David DeSanto, CEO of Anaconda – Interview Series

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 open-source 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, di mana ia memimpin organisasi produk global dalam menghadirkan 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 didefinisikan dengan kategori DevOps Platform yang terdaftar secara publik.

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

Selama waktu, Anaconda telah berkembang menjadi platform AI perusahaan yang membantu organisasi mengelola seluruh siklus hidup AI – dari sumber dan mengamankan paket open-source 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, itu telah menjadi lapisan dasar untuk pengembangan AI modern, menekankan inovasi open-source, skalabilitas, dan alur kerja yang aman dan dapat direproduksi.

Anda menghabiskan hampir enam tahun di GitLab, lebih dari tiga tahun sebagai Chief Product Officer, membantu mengembangkan platform DevSecOps asli AI ke jutaan 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 benar-benar memperkuat beberapa prinsip yang sekarang menjadi pusat bagaimana saya mendekati Anaconda. Pertama adalah pertumbuhan yang bertanggung jawab – mengembangkan tim, produk, dan pendapatan dengan cara yang tahan lama. Di GitLab, kami tumbuh untuk melayani jutaan pengguna, dan melihat GitLab Ultimate mendapatkan lebih dari setengah pendapatan perusahaan menunjukkan betapa pentingnya menyelaraskan nilai produk dengan dampak bisnis jangka panjang.

Kedua adalah pola pikir hasil dan efisiensi daripada proses dan struktur. Tidak apa-apa untuk mengirimkan sesuatu yang cukup baik dan menunjukkan arah untuk memulai umpan balik pelanggan. Mengirimkan nilai nyata dengan cepat sangat penting, tetapi Anda masih perlu berpikir tentang bagaimana Anda mengembangkan. 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 pengaruh baik (atau buruk) alat pada produktivitas dan kepuasan.

Dan terakhir, transparansi dengan tujuan. Nilai inti Anaconda ini telah memungkinkan semua pihak untuk berpartisipasi dan berkolaborasi dalam membuat perusahaan dan penawarannya lebih baik. Saya berharap untuk 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 terhubung erat dengan produk, tetapi saya berpikir lebih luas dan jangka panjang. Saya harus memastikan perusahaan tumbuh secara bertanggung jawab, mendukung orang-orangnya, dan menghadirkan nilai bagi pelanggan kami di setiap dimensi bisnis. Ini adalah prinsip-prinsip yang saya tuju untuk terus membangun di sini.

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

Saya mengatakan kepada semua orang bahwa ada empat alasan saya bersemangat untuk bergabung dengan Anaconda sebagai CEO. Pertama, teknologi. Sebagai pengembang, saya sudah lama familiar dengan dan menggunakan Anaconda. Saya tahu betapa kuatnya dan bisa menjadi kuat.

Kedua, komunitas. Saya percaya kuat pada kekuatan komunitas open-source. Sedikit perusahaan yang memiliki komunitas yang begitu luas dan terlibat seperti Anaconda.

Ketiga, orang-orangnya. Ini jarang untuk menemukan tingkat kepemimpinan seperti ini dalam satu tempat. Tim eksekutif luar biasa, dan semangat mereka nyata. Kami membangun masa depan dengan open-source dan AI, dan menjadi bagian dari sesuatu yang begitu bermakna dan berdampak memiliki kami semua benar-benar bersemangat.

Dan terakhir, kesempatan. Ini adalah apa yang akhirnya membuat keputusan untuk saya. Anaconda berada di pusat membuat AI lebih mudah diakses, membantu perusahaan membangun, mengamankan, mengirimkan, dan memantau AI dengan skala. 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.

Open-source memberdayakan sebagian besar pengembangan AI modern, namun banyak perusahaan masih kesulitan untuk mempercayainya dengan skala. Mengapa Anda percaya open-source 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 orang-orang tertentu yang dapat melihatnya. Ini seperti burung unta yang menempelkan kepalanya ke dalam pasir untuk bersembunyi. Perangkat lunak open-source adalah kebalikannya. Open-source transparan, menyambut semua orang untuk berkontribusi, dan memberikan organisasi di seluruh dunia tingkat pengawasan 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. Open-source melakukan ini, yang mengapa itu menjadi fondasi untuk pengembangan AI modern.

