Mukund Kalmanker, Kepala Global Data, Analitik & AI di Apexon – Seri Wawancara

Mukund Kalmanker, Kepala Global Data, Analitik & AI di Apexon, membawa lebih dari dua dekade pengalaman memimpin inisiatif transformasi perusahaan skala besar, dengan karir yang meliputi peran kepemimpinan senior di Wipro di mana ia membangun dan menskala praktik AI global, menginkubasi platform otomatisasi seperti HOLMES, dan membantu mendefinisikan strategi teknologi perusahaan di seluruh industri termasuk layanan keuangan, telekomunikasi, dan perawatan kesehatan. Pekerjaannya secara konsisten berfokus pada menerjemahkan teknologi yang muncul—terutama AI, rekayasa data, dan otomatisasi—menjadi hasil bisnis yang nyata, menggabungkan keahlian teknis yang mendalam dengan catatan yang kuat dalam membangun tim global, mengemudi strategi digitalisasi, dan menghasilkan efisiensi operasional yang terukur untuk perusahaan besar.

Apexon adalah perusahaan jasa teknologi digital yang membantu perusahaan mempercepat transformasi bisnis dengan menggabungkan AI, analitik data, dan rekayasa digital untuk menciptakan sistem dan pengalaman pelanggan yang cerdas dan dapat diskalakan. Melalui kemampuan terintegrasi di seluruh cloud, otomatisasi, dan analitik lanjutan, perusahaan bekerja dengan organisasi untuk memodernisasi operasi, meningkatkan pengambilan keputusan, dan menghasilkan solusi digital ujung-ke-ujung, terutama di industri seperti layanan keuangan, perawatan kesehatan, dan ilmu hayati.

Setelah dua dekade memimpin inisiatif AI dan analitik di perusahaan seperti Wipro dan sekarang Apexon, pengalaman apa yang paling membentuk pendekatan Anda terhadap transformasi digital?

Selama beberapa tahun terakhir, apa yang paling membentuk pendekatan saya adalah kesadaran bahwa transformasi digital yang sukses tidak hanya tentang teknologi—tetapi tentang menyelaraskan teknologi tersebut untuk memecahkan masalah bisnis nyata dan menyelaraskan dengan perilaku manusia yang berkembang. Ini tentang menggunakan inovasi sebagai tuas strategis untuk memimpin industri dan membuat dunia menjadi tempat yang lebih baik untuk hidup. Apakah itu membantu bank untuk mengatasi kebutuhan regulasi atau merek ritel untuk membayangkan kembali keterlibatan pelanggan atau memungkinkan penyedia layanan kesehatan untuk membuat keputusan yang lebih cepat dan didorong oleh data, saya telah melihat dampak terbesar ketika kami memulai dengan pengalaman akhir di benak. Di kehidupan sebelumnya dan sekarang di Apexon, tim saya dan saya telah bekerja sama dengan klien di seluruh industri untuk mengubah Agentic AI, Gen AI, AI, ML, RPA, dan Data dari kata-kata menjadi hasil bisnis—mengunci wawasan, meningkatkan efisiensi, meningkatkan pengalaman pelanggan, membantu mengelola risiko, dan menciptakan keunggulan kompetitif bagi klien kami. Kolaborasi konstan dan fokus pada hasil tersebut adalah yang terus membentuk pemikiran saya.

Apa yang menarik Anda ke Apexon, dan bagaimana pendekatan saat ini Apexon terhadap data, analitik, dan AI sejalan dengan visi pribadi Anda untuk masa depan teknologi perusahaan?

