda memimpin saat ini?

Waktu saya di Infosys memberikan saya paparan awal tentang tuntutan teknologi perusahaan besar — kompleksitas, kebutuhan akan keandalan, dan bagaimana organisasi besar mendekati masalah teknis. Itu membentuk rasa hormat yang mendalam terhadap struktur dan kualitas perusahaan. Namun, ketika saya beralih ke startup AS, saya menemukan bahwa saya berkembang dengan kecepatan, fleksibilitas, dan kemampuan untuk membuat dampak langsung. Hari ini, latar belakang ganda itu membimbing cara saya memimpin CData Software: saya bersikeras pada standar perusahaan dan kekuatan, sambil memupuk budaya yang ramping dan bergerak cepat yang menghargai kesederhanaan, kenyamanan penggunaan, dan eksekusi yang cepat.

Setelah lebih dari satu dekade sebagai CEO CData, apa perubahan dalam cara berpikir atau pendekatan yang paling penting dalam menskala perusahaan dari hari-hari awal menjadi perusahaan global?

Perubahan terbesar bagi saya adalah beralih dari berpikir seperti pembangun teknologi ke berpikir seperti pembangun organisasi. Di hari-hari awal, fokus saya hampir sepenuhnya pada produk; membuatnya elegan, andal, dan memecahkan masalah nyata. Ketika CData berkembang, saya harus belajar bahwa perangkat lunak yang hebat saja tidak cukup; Anda membutuhkan orang-orang hebat, pemimpin yang kuat, dan proses yang dapat diskalakan tanpa memperlambat Anda. Itu berarti berinvestasi lebih awal dalam perekrutan, memberdayakan tim, dan membangun sistem yang dapat diulang di seluruh penjualan, dukungan, dan operasi, sambil melindungi budaya teknik kami. Perubahan dalam cara berpikir adalah menyadari bahwa pekerjaan saya tidak hanya membuat teknologi yang hebat, tetapi menciptakan lingkungan di mana teknologi yang hebat dapat dibangun secara konsisten oleh tim global yang berkembang.

CData telah lama fokus pada “mempermudah akses ke data mana pun, di mana pun.” Bagaimana misi itu berkembang ketika industri bergerak lebih dalam ke aplikasi asli AI?

Dari awal, misi kami di CData adalah membuat data dapat diakses secara universal menggunakan antarmuka standar dan familiar, karena kami percaya bahwa bottleneck terbesar untuk inovasi bukanlah penyimpanan atau komputasi, melainkan akses. Ide inti itu tidak berubah, tetapi konteksnya telah berubah. Ketika organisasi bergerak dari analitik ke cloud dan sekarang ke AI, biaya akses data yang terfragmentasi dan tidak konsisten hanya meningkat. Apa yang berkembang adalah tanggung jawab kami: tidak lagi hanya tentang menghubungkan aplikasi ke data, tetapi memastikan data dapat dipercaya, waktu nyata, dan dapat digunakan di seluruh lingkungan yang kompleks dan terdistribusi. Di era AI, akses saja tidak cukup. Data harus siap digunakan tanpa perlu rekayasa khusus selama berminggu-minggu.

Saat aplikasi asli AI menjadi norma, misi kami telah berkembang untuk membuat data siap AI secara default. Artinya, memungkinkan semantik yang konsisten, koneksi berkinerja tinggi, akses yang sadar tata kelola, dan integrasi waktu nyata di seluruh sumber data terstruktur dan SaaS, sehingga model dan agen dapat bekerja dengan informasi yang segar dan dapat diandalkan, bukan integrasi titik yang rapuh atau salinan yang sudah ketinggalan zaman. Dalam istilah praktis, kami fokus pada menghilangkan gesekan antara di mana data hidup dan di mana sistem AI beroperasi, sehingga tim dapat bergerak dari eksperimen ke produksi lebih cepat. Kami melihat diri kami tidak hanya sebagai penyedia koneksi, tetapi sebagai lapisan data fondasi untuk perusahaan yang didorong AI yang dengan diam-diam memberdayakan sistem yang membuat aplikasi cerdas memungkinkan.

Dengan percepatan AI generatif, apa yang dimaksud dengan “data siap AI” bagi Anda, dan di mana organisasi salah mengartikan konsep itu paling banyak?

Bagi saya, “data siap AI” berarti data yang dapat diakses, andal, mutakhir, dan dapat dipahami oleh manusia dan mesin tanpa lapisan perpipaan khusus. Ini tidak hanya tentang memindahkan data ke danau atau gudang. Ini tentang memastikan bahwa sistem, model, dan agen dapat secara konsisten mengakses data yang tepat pada waktu yang tepat melalui antarmuka yang dikelola dan standar. Kesiapan AI bergantung lebih sedikit pada di mana data disimpan dan lebih banyak pada apakah data dapat ditemukan, diquery, dipercaya, dan diintegrasikan dalam waktu nyata. Tanpa fondasi itu, bahkan model yang paling canggih berakhir dengan beroperasi pada informasi yang tidak lengkap atau sudah ketinggalan zaman.

Di mana saya melihat organisasi salah mengartikan konsep itu adalah dengan menganggap bahwa sentralisasi secara otomatis setara dengan kesiapan. Tim sering percaya bahwa sekali data dikonsolidasikan ke dalam satu platform, mereka sudah “siap AI,” ketika sebenarnya mereka hanya menciptakan silo baru. Yang lain berinvestasi berlebihan dalam alat tanpa mengatasi kualitas data, semantik, dan koneksi, masalah-masalah yang tidak glamor yang membuat atau menghancurkan sistem AI dunia nyata. AI tidak gagal karena model; itu gagal karena data yang berantakan, tidak dapat diakses, atau sudah ketinggalan zaman. Organisasi yang akan menang adalah mereka yang mengobati kesiapan data sebagai disiplin operasional, bukan proyek migrasi satu kali.

Penelitian baru Anda, Keadaan Koneksi Data AI: Outlook 2026, menunjukkan bahwa hanya 6% pemimpin AI percaya bahwa infrastruktur data mereka sepenuhnya siap untuk AI. Mengapa Anda pikir kesenjangan kesiapan itu begitu besar, dan apa yang ini katakan tentang trajektori industri saat ini?

Kesenjangan itu begitu besar karena sebagian besar organisasi berinvestasi dalam mengumpulkan dan menyimpan data jauh sebelum mereka berinvestasi dalam membuatnya dapat digunakan untuk AI. Selama dekade terakhir, perusahaan telah membangun danau, gudang, dan pipa, tetapi mereka jarang membangun lapisan akses yang kohesif yang memastikan data konsisten, waktu nyata, dan tersedia di seluruh sistem. Akibatnya, pemimpin menemukan bahwa sekali mereka mulai menggelar AI ke dalam alur kerja nyata, infrastruktur mereka tidak dapat mendukung kecepatan, skala, atau keandalan yang AI tuntut. Angka 6% tidak mencerminkan kurangnya ambisi, tetapi kenyataan bahwa AI mengekspos kelemahan yang selalu ada tetapi tidak terlalu penting dalam analitik tradisional.

Apa yang data katakan tentang industri adalah bahwa kita masih di awal kurva adopsi AI, bukan di akhir. Organisasi bereksperimen agresif pada lapisan aplikasi, tetapi mereka sekarang menyadari bahwa kesuksesan bergantung pada modernisasi fondasi data di bawahnya. Kami memasuki fase korektif di mana fokus bergeser dari prototipe yang mencolok ke kesiapan operasional—akses standar, integrasi yang dikelola, dan koneksi waktu nyata. Pemenangnya tidak akan menjadi perusahaan yang membangun bukti konsep terbanyak, tetapi mereka yang memodernisasi infrastruktur data mereka dengan cukup cepat untuk memindahkan eksperimen tersebut ke produksi dengan skala.

Temuan juga menunjukkan bahwa 71% tim AI menghabiskan lebih dari seperempat waktu mereka untuk perpipaan data. Menurut Anda, bagian pekerjaan apa yang sebenarnya strategis dan bukan hanya utang teknis?