Di Anaconda, kami menerima ini. Kemampuan inti dan ekosistem Python kami adalah open-source karena itu adalah cara terbaik bagi tim untuk memulai dan berinovasi dengan cepat. Di atas itu, kami menambahkan kemampuan perusahaan kelas, memberikan organisasi pemerintahan, keamanan, dan keandalan yang mereka butuhkan untuk menggunakan open-source dengan skala.

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

Banyak organisasi telah menjalankan pilot. Beberapa memiliki proyek proof-of-concept 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.” Itulah 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 dengan skala perusahaan. Tiba-tiba, Anda berhadapan dengan pertanyaan tata kelola data, kekhawatiran keamanan, masalah keandalan, dan masalah kepercayaan dasar: Apakah aplikasi ini akan berfungsi dengan andal dan menjaga data kami aman? Masalah-masalah ini tidak muncul dalam demo dan oleh karena itu menjadi pemikiran kedua 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 coexist dan di mana keamanan dan tata kelola yang terintegrasi mempercepat daripada menghalangi. Alat dan lingkungan yang terfragmentasi memaksa Anda untuk memilih antara keduanya, tetapi infrastruktur dan proses AI modern yang terintegrasi 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. Keberhasilan akan meningkat dengan 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-terlebih-dahulu ke dalam strategi Anaconda sekitar manajemen ketergantungan, reproduktifitas lingkungan, dan risiko rantai pasokan?

Jalan saya ke keamanan dimulai di bidang kesehatan, di mana saya melihat apa yang terjadi ketika ‘aman’ dianggap cukup. Saya benar-benar terjun ke dalam keamanan dan itu menjadi passion. Ketika beban kerja AI, model, agen, dan integrasi menjadi lebih kompleks, risiko keamanan berkembang biak lebih cepat daripada tata kelola dapat mengimbanginya. Dan bahkan ketika risiko keamanan dikelola, lingkungan itu sendiri menjadi hambatan.

Keamanan dan kepatuhan dengan AI 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 dengan skala.

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

Tahun ini mungkin tahun pertama di mana ROI AI diukur dengan baik. Semua orang di industri ini mengobati ‘efisiensi’ sebagai waktu yang diselamatkan, namun itu tidak selalu menjadi KPI teratas. Organisasi yang menghabiskan waktu untuk membuat KPI khusus yang terkait langsung dengan apa yang paling penting bagi mereka akan memiliki hasil yang lebih baik. Ini dapat berupa waktu yang dikurangi dalam tinjauan kode untuk tim pengembangan Anda atau kualitas generasi lead untuk tim go-to-market 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 produksi yang sepenuhnya dikelola?

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 native 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 AI dan adopsi. Itulah yang akan memposisikan mereka untuk menavigasi leksikon kode yang terus berkembang yang memberdayakan 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 memperlakukan AI seperti pengembangan tradisional, Anda berakhir dengan keamanan dan tata kelola yang rusak yang akan menghambat inovasi. AI perusahaan memerlukan praktik pengembangan asli AI di mana model AI adalah komponen utama yang mengarahkan penomoran dan semua yang lain di sekitarnya adalah sekunder.

Tata kelola AI adalah perbedaan antara penskalaan yang sukses dan terjebak. Tata kelola AI perusahaan yang sebenarnya terjadi ketika prinsip-prinsip AI-asli 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 jangka pendek Anda, 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 berubah untuk memenuhi kebutuhan mereka dan kami berubah bersama mereka. Ini adalah mengapa kami tidak hanya sebuah toolkit ilmu data lagi, tetapi sebuah platform komprehensif untuk AI perusahaan. Setiap investasi, apakah dalam produk, kemitraan, atau akuisisi, akan dievaluasi melawan satu pertanyaan: “Apakah ini membawa kami lebih dekat ke 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 seseorang yang telah membantu menskalakan platform pengembang yang terdaftar secara publik, apa pelajaran yang telah Anda pelajari tentang membangun untuk praktisi sambil juga melayani CTO, CIO, dan Chief AI Officer di tingkat eksekutif?

Keberhasilan 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 memenuhi tujuan yang telah ditetapkan) daripada bertanya pada pertanyaan yang lebih penting: Apakah ini benar-benar membuat pelanggan kami lebih sukses? Pemimpin mungkin mengatakan bahwa produk baru diperlukan ketika sebenarnya bisa hanya memperbaiki apa yang sudah ada (membuat produk lebih ramah pengguna, misalnya), dan kemudian Anda mendapatkan hasil yang telah 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 harus mengunjungi Anaconda.