David DeSanto, CEO Anaconda – Seri Wawancara

David DeSanto adalah Chief Executive Officer di Anaconda, di mana ia memimpin misi perusahaan untuk memberdayakan komunitas ilmu data dan kecerdasan buatan dunia melalui inovasi sumber terbuka dan solusi perusahaan yang aman. Sebagai eksekutif produk dan teknologi yang terbukti, David membawa lebih dari dua dekade pengalaman yang meliputi keamanan siber, platform pengembang, dan perangkat lunak perusahaan.

Baru-baru ini, David menjabat sebagai Chief Product Officer di GitLab (GTLB ), di mana ia memimpin organisasi produk global dalam mengirimkan platform DevSecOps yang komprehensif dan asli AI dengan lebih dari 50 juta pengguna terdaftar di seluruh dunia. Selama enam tahun bersama perusahaan, ia membantu mengubah GitLab dari startup yang tumbuh cepat menjadi pemimpin industri yang diperdagangkan secara publik dan mendefinisikan kategori Platform DevOps.

Anaconda adalah platform sumber terbuka yang memimpin untuk ilmu data, pembelajaran mesin, dan kecerdasan buatan, dibangun di sekitar bahasa pemrograman Python dan secara luas digunakan oleh pengembang individu dan perusahaan besar. Awalnya diluncurkan pada 2012, ia menyediakan lingkungan yang komprehensif yang mencakup alat untuk pengkodean, manajemen paket melalui Conda, dan akses ke ribuan perpustakaan yang telah dibangun sebelumnya seperti NumPy, pandas, dan TensorFlow, memungkinkan pengguna mengembangkan, menguji, dan mengirimkan model AI dengan efisien.

Seiring waktu, Anaconda telah berkembang menjadi platform AI perusahaan yang membantu organisasi mengelola seluruh siklus hidup AI – dari sumber dan mengamankan paket sumber terbuka hingga membangun, mengatur, dan mengirimkan aplikasi di seluruh lingkungan awan dan on-premise. Dengan puluhan juta pengguna dan adopsi di sebagian besar perusahaan Fortune 500, ia telah menjadi lapisan dasar untuk pengembangan AI modern, menekankan inovasi sumber terbuka, skalabilitas, dan alur kerja yang aman dan dapat diulang.

Anda menghabiskan hampir enam tahun di GitLab, lebih dari tiga tahun sebagai Chief Product Officer, membantu menskalakan platform DevSecOps asli AI ke puluhan juta pengguna. Bagaimana pengalaman itu membentuk prioritas Anda sekarang sebagai CEO Anaconda, dan apa yang terasa secara mendasar berbeda tentang memimpin perusahaan versus memimpin produk?

Waktu saya di GitLab sangat memperkuat beberapa prinsip yang sekarang menjadi pusat bagaimana saya mendekati Anaconda. Pertama adalah pertumbuhan yang bertanggung jawab – menskalakan tim, produk, dan pendapatan dengan cara yang tahan lama. Di GitLab, kami tumbuh untuk melayani puluhan juta pengguna, dan melihat GitLab Ultimate menyumbang lebih dari setengah pendapatan perusahaan menunjukkan betapa pentingnya mengalignkan nilai produk dengan dampak bisnis jangka panjang.

Kedua adalah pola pikir hasil dan efisiensi daripada proses dan struktur. Ini tidak apa-apa untuk mengirimkan sesuatu yang cukup baik dan menunjukkan arah untuk memulai roda umpan balik pelanggan. Mengirimkan nilai nyata dengan cepat sangat penting, tetapi Anda masih perlu berpikir tentang bagaimana Anda menskalakan. Ini terkait erat dengan pilar ketiga: obsesi pelanggan dan benar-benar memenuhi pengguna di mana mereka berada. Saya telah menghabiskan karir saya membangun alat pengembang dan keamanan, dan sebagai pengembang sebelumnya, saya tahu seberapa besar dampak perangkat lunak yang baik atau buruk terhadap produktivitas dan kepuasan.

Dan akhirnya, transparansi dengan tujuan. Nilai inti Anaconda ini telah memungkinkan semua pihak berpartisipasi dan berkolaborasi dalam membuat perusahaan dan penawarannya lebih baik. Saya berharap dapat lebih membangun nilai ini untuk memastikan kami memberikan komunitas apa yang mereka butuhkan untuk sukses.