Sejumlah “perpipaan data” benar-benar strategis ketika itu tentang menciptakan akses yang tahan lama ke data melalui antarmuka standar dan merancang untuk skala dan tata kelola dari awal. Berinvestasi dalam koneksi yang konsisten, layanan data yang dapat digunakan kembali, dan pola integrasi yang dapat diandalkan adalah pekerjaan fondasi yang membayar dividen di seluruh aplikasi dan model yang datang kemudian. Masalahnya adalah bahwa sebagian besar tim tidak melakukan jenis perpipaan itu. Mereka membangun kembali pipa satu kali, menulis penghubung yang rapuh, dan memperbaiki integrasi yang hanya memecahkan masalah satu kali. Itu adalah utang teknis yang disamarkan sebagai kemajuan.

Apa yang strategis adalah apa pun yang mengurangi gesekan di masa depan: menghilangkan kode khusus demi standar, membangun layanan data yang dapat digunakan kembali, dan menghubungkan sistem dengan cara yang dapat diskalakan di seluruh tim dan kasus penggunaan. Ketika perpipaan menjadi tidak terlihat dan dapat diulang, itu berhenti menjadi pajak pada tim AI dan menjadi pengaktif. Tujuan sebenarnya bukanlah menghabiskan waktu lebih sedikit pada data. Ini tentang berhenti menghabiskan waktu pada masalah data yang sama berulang kali.

Satu poin data yang mencolok dari laporan adalah bahwa 46% perusahaan sekarang memerlukan akses waktu nyata ke enam atau lebih sumber data untuk satu kasus penggunaan AI. Apakah itu mencerminkan apa yang Anda lihat dengan pelanggan, dan apa yang membuat tingkat koneksi ini begitu sulit?

Ya, itu sejalan erat dengan apa yang kami lihat dengan pelanggan. Kasus penggunaan AI modern, apakah analitik prediktif, mesin rekomendasi, atau alur kerja otonom, jarang bergantung pada satu sistem. Perusahaan sering perlu menggabungkan ERP, CRM, aplikasi SaaS, platform streaming, dan database warisan untuk menghasilkan wawasan yang bermakna. Tantangan tidak hanya tentang jumlah sumber; itu tentang keragaman, protokol yang berbeda, format, dan frekuensi pembaruan, dan harapan bahwa data ini tersedia dalam waktu nyata untuk dikonsumsi oleh model AI.

Apa yang membuat tingkat koneksi ini sulit adalah bahwa pendekatan integrasi tradisional tidak pernah dirancang untuk skala, kecepatan, dan keandalan yang AI tuntut. Penghubung satu kali dan pipa batch sederhana tidak dapat mengikuti. Akses waktu nyata yang sebenarnya menuntut antarmuka yang dikelola, semantik yang konsisten di seluruh sistem, dan pemantauan untuk memastikan kualitas dan ketersediaan data. Tanpa fondasi itu, tim menghabiskan lebih banyak waktu untuk memadamkan kebakaran pipa daripada membangun solusi AI, yang memperlambat inovasi dan memperkenalkan risiko. Organisasi yang sukses adalah mereka yang mengobati koneksi sebagai kemampuan strategis, bukan hanya tugas teknis.

Laporan tersebut menekankan konsistensi semantik, konteks, dan koneksi sebagai karakteristik yang mendefinisikan infrastruktur data AI yang matang. Bagaimana organisasi harus memikirkan tentang urutan prioritas ini?

Ketika memikirkan tentang urutan, organisasi harus memulai dengan koneksi. Jika data tidak dapat diakses secara andal di seluruh sistem, semuanya menjadi tidak relevan. Model AI tidak dapat belajar dari apa yang tidak dapat mereka capai. Membangun koneksi standar dan dikelola di seluruh sumber data kritis mendirikan fondasi untuk segala sesuatu yang mengikuti. Tanpa lapisan itu, tim berakhir dengan membangun pipa yang rapuh dan satu kali yang menciptakan lebih banyak pekerjaan di kemudian hari.

Setelah koneksi ada, konsistensi semantik menjadi prioritas berikutnya. Data memerlukan bahasa yang sama sehingga informasi dari sumber yang berbeda dapat diinterpretasikan dengan benar dan digabungkan dengan makna. Konteks secara alami mengikuti: memahami tidak hanya nilai-nilai tetapi makna mereka dalam proses bisnis, waktu, dan hubungan memastikan bahwa model AI dapat membuat prediksi yang akurat dan dapat ditindaklanjuti. Mengobati elemen-elemen ini sebagai urutan terstruktur—koneksi pertama, semantik kedua, konteks ketiga—memungkinkan organisasi untuk membangun infrastruktur data yang siap AI yang dapat diskalakan dan mendukung kecerdasan yang dapat diandalkan dan siap produksi.