Apa yang menarik saya ke Apexon adalah komitmen jelasnya untuk membantu klien mengadopsi inovasi dengan tujuan. Budaya inovasi dan pola pikir pertumbuhan tertanam dalam setiap orang yang terkait dengan Apexon, dan itu terlihat dalam cara kami belajar, berinovasi, dan mendorong batas bersama. Dengan kemampuan yang mendalam dalam Data & AI yang dipasangkan dengan kedalaman dalam rekayasa dan fokus tajam pada industri yang diatur seperti BFSI & Kesehatan, Apexon tidak memandang data atau AI sebagai kemampuan yang terisolasi—tetapi memperlakukan mereka sebagai aset fondasi untuk membantu merekayasa Perusahaan Cerdas, untuk membangun solusi bisnis dan platform yang dapat diskalakan dan didorong oleh IP. Ini sejalan dengan keyakinan saya bahwa masa depan teknologi perusahaan terletak pada menciptakan sistem cerdas yang tidak hanya adaptif tetapi juga dapat diskalakan, diulang, dan dibangun untuk nilai jangka panjang.

Di Apexon, ada fokus yang disengaja pada menerjemahkan teknologi canggih menjadi hasil bisnis yang berarti—apakah itu membuka wawasan kompetitif, memungkinkan otomatisasi yang lebih pintar, atau mengemudi pengalaman yang berorientasi pada pelanggan. Konvergensi AI dengan pola pikir IP-pertama ini tepat di mana saya percaya transformasi perusahaan sedang menuju—dan saya sangat bersemangat untuk membantu membentuk masa depan itu di sini.

Bagaimana kain cerdas membantu membangun perusahaan yang terhubung, dan apa yang terlihat seperti implementasi dunia nyata?

Kain cerdas bukanlah produk atau platform. Mereka adalah pergeseran arsitektur. Mereka menghubungkan titik-titik antara unit bisnis, sistem, data, dan keputusan, sehingga kecerdasan bukanlah sesuatu yang Anda akses secara berkala; itu selalu menyala. Ini mengubah organisasi dari menjadi data-driven menjadi benar-benar didorong oleh kecerdasan.

Mengenai dampak dunia nyata – bayangkan seorang pengecer menyesuaikan operasi rantai pasokan secara real-time berdasarkan beberapa faktor seperti perilaku pembelian, gangguan dalam jalur pasokan, perkembangan geopolitik, perubahan cuaca atau bahkan bencana lokal. Atau rumah sakit yang menampilkan rekomendasi perawatan saat dokter masih meninjau hasil tes. Atau bank yang dapat menjahit data di seluruh transaksi untuk mengidentifikasi kegiatan anti-pencucian uang yang kompleks. Kekuatan terletak pada menyelipkan kecerdasan langsung ke dalam aliran kerja, bukan menambahkannya setelah fakta. Itulah bagaimana perusahaan menjadi benar-benar terhubung – kecerdasan dihasilkan di setiap bagian organisasi dan kecerdasan ini dikonsumsi oleh seluruh organisasi.

Bagaimana Apexon menggunakan alat AI generatif seperti Copilot untuk mengemudi nilai bagi klien, dan di bidang mana Anda telah melihat adopsi terkuat?

Kami melihat alat seperti GitHub Copilot tidak hanya sebagai asisten pengkodean, tetapi sebagai katalis untuk membayangkan kembali bagaimana perangkat lunak direncanakan, dibangun, dan diuji. Di Apexon, Copilot disematkan di seluruh siklus hidup rekayasa—dari menggambar cerita pengguna dan memperhalus persyaratan hingga menghasilkan kasus uji dan memprediksi cacat. Ini membantu tim bergerak lebih cepat dengan akurasi yang lebih besar.

Sebagai contoh, kami bekerja dengan penyedia layanan kesehatan untuk mengemudi adopsi Copilot dan menggabungkannya dengan kerangka Agentic untuk sepenuhnya membayangkan kembali Siklus Hidup Rekayasa Perangkat Lunak untuk membawa lebih banyak efisiensi dalam rekayasa. Untuk klien lain, kami membantu mengadopsi Gen AI dan kerangka Agentic untuk meningkatkan kualitas data dan meletakkan kekuatan di tangan pengguna yang berinteraksi langsung dengan regulator untuk mengatasi kebutuhan kepatuhan.

Adopsi telah terkuat di bidang di mana kecepatan, personalisasi, dan skala paling penting—pemrosesan dokumen cerdas, AI percakapan, dan hiper-otomatisasi. Ini adalah ruang di mana AI generatif memberikan tidak hanya output, tetapi keunggulan strategis.

