Amit Sharma, CEO e Fondatore di CData – Serie di Interviste

Amit Sharma, CEO e Fondatore di CData Software, è un dirigente tecnologico che ha guidato CData dalla sua fase di startup a diventare un leader globale nella connettività e integrazione dei dati. Con una carriera che comprende ruoli di ingegnere software in Infosys e Elixar, architetto tecnico in /n Software e successivamente CTO in CData, ha costruito una profonda esperienza nell’accesso ai dati aziendali e nell’infrastruttura. Dal 2014, come CEO, ha guidato la missione di CData per semplificare la connessione, l’integrazione e l’utilizzo dei dati tra i sistemi, aiutando a posizionare l’azienda come un livello fondamentale del moderno movimento dei dati.

CData Software è un fornitore leader di soluzioni di accesso e connettività dei dati. I suoi prodotti di dati self-service e piattaforme di connettività offrono un accesso universale ai dati live tra centinaia di applicazioni on-premises e cloud ampiamente utilizzate. Milioni di utenti in tutto il mondo si affidano a CData per supportare analisi avanzate, accelerare l’adozione del cloud e costruire organizzazioni più connesse e basate sui dati. Progettato per essere consumato da qualsiasi utente, accessibile all’interno di qualsiasi applicazione e scalabile per aziende di tutte le dimensioni, CData sta ridefinendo il modo in cui le aziende accedono e utilizzano i dati.

Hai iniziato la tua carriera in India in Infosys e successivamente ti sei trasferito nel software aziendale statunitense. Qual è la lezione più importante che hai imparato in quella fase e che ancora influenza il tuo modo di guidare oggi?

Il mio tempo in Infosys mi ha dato una prima esposizione alle esigenze della tecnologia aziendale su larga scala – le complessità, la necessità di affidabilità e come le grandi organizzazioni affrontano i problemi tecnici. Ciò ha plasmato un profondo rispetto per la struttura e la qualità aziendale. Tuttavia, quando mi sono trasferito in una startup statunitense, ho scoperto di prosperare nella velocità, nell’agilità e nella capacità di avere un impatto diretto. Oggi, quel background duale guida il mio modo di guidare CData Software: insisto sugli standard aziendali e sulla robustezza, mentre favorisco una cultura snella e veloce che valorizza la semplicità, l’usabilità nel mondo reale e l’esecuzione rapida.

Dopo più di un decennio come CEO di CData, qual è stato il cambiamento di mentalità o di approccio più importante per scalare l’azienda dalle sue prime fasi a un’impresa globale?

Il cambiamento più grande per me è stato passare dal pensare come un costruttore di tecnologia a pensare come un costruttore di un’organizzazione. Nei primi giorni, la mia attenzione era quasi interamente sul prodotto; assicurarmi che fosse elegante, affidabile e risolvesse problemi reali. Mentre CData cresceva, ho dovuto imparare che un grande software da solo non è sufficiente; hai bisogno di grandi persone, leader forti e processi che si possono scalare senza rallentarti. Ciò ha significato investire prima nel recruiting, nell’abilitazione dei team e nella costruzione di sistemi ripetibili nelle vendite, nel supporto e nelle operazioni, mentre proteggevo la nostra cultura di ingegneria. Il cambiamento di mentalità è stato rendersi conto che il mio lavoro non era solo creare una grande tecnologia, ma creare un ambiente in cui una grande tecnologia potesse essere costruita costantemente da un team globale in crescita.

CData si è sempre concentrata sulla “semplificazione dell’accesso a qualsiasi dato, ovunque”. Come è evoluta questa missione man mano che l’industria si addentra sempre più nelle applicazioni native AI?

Fin dall’inizio, la nostra missione in CData è stata quella di rendere i dati universalmente accessibili utilizzando interfacce standardizzate e familiari, perché credevamo che il più grande collo di bottiglia per l’innovazione non fosse lo storage o il calcolo, ma l’accesso. Quell’idea di base non è cambiata, ma il contesto sì. Mentre le organizzazioni sono passate dall’analisi al cloud e ora alle applicazioni AI, il costo dell’accesso ai dati frammentati e incoerenti è aumentato. Ciò che è cambiato è la nostra responsabilità: non è più solo una questione di connettere le applicazioni ai dati, ma di assicurarsi che i dati siano attendibili, in tempo reale e utilizzabili in ambienti sempre più complessi e distribuiti. Nell’era AI, l’accesso da solo non è sufficiente. I dati devono essere immediatamente utilizzabili senza settimane di ingegneria personalizzata.

Man mano che le applicazioni native AI diventano la norma, la nostra missione si è ampliata per includere la preparazione dei dati per l’AI per impostazione predefinita. Ciò significa abilitare una coerenza semantica costante, una connettività ad alta prestazione, un accesso consapevole della governance e un’integrazione in tempo reale tra fonti di dati strutturate e SaaS, in modo che i modelli e gli agenti possano lavorare con informazioni fresche e affidabili, non con integrazioni punto-punto fragili o copie obsