Rajan Sethuraman, CEO LatentView Analytics – Interview Series

Rajan Sethuraman, CEO of LatentView Analytics, adalah seorang eksekutif berpengalaman yang karirnya meliputi konsultasi, kepemimpinan talenta, dan transformasi perusahaan, dengan kepemimpinan di Accenture dan KPMG sebelum bergabung dengan LatentView. Progresinya dari Chief People Officer ke CEO mencerminkan penekanan kuat pada pengembangan talenta, desain organisasi, dan model operasional yang dapat diskalakan, yang sekarang membentuk pendekatannya terhadap AI dan analitik. Dengan pengalaman mendalam dalam rekrutmen, pembelajaran, dan strategi bisnis, ia secara konsisten fokus pada menghubungkan orang, budaya, dan teknologi untuk menghasilkan hasil yang terukur, yang berpuncak pada memimpin LatentView melalui IPO dan ekspansi global sambil memposisikan AI sebagai kemampuan bisnis bukan sebagai fungsi yang berdiri sendiri.

LatentView Analytics adalah perusahaan analitik data dan transformasi digital global yang membantu perusahaan memanfaatkan data, kecerdasan buatan, dan analitik lanjutan untuk meningkatkan pengambilan keputusan dan mengarahkan pertumbuhan. Perusahaan ini menyediakan layanan seperti teknik data, analitik prediktif, dan konsultasi yang didorong oleh AI di berbagai industri termasuk jasa keuangan, ritel, dan teknologi, bekerja dengan klien Fortune 500 di seluruh dunia. Nilai intinya terletak pada mengubah data mentah menjadi wawasan yang dapat digunakan untuk memungkinkan bisnis untuk mengoptimalkan operasi, memprediksi tren, dan menciptakan keunggulan kompetitif dalam perekonomian yang semakin meningkat.

Anda memulai karir Anda di konsultasi dan kepemimpinan talenta di Accenture dan KPMG sebelum menjadi CEO of LatentView Analytics, di mana Anda memimpin perusahaan melalui IPO dan akuisisi pertama. Bagaimana latar belakang Anda dalam pengembangan talenta dan strategi organisasi membentuk cara Anda menskalakan AI dan analitik hari ini?

Karir awal saya sangat fokus pada talenta, pengembangan kepemimpinan, dan membangun organisasi yang dapat diskalakan. Pengalaman itu terus membentuk bagaimana saya memikirkan AI hari ini. Teknologi saja tidak cukup untuk menskalakan organisasi. Yang penting adalah bagaimana tim mengadopsinya, bagaimana pemimpin sejalan dengannya, dan bagaimana masalah bisnis didefinisikan dengan jelas. Di LatentView, kami menghabiskan banyak waktu untuk membantu organisasi membangun model operasional, keterampilan, dan budaya yang dibutuhkan untuk mengubah analitik dan AI menjadi pengambilan keputusan sehari-hari.

Karena itu, saya cenderung memikirkan AI melalui lensa kesiapan organisasi. Menskalakan AI memerlukan keahlian domain yang kuat, fondasi data, dan tim yang dapat menerjemahkan wawasan menjadi tindakan. Fokus saya selalu pada membangun kemampuan tersebut bersama-sama daripada mengobati AI sebagai kemampuan yang terisolasi.

Anda telah berbicara tentang minimalisme AI — memprioritaskan kejelasan, keterbukaan, dan budaya atas mengejar setiap tren GenAI baru. Apa yang terlihat seperti minimalisme AI dalam praktek untuk pemimpin perusahaan?

Minimalisme AI dimulai dengan fokus. Pemimpin perusahaan tidak perlu mengejar setiap model atau kemampuan baru yang muncul. Mereka memerlukan sejumlah kecil masalah yang berarti di mana AI dapat meningkatkan keputusan atau produktivitas dengan cara yang terukur. Itu mungkin keputusan harga, perencanaan rantai pasokan, atau bagaimana pengetahuan bergerak di seluruh organisasi. Memulai dengan masalah yang didefinisikan dengan baik membantu tim membangun kepercayaan dan memahami apa yang sebenarnya terjadi dalam penskalaan yang bertanggung jawab.

Ini juga berarti membenamkan AI ke dalam alur kerja nyata bukan mengobatinya sebagai eksperimen yang terisolasi. Ketika tim melihat teknologi membantu mereka memecahkan masalah sehari-hari, adopsi cenderung tumbuh secara alami. Keterbukaan dan eksperimen masih penting, tetapi mereka bekerja lebih baik ketika mereka dilandasi pada tujuan yang jelas.