Bagaimana kemitraan akademis dengan lembaga seperti IIT Madras dan Imperial College London mempengaruhi strategi penelitian AI dan pengembangan bakat Anda?

Kolaborasi kami dengan IIT Madras dan Imperial College London memainkan peran kunci dalam membentuk baik agenda penelitian maupun bagaimana kami membangun bakat yang siap untuk masa depan. Kami tidak hanya mendanai proyek-proyek—kami bekerja sama dengan peneliti terkemuka untuk menjelajahi area frontier seperti Agentic AI, sistem multi-agents & AGI. Kemitraan ini memberi kami wawasan yang lebih dalam tentang beberapa area yang muncul – sebagai contoh, bagaimana model bahasa besar berperilaku dan berkembang membuatnya kontekstual dalam berbagai domain.

Mereka juga berfungsi sebagai mesin untuk pengembangan bakat. Melalui program bersama, kami menciptakan peluang belajar tangan yang menghubungkan kedalaman akademis dengan relevansi perusahaan. Ini adalah pertukaran dua arah: kami mendapatkan akses ke pemikiran canggih, dan siswa terlibat dengan masalah dunia nyata. Sinergi ini sangat penting untuk menskala kemampuan AI, data, dan rekayasa digital kami.

Di industri seperti perawatan kesehatan, keuangan, atau telekomunikasi, apa contoh di mana solusi AI atau analitik Apexon secara signifikan meningkatkan efisiensi operasional atau membuka model bisnis baru?

Contoh yang baik adalah pekerjaan kami dengan lembaga keuangan terkemuka di Amerika Utara untuk memodernisasi proses penilaian risiko menggunakan kerangka kerja AI yang ditenagai. Dengan mengotomatisasi pengambilan data, memstandarkan sumber yang terfragmentasi, dan menerapkan mesin risiko waktu nyata, kami mengurangi upaya manual sebesar 90% dan mempercepat evaluasi sebesar 4x. Peringatan prediktif terintegrasi dan pelacakan kepatuhan membantu mengurangi penalti regulasi sebesar 30% dan paparan keuangan sebesar 40%. Dibangun di atas arsitektur cloud-asli, mikro-layanan, solusi ini tidak hanya meningkatkan akurasi dan kecepatan, tetapi juga memposisikan klien untuk pengelolaan risiko yang didorong oleh data dan dapat diskalakan dalam lingkungan regulasi yang berubah dengan cepat.

Tren AI atau teknologi yang muncul mana yang paling Anda fokuskan sebagai batas depan berikutnya untuk inovasi perusahaan?

Di Apexon, kami melihat Agentic AI sebagai lompatan besar berikutnya dalam Kecerdasan Perusahaan dalam jangka pendek. Tidak seperti AI tradisional yang bereaksi terhadap prompt, sistem Agentic AI dapat menafsirkan konteks dinamis secara otonom, menetapkan dan mengejar tujuan, berkolaborasi di seluruh sistem, dan terus memperbaiki melalui umpan balik. Kami telah membangun kerangka akhir-ke-akhir, AgentRise, untuk mewujudkannya. AgentRise menggabungkan otak Agentic AI, orkestrasi multi-agents, pengawasan manusia-dalam-layanan, dan observabilitas kelas perusahaan.

Hasilnya adalah AI yang tidak hanya membantu tetapi mengeksekusi alur kerja bisnis yang kompleks secara otonom, dari triase dokumen di perawatan kesehatan hingga penanganan pengecualian waktu nyata di keuangan.

Apa yang membedakan pendekatan kami adalah fokus pada kecerdasan yang dapat diskalakan dan tepercaya. Kami menggunakan komponen modular, rekayasa prompt, dan integrasi yang aman untuk menerapkan Agentic AI dengan kecepatan dan keandalan. Ini bukan hanya inovasi – ini adalah AI yang disematkan ke dalam aliran bisnis, beroperasi dengan aman pada skala, dan menghasilkan hasil yang nyata. Ketika sistem ini matang, kami percaya mereka akan menjadi tulang punggung perusahaan yang adaptif, otonom, dan mampu berkembang sendiri di seluruh industri yang diatur dan berdampak tinggi.

Kami juga melacak kemajuan dalam Narrow AI, Artificial General Intelligence, dan Quantum Computing —tetapi apa yang paling menggembirakan kami adalah bagaimana teknologi ini berkumpul untuk memberdayakan perusahaan yang tidak hanya cerdas, tetapi juga adaptif, otonom, dan mampu berevolusi sendiri.

Apa tantangan terbesar yang dihadapi organisasi saat beralih dari sistem data warisan ke arsitektur analitik modern?

Organisasi biasanya menghadapi empat tantangan utama saat beralih dari platform warisan ke arsitektur analitik modern.

Pertama adalah adopsi dan realisasi nilai. Platform warisan sering membentuk cara kerja yang sangat tertanam, membuat manajemen perubahan sangat penting. Organisasi harus memastikan bahwa platform analitik baru menghasilkan hasil bisnis yang nyata seperti pertumbuhan pendapatan, efisiensi operasional, dan pengelolaan risiko yang ditingkatkan, bukan hanya menjadi upgrade teknis murni.

Kedua adalah modernisasi teknologi dan pembangunan kemampuan. Banyak perusahaan beroperasi di kompleks warisan yang meliputi mainframe, sistem on-premise, dan awal lingkungan cloud. Modernisasi lingkungan ini memerlukan rasionalisasi dan arsitektur kembali yang hati-hati, bersama dengan membangun keterampilan, bakat, dan kematangan operasional yang diperlukan untuk memelihara platform data, analitik, dan AI modern.

Ketiga adalah kesiapan data dan AI. Modernisasi bukan hanya tentang memindahkan data ke platform baru. Organisasi harus memastikan bahwa data disiapkan untuk analitik lanjutan dan AI dengan memperkuat kualitas data, tata kelola, garis keturunan, perlindungan privasi, dan pengawasan etika sehingga wawasan dan model AI dapat dipercaya dan diskalakan.

Akhirnya, ada pergeseran organisasional. Ketika platform berkembang menuju kemampuan AI yang lebih otonom dan agen, perusahaan harus menyesuaikan model operasional, keterampilan tenaga kerja, dan budaya untuk memungkinkan kolaborasi efektif antara manusia dan sistem cerdas.

Bagaimana Anda memastikan bahwa pengalaman digital dan solusi AI tetap berfokus pada kebutuhan manusia daripada hanya hasil teknis?

Saya percaya bahwa dasar dari solusi digital dan AI yang benar-benar berdampak adalah pergeseran pemikiran yang jelas, dari bertanya apa yang teknologi mampu lakukan menjadi bertanya bagaimana teknologi dapat menciptakan nilai bisnis dan melayani orang dan masyarakat.

Kami memulai dengan membumikan setiap inisiatif dalam hasil manusia yang nyata seperti keputusan yang lebih baik, inklusi yang lebih besar, kepercayaan yang lebih kuat, dan pengalaman yang lebih sederhana. Ini memerlukan keterlibatan yang mendalam dengan pengguna, mendengarkan terus-menerus, dan merancang solusi di sekitar bagaimana orang-orang benar-benar mengadopsi dan berinteraksi dengan pengalaman digital. Kami dengan sengaja menyematkan desain yang berfokus pada manusia, transparansi, dan akuntabilitas ke dalam platform kami.

Di domain berdampak tinggi terutama, AI harus beroperasi dengan pengawasan manusia yang kuat dan pagar etika yang jelas, memastikan bahwa AI meningkatkan penilaian manusia daripada menggantikannya. Yang sama pentingnya, kesuksesan harus diukur tidak hanya melalui metrik kinerja, tetapi juga melalui adopsi, kepercayaan pengguna, dan penciptaan nilai jangka panjang. Ketika dilakukan dengan baik, manfaatnya meluas jauh melampaui organisasi individual. AI yang berfokus pada manusia memiliki potensi untuk memperluas akses ke peluang, memperkuat lembaga, dan meningkatkan kualitas hidup secara besar-besaran. Ini dapat membantu membangun perekonomian yang lebih tangguh, sistem yang lebih adil, dan masyarakat yang lebih terinformasi. Pada akhirnya, tujuan kami harusnya adalah mengembangkan AI yang tidak hanya cerdas tetapi juga bertanggung jawab, inklusif, dan berorientasi pada tujuan. Teknologi yang memperkuat potensi manusia dan memberikan kontribusi positif pada masa depan yang kita bentuk bersama.