Sebagai CEO, Anda bertanggung jawab atas seluruh sistem – strategi, budaya, operasi, dan hasil. Saya masih sangat terhubung dengan produk, tetapi saya berpikir lebih luas dan jangka panjang. Saya harus memastikan perusahaan tumbuh secara bertanggung jawab, mendukung orang-orangnya, dan mengirimkan nilai kepada pelanggan kami di seluruh dimensi bisnis. Ini adalah prinsip-prinsip yang saya tuju untuk terus membangun.

Apa yang memotivasi Anda secara pribadi untuk mengambil peran CEO di Anaconda, dan apa yang membuat Anda yakin bahwa ini adalah platform yang tepat untuk membangun babak berikutnya AI perusahaan?

Saya mengatakan kepada semua orang ada empat alasan saya bergembira bergabung dengan Anaconda sebagai CEO. Pertama, teknologinya. Sebagai pengembang, saya telah lama familiar dengan dan menggunakan Anaconda. Saya tahu seberapa kuat itu dan bisa menjadi. Platform ini sudah memungkinkan banyak hal, dan fondasi yang dibangun tim akan memberi kami kesempatan untuk membentuk apa yang akan datang di era asli AI!

Kedua, komunitasnya. Saya sangat percaya pada kekuatan komunitas sumber terbuka. Sedikit perusahaan memiliki komunitas yang sebesar dan terlibat seperti Anaconda.

Ketiga, orang-orangnya. Ini jarang menemukan tingkat kepemimpinan seperti ini dalam satu tempat. Tim eksekutif luar biasa, dan semangat mereka nyata. Kami membangun masa depan dengan sumber terbuka dan AI, dan menjadi bagian dari sesuatu yang sangat bermakna dan berdampak ini membuat kami semua benar-benar bergembira.

Dan akhirnya, kesempatan ini. Ini yang akhirnya membuat keputusan untuk saya. Anaconda berada di pusat membuat AI lebih dapat diakses, membantu perusahaan membangun, mengamankan, mengirimkan, dan memantau AI secara besar-besaran. Ketika Anda menggabungkan teknologi kelas dunia, komunitas yang hidup, dan tim seperti ini, Anda mendapatkan kesempatan langka untuk membentuk bagaimana AI dan ilmu data dibangun dan digunakan. Itulah yang menarik saya.

Sumber terbuka memungkinkan sebagian besar pengembangan AI modern, namun banyak perusahaan masih mengalami kesulitan untuk mempercayainya secara besar-besaran. Mengapa Anda percaya sumber terbuka tetap menjadi fondasi paling kuat untuk AI, dan di mana Anda pikir itu paling salah dipahami?

Ada kesalahpahaman umum bahwa kode yang paling aman adalah kode yang tersembunyi karena hanya beberapa orang yang dapat melihatnya. Ini seperti burung unta yang menenggelamkan kepalanya ke dalam pasir untuk menyembunyikan diri. Perangkat lunak sumber terbuka adalah kebalikannya. Sumber terbuka transparan, menyambut semua orang untuk berkontribusi, dan memberi organisasi di seluruh dunia sejumlah mata yang lebih tinggi untuk memastikan kode itu aman dan berfungsi seperti yang diharapkan.

Kami belum pernah melihat teknologi yang matang dengan cepat seperti AI. Untuk AI terus mempercepat, Anda memerlukan kode modern yang bergerak secepat mungkin. Sumber terbuka melakukan itu, yang menjadikannya fondasi untuk pengembangan AI modern.

Di Anaconda, kami menerima hal itu. Kemampuan inti dan ekosistem Python kami adalah sumber terbuka karena itu adalah cara terbaik bagi tim untuk memulai dan berinovasi dengan cepat. Di atas itu, kami melapisi kemampuan perusahaan kelas, memberi organisasi tata kelola, keamanan, dan keandalan yang mereka butuhkan untuk menggunakan sumber terbuka secara besar-besaran.

Tingkat kegagalan AI di perusahaan masih tinggi, terutama dengan proyek pilot AI generatif. Dari perspektif Anda, apa alasan utama inisiatif ini macet, dan bagaimana pilihan infrastruktur dapat membuat atau menghancurkan kesuksesan jangka panjang?

Banyak organisasi telah menjalankan proyek pilot. Beberapa memiliki proyek konsep yang solid, dan yang lain memiliki sejumlah alat yang dibangun secara internal yang benar-benar menghemat waktu tim. Tetapi sangat sedikit yang telah memindahkan AI ke produksi nyata yang berjalan di seluruh bisnis. Ada perbedaan besar antara “kami bereksperimen” dan “ini adalah bagaimana kami bekerja sekarang.” Ini adalah celah di mana sebagian besar perusahaan terjebak – dan itu bukan karena teknologinya tidak berfungsi.

Demo hampir selalu terlihat baik, tetapi masalahnya muncul ketika Anda mencoba mereproduksi demo pada skala perusahaan. Anda tiba-tiba harus berurusan dengan pertanyaan tata kelola data, kekhawatiran keamanan, masalah keandalan, dan masalah kepercayaan mendasar: Apakah aplikasi ini akan berfungsi dengan andal dan menjaga data kami aman? Masalah-masalah ini tidak muncul dalam demo dan dengan demikian menjadi pemikiran lanjutan bagi perusahaan.

Hambatan untuk kesuksesan AI bukanlah kemampuan, tetapi kematangan infrastruktur dan proses. Organisasi yang memimpin adalah mereka yang memilih untuk berinvestasi pada fondasi modern di mana kepercayaan dan kecepatan bersatu dan di mana keamanan dan tata kelola bawaan mempercepat daripada menghambat. Alat dan lingkungan yang terfragmentasi memaksa Anda untuk memilih antara keduanya, tetapi infrastruktur yang modern dan proses AI yang modern memungkinkan Anda memiliki keduanya. Hari ini, menghilangkan hambatan adalah menciptakan keunggulan kompetitif Anda. Ini bukan hanya ambisi teknis; ini adalah keharusan bisnis untuk bersaing dan bertahan di pasar saat ini. Kesuksesan akan ditingkatkan oleh mereka yang berinvestasi pada keamanan dan tata kelola dari dasar.

Anda telah memimpin tim di seluruh keamanan siber, produk, dan platform pengembang. Bagaimana Anda membawa pola pikir keamanan pertama ke dalam strategi Anaconda sekitar manajemen ketergantungan, reproduktifitas lingkungan, dan risiko rantai pasokan?

Jalan saya ke keamanan dimulai di perawatan kesehatan, di mana saya melihat apa yang sebenarnya dilalui sebagai ‘aman’ pada saat itu. Saya sepenuhnya terjun ke dalam keamanan dan itu menjadi passion. Ketika beban kerja AI, model, agen, dan integrasi menjadi lebih kompleks, risiko keamanan berkembang lebih cepat daripada tata kelola dapat mengimbanginya. Dan bahkan ketika risiko keamanan dikelola, lingkungan itu sendiri menjadi hambatan.

Keamanan dan kepatuhan dengan AI sangat menantang, terutama mendapatkan visibilitas nyata ke risiko di seluruh pengembangan dan produksi. Itulah di mana kami fokus. Kami membangun kemampuan keamanan yang lebih dalam dalam pengelolaan lingkungan, tata kelola tambahan sekitar paket AI di luar ekosistem Python, dan membantu mengurangi risiko dengan model AI melalui pemindaian keamanan postur mereka. Tujuannya sederhana: membantu organisasi bergerak lebih cepat dengan AI sambil mempertahankan visibilitas, privasi, dan ketahanan yang mereka butuhkan untuk mempercayainya secara besar-besaran.

Ada skepsis yang tumbuh sekitar ROI AI, bersama dengan lonjakan dalam percobaan dan kode vibe. Bagaimana Anda membedakan antara eksperimen yang produktif dan sistem AI yang siap perusahaan yang benar-benar mengirimkan nilai yang dapat diukur?

Tahun ini mungkin tahun pertama bahwa ROI AI diukur dengan baik. Semua orang di industri ini mengobati “efisiensi” sebagai waktu yang diselamatkan, namun itu tidak selalu menjadi KPI terbaik. Organisasi yang mengambil waktu untuk membuat KPI khusus yang terkait dengan apa yang paling penting bagi mereka akan memiliki hasil yang lebih baik. Ini bisa berupa waktu yang dikurangi dalam tinjauan kode untuk tim pengembangan Anda atau kualitas generasi lead untuk tim pemasaran Anda. Waktu itu sendiri dan mengukur konsumsi token tidak secara langsung menunjukkan efisiensi.

Anaconda berada di pusat pengembangan AI berbasis Python. Bagaimana Anda melihat peran lingkungan Python berkembang ketika organisasi berpindah dari eksperimen ke sistem AI yang sepenuhnya dikelola dan skala produksi?

Python adalah bahasa utama untuk AI, dan meskipun saya tidak berharap itu akan berubah dalam waktu dekat, bahasa selalu berfluktuasi dalam popularitas. Organisasi memerlukan alat yang berkembang dan secara asli mengatasi masalah kinerja dan skalabilitas dasar, memungkinkan agen AI untuk berhasil membuat aplikasi dan layanan kelas perusahaan. Saya berharap organisasi akan mulai berinvestasi pada blok bangunan universal yang mempercepat nilai dan adopsi AI. Itulah yang akan memposisikan mereka untuk menavigasi leksikon yang terus berkembang dari bahasa pemrograman yang memungkinkan lapisan infrastruktur AI.

Anda telah bekerja erat dengan industri yang diatur dan perusahaan yang sadar keamanan di masa lalu. Apa yang dimaksud dengan tata kelola AI perusahaan yang sebenarnya dalam praktek, di luar dokumen kebijakan dan daftar periksa kepatuhan?

AI perusahaan dan aplikasi AI-asli adalah sesuatu yang sangat berbeda dari pengembangan perangkat lunak tradisional. Ketika Anda mengobati AI sebagai pengembangan tradisional, Anda berakhir dengan keamanan dan tata kelola yang rusak yang akan menghambat inovasi. AI perusahaan memerlukan prinsip pengembangan asli AI di mana model AI adalah komponen utama yang mengarahkan versi dan semua yang ada di sekitarnya adalah sekunder.

Tata kelola AI adalah perbedaan antara menskalakan dengan sukses dan terjebak. Tata kelola AI perusahaan yang sebenarnya terjadi ketika prinsip asli AI yang bertanggung jawab diterjemahkan menjadi kontrol platform yang dapat ditegakkan, akuntabilitas yang jelas, dan jejak dan garis keturunan yang terus-menerus dari semua komponen AI. Ini melampaui kebijakan dan daftar periksa yang bekerja dalam praktik DevOps.

Dengan pendanaan Anaconda yang baru dan dorongan perusahaan, apa yang menjadi prioritas pertumbuhan Anda dalam jangka dekat, dan di mana Anda berinvestasi paling agresif selama 12 hingga 18 bulan ke depan?

Tujuan kami jelas: Anaconda akan menjadi platform pengembangan AI-asli perusahaan yang dipilih untuk membangun, mengamankan, dan mengirimkan aplikasi dan layanan AI-asli. Pelanggan kami terus berkembang untuk memenuhi kebutuhan mereka dan kami berkembang bersama mereka. Ini adalah mengapa kami tidak hanya sebuah toolkit ilmu data lagi, tetapi platform komprehensif untuk AI perusahaan. Setiap investasi, apakah dalam produk, kemitraan, atau M&A, akan dievaluasi terhadap satu pertanyaan: “Apakah ini membawa kami lebih dekat untuk menjadi platform yang perusahaan butuhkan untuk sukses di dunia AI-asli yang baru?” Kami adalah perusahaan yang terobsesi dengan pelanggan dan semua yang kami lakukan adalah untuk pelanggan kami.

Sebagai orang yang telah membantu menskalakan platform pengembang yang diperdagangkan secara publik, apa pelajaran yang Anda pelajari tentang membangun untuk praktisi sambil juga melayani CTO, CIO, dan Pejabat Utama AI di tingkat eksekutif?

Kesuksesan selalu kembali ke pelanggan dan mendukung hasil yang mereka coba capai. Ini terdengar sederhana, tetapi mudah bagi tim untuk terjebak dalam metrik internal (berapa jam yang dihabiskan dalam proyek, apakah peluncuran mencapai tujuan yang telah ditentukan) daripada bertanya pertanyaan yang lebih penting: Apakah ini benar-benar membuat pelanggan kami lebih sukses? Pemimpin mungkin mengatakan bahwa produk baru diperlukan ketika sebenarnya itu bisa jadi hanya memperbaiki apa yang sudah ada (membuat produk lebih ramah pengguna, misalnya), dan kemudian Anda mendapatkan hasil yang Anda cari. Jika pelanggan bahagia dan sukses, maka kami semua bahagia dan sukses.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Anaconda.