Banyak organisasi terburu-buru masuk ke AI generatif tanpa memperkuat fondasi data mereka terlebih dahulu. Apa yang menjadi tanda peringatan bahwa sebuah perusahaan sedang membangun di atas tanah yang tidak stabil?

Satu hal yang saya sering lihat adalah ketika percakapan AI bergerak jauh lebih cepat daripada percakapan data. Jika pemimpin berbicara tentang copilot dan model generatif tetapi masih ada kebingungan tentang di mana data kunci berada, siapa yang memiliki hak atasnya, atau metrik bisnis mana yang sebenarnya dipercaya, itu biasanya merupakan tanda bahwa fondasi belum siap. Sistem AI sangat bergantung pada data yang dapat diandalkan dan dikelola dengan baik. Tanpa itu, menjadi sulit bagi orang untuk mempercayai output.

Sinyal lain adalah ketika perusahaan memiliki banyak pilot yang berjalan tetapi sangat sedikit yang mempengaruhi keputusan nyata. AI generatif dapat menghasilkan demonstrasi yang mengesankan, tetapi ujian yang sebenarnya adalah apakah itu menjadi bagian dari cara organisasi beroperasi.

Sejak Anda menjadi CEO, Anda telah mengarahkan dampak yang terukur untuk klien global. Apa yang membedakan perusahaan yang berhasil mengoperasikan AI dari mereka yang tetap terjebak dalam mode pilot?

Perusahaan yang menskalakan AI dengan sukses mengobatinya sebagai disiplin operasional, bukan proyek inovasi sampingan. Mereka menugaskan kepemilikan eksekutif, menghubungkan kasus penggunaan dengan hasil bisnis yang terukur, dan merancang untuk integrasi dari awal. Mereka juga berinvestasi dalam pekerjaan yang kurang glamor, seperti pipa data, tata kelola, desain proses, dan adopsi pengguna. Itu biasanya perbedaan antara pilot yang mendapat perhatian dan kemampuan yang sebenarnya mengubah cara keputusan dibuat.

Di LatentView, kami telah melihat bahwa perusahaan bergerak lebih cepat ketika mereka memperjelas AI dalam masalah bisnis yang sudah penting bagi perusahaan, seperti meningkatkan akurasi perencanaan, hasil inventori, atau visibilitas supplier. AI yang terkait dengan metrik yang sudah dipedulikan bisnis memiliki kesempatan yang jauh lebih baik untuk mendapatkan pendanaan, tata kelola, dan adopsi dalam skala.

Bagaimana Anda mendekati penskalaan AI secara bertanggung jawab di seluruh organisasi besar sambil mempertahankan tata kelola, keamanan, dan akuntabilitas?

Penskalaan yang bertanggung jawab dimulai dengan mengakui bahwa keputusan AI pada akhirnya mempengaruhi pelanggan, karyawan, dan hasil bisnis yang nyata. Itu berarti tata kelola tidak bisa menjadi pemikiran belakangan. Organisasi memerlukan kebijakan yang jelas seputar akses data, pengawasan model, dan pemantauan sekali sistem berada dalam produksi.

Dalam praktek, model tata kelola yang paling efektif adalah lintas fungsional. Pemimpin bisnis, tim teknologi, dan kelompok risiko atau kepatuhan semua perlu terlibat. Sistem AI juga mendapat manfaat dari transparansi seputar bagaimana output dihasilkan dan di mana penilaian manusia tetap penting. Dengan penjaga yang ditetapkan sejak awal, organisasi dapat memperluas adopsi sambil mempertahankan kepercayaan.

LatentView bekerja dengan perusahaan pada tingkat kematangan digital yang sangat berbeda. Bagaimana strategi AI Anda berbeda ketika memberi saran kepada organisasi versus satu yang masih awal dalam perjalanan analitiknya?

Dengan organisasi, percakapan biasanya tentang percepatan. Mereka sudah memiliki aset data yang berarti, jadi kami fokus pada prioritas kasus penggunaan yang bernilai tinggi, meningkatkan aksesibilitas, dan membenamkan AI ke dalam alur kerja di mana bisnis dapat bertindak dengan cepat. Itu mungkin berarti pengambilan pengetahuan perusahaan, perencanaan terhubung dalam rantai pasokan, atau model domain-spesifik yang meningkatkan kecepatan keputusan di seluruh fungsi.

Untuk organisasi yang lebih awal dalam perjalanan, titik awalnya berbeda. Kami menghabiskan lebih banyak waktu pada kesiapan data, tata kelola, modernisasi BI, dan pembangunan kemampuan sehingga perusahaan dapat mendukung AI dengan cara yang berkelanjutan. Dalam situasi tersebut, penilaian kematangan dan pengurutan sangat penting. Anda tidak ingin berjanji tentang masa depan yang cerdas kepada bisnis yang masih kekurangan data yang dipercaya, KPI umum, atau keselarasan eksekutif pada masalah yang sedang dicoba untuk diselesaikan.

Dengan pengalaman mendalam Anda dalam akuisisi talenta dan pembelajaran, apa keterampilan yang harus diprioritaskan perusahaan dalam mengembangkan secara internal di era AI versus merekrut secara eksternal?

Secara internal, saya pikir perusahaan harus fokus pada membangun literasi AI dan data yang luas. Tidak semua orang perlu menjadi ilmuwan data, tetapi orang di seluruh bisnis harus memprioritaskan menghubungkan keputusan dengan wawasan, mengajukan pertanyaan yang lebih baik, dan menggunakan alat AI dalam alur kerja sehari-hari. Ketika praktik ini menyebar di seluruh tim, menjadi jauh lebih mudah untuk mengidentifikasi di mana AI dapat membantu secara nyata dan di mana sebenarnya tidak perlu digunakan.

Secara eksternal, perekrutan cenderung lebih spesialis. Seperti teknik data, arsitektur pembelajaran mesin, dan tata kelola AI memerlukan keahlian mendalam yang mungkin tidak selalu dimiliki perusahaan. Perusahaan yang melakukan ini dengan baik biasanya menggabungkan spesialis tersebut dengan tim bisnis yang memahami konteks dan keputusan yang perlu ditingkatkan.

Resistensi budaya sering memperlambat transformasi. Apa perilaku kepemimpinan yang Anda temukan paling efektif dalam membangun kepercayaan dan momentum seputar adopsi AI?

Komunikasi yang jelas dari kepemimpinan membuat perbedaan besar. Karyawan ingin memahami mengapa teknologi baru diperkenalkan dan bagaimana mereka terhubung dengan strategi perusahaan. Menjelaskan tujuan di balik inisiatif AI dan menghubungkannya dengan tujuan bisnis nyata membantu membangun kepercayaan di seluruh organisasi.

Pembelajaran sama pentingnya. Otomatisasi dan AI sudah mengubah banyak pekerjaan, sehingga perusahaan perlu secara aktif mendukung karyawan dalam mengembangkan kemampuan baru. Orang lebih terbuka terhadap perubahan ketika mereka melihat kesempatan nyata untuk membangun keterampilan baru dan tumbuh bersama teknologi.

Seiring AI menjadi tertanam dalam proses pengambilan keputusan, bagaimana dewan dan tim eksekutif harus memikirkan kembali metrik kinerja dan akuntabilitas?

AI mengubah cara keputusan dibuat, sehingga tim kepemimpinan perlu melihat melampaui metrik proyek tradisional. Pertanyaan yang sebenarnya adalah apakah AI meningkatkan kualitas dan kecepatan keputusan di area yang penting bagi bisnis. Itu mungkin berarti peramalan permintaan yang lebih baik, keputusan harga yang lebih akurat, atau respons yang lebih cepat terhadap perubahan di pasar.

Jika hasil tersebut membaik, AI melakukan tugasnya. Kinerja AI tidak bisa duduk dalam dashboard terpisah dari kinerja bisnis untuk waktu yang lama.

Akuntabilitas juga perlu lebih jelas. Seseorang masih memiliki hak atas data, seseorang bertanggung jawab untuk memantau model dalam produksi, dan seseorang pada akhirnya membuat keputusan. AI dapat mendukung keputusan tersebut, tetapi tata kelola dan pengawasan tetap penting.

Di atas tiga hingga lima tahun ke depan, apa pergeseran dalam adopsi AI perusahaan yang akan paling berarti — dan apa yang harus dilakukan pemimpin sekarang untuk tetap di depan?

Di atas beberapa tahun ke depan, AI akan mulai muncul lebih banyak dalam keputusan bisnis sehari-hari. Banyak perusahaan telah menghabiskan waktu untuk bereksperimen dengan pilot dan konsep bukti. Langkah berikutnya adalah memastikan kemampuan tersebut sebenarnya mendukung cara tim merencanakan, meramalkan permintaan, mengelola rantai pasokan, atau membuat keputusan pemasaran.

Pekerjaan juga akan berkembang karena AI menjadi lebih mampu. Ketika tugas rutin menjadi lebih otomatis, pekerjaan akan bergeser ke arah mengarahkan, menerjemahkan, dan bekerja bersama sistem AI. Organisasi yang memperkuat fondasi data dan membantu karyawan membangun kemampuan tersebut akan beradaptasi dengan lebih mudah ketika AI menjadi bagian dari operasi sehari-hari.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi LatentView Analytics.