Bagaimana Anda mengevaluasi kesuksesan penerapan Gen AI di Apexon—apakah ada KPI atau kerangka khusus yang Anda gunakan untuk mengukur efektivitas di seluruh lingkungan klien yang berbeda?

Di Apexon, kami telah membangun kerangka yang kuat, didukung oleh portofolio IP, solusi, dan akselerator, untuk membantu baik tim kami maupun klien kami untuk mengukur efektivitas penerapan GenAI dan Agentic AI.

Pertama, kami fokus pada dampak bisnis. Ini dimulai dengan tujuan domain atau proses tingkat yang jelas didefinisikan, tetapi pada akhirnya berpusat pada mengukur hasil strategis seperti pengalaman pelanggan yang ditingkatkan, pertumbuhan pendapatan, optimasi biaya, efisiensi operasional, dan pengelolaan risiko yang diperkuat. Kerangka M4 kami mendukung ini dengan menyediakan model eksekusi terstruktur untuk keterlibatan analitik. M4 menawarkan strategi yang terbukti dan langkah-langkah prediktif untuk modernisasi data, membantu organisasi memetakan kasus penggunaan, memodernisasi arsitektur data, dan beralih ke lingkungan analitik berbasis cloud sambil memastikan bahwa inisiatif AI tetap sejalan dengan KPI bisnis yang dapat diukur.

Kedua, kami menilai adopsi dan realisasi nilai. Penerapan AI menciptakan dampak yang berarti hanya ketika mereka dipercaya, diadopsi secara luas, dan efektif melengkapi kemampuan manusia. Di Apexon, adopsi perusahaan kami sendiri dari GenAI dan Agentic AI telah berfungsi sebagai model praktis untuk klien. Kami memulai dengan memungkinkan karyawan di seluruh organisasi dengan kemampuan GenAI dan Agentic AI, mempersenjatai mereka dengan alat, kebijakan, dan pedoman untuk penggunaan yang bertanggung jawab, sambil secara bersamaan melacak hasil bisnis yang mereka hasilkan. Kerangka tata kelola, kebijakan, dan KPI yang kami kembangkan melalui perjalanan ini sekarang membantu klien kami mempercepat dan menskala adopsi GenAI.

Ketiga, kami mengukur kinerja teknis. Akselerator kami dalam platform Genysys memungkinkan pemantauan terus-menerus dari metrik operasional kunci seperti akurasi respons, tingkat halusinasi, biaya per inferensi, skalabilitas, dan kinerja sistem secara keseluruhan. Genysys, platform GenAI milik Apexon, mengkonsolidasikan kemampuan beberapa model bahasa besar ke dalam lingkungan yang terpadu dengan integrasi yang mulus di seluruh lebih dari sepuluh LLM. Ini memungkinkan organisasi untuk memilih model yang paling sesuai untuk kasus penggunaan yang berbeda sambil mempertahankan visibilitas ke dalam kinerja, keandalan, dan efisiensi biaya di seluruh penerapan.

Terakhir, kami mengevaluasi tata kelola dan risiko. Kerangka pagar perusahaan kami, bagian dari penawaran AgentRise, membantu organisasi mengatasi area kritis seperti tata kelola, risiko, dan kepatuhan. Mengingat pekerjaan kami yang mendalam dengan industri yang diatur, kami membantu klien menilai keterjelasan, auditabilitas, garis keturunan data, pengawasan privasi, dan keselarasan dengan standar AI yang bertanggung jawab untuk memastikan bahwa sistem AI tidak hanya dapat diskalakan tetapi juga tepercaya. Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Apexon.