Penyedia perangkat lunak asli AI sekarang memerlukan sekitar tiga kali lebih banyak integrasi eksternal daripada vendor tradisional. Apa yang mendorong kesenjangan yang meluas ini, dan apa yang ini ungkapkan tentang ke mana perangkat lunak menuju?
Kesenjangan yang meluas ini didorong oleh sifat AI itu sendiri: aplikasi asli AI berkembang dengan data yang beragam dan waktu nyata dari sumber yang berbeda. Tidak seperti perangkat lunak tradisional, yang sering beroperasi dalam satu sistem atau suite, model AI memerlukan mengkonsumsi, mengorelasikan, dan menganalisis informasi di seluruh sistem ERP, platform CRM, aplikasi SaaS, sumber streaming, dan lebih banyak lagi. Setiap integrasi sangat penting untuk memberikan konteks yang cukup dan cakupan kepada AI untuk menghasilkan prediksi, rekomendasi, atau tindakan otomatis yang akurat.

Tren ini mengungkapkan bahwa perangkat lunak bergerak dari aplikasi yang terisolasi menuju ekosistem yang terhubung dan cerdas. Pemenangnya tidak akan menjadi produk yang berfungsi dengan baik secara mandiri. Mereka akan menjadi platform yang dapat mengakses dan mengintegrasikan data di mana pun data itu hidup. Dalam istilah praktis, ini berarti bahwa koneksi, standarisasi, dan integrasi waktu nyata tidak lagi menjadi “nice-to-have”. Mereka adalah kemampuan fondasi untuk perangkat lunak asli AI untuk memberikan nilai nyata.

Menghadap ke depan lima tahun, apa yang Anda percaya akan menjadi bottleneck paling signifikan untuk kesuksesan AI—koneksi, pipa waktu nyata, pemodelan semantik, tata kelola, atau sesuatu yang sama sekali berbeda?

Menghadap ke depan, saya percaya bahwa tata kelola dan keamanan akan menjadi bottleneck paling signifikan untuk kesuksesan AI. Sementara koneksi dan pipa waktu nyata tetap fondasi—model AI hanya sebaik data yang dapat mereka akses—organisasi dengan cepat menyadari bahwa AI yang tidak terkelola tidak berkelanjutan dan berpotensi berbahaya. Ketika AI bergerak dari eksperimen ke produksi dan mulai mempengaruhi keputusan bisnis kritis, risiko bias, pelanggaran kepatuhan, kebocoran data, dan kesalahan operasional berkembang secara eksponensial.

Tantangan tidak hanya tentang memindahkan data lagi—ini tentang memindahkan data yang tepat, dengan kontrol yang tepat, ke sistem yang tepat, dengan cara yang dapat dilacak dan diaudit. Organisasi yang gagal membenamkan kerangka kerja tata kelola yang kuat dan protokol keamanan dari awal akan menghadapi tekanan regulasi yang meningkat, risiko reputasi, dan akhirnya, sistem AI yang tidak dapat dipercaya atau diskalakan. Kami sudah melihat tanda-tanda awal: bisnis yang ragu-ragu untuk menggelar AI karena mereka tidak dapat memastikan jejak data, kontrol akses, atau kepatuhan dengan regulasi yang berkembang.

Organisasi yang paling sukses lima tahun dari sekarang akan menjadi mereka yang mengobati tata kelola dan keamanan tidak sebagai pemikiran terakhir, tetapi sebagai pengaktif inti AI. Ya, Anda memerlukan koneksi dan pipa waktu nyata untuk mendapatkan data mengalir—tetapi tanpa tata kelola dan keamanan yang ada, data itu menjadi liabilitas daripada aset. Masa depan AI tidak hanya tentang kecepatan atau skala; itu tentang kepercayaan, akuntabilitas, dan penerapan yang bertanggung jawab di setiap lapisan tumpukan data. Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi CData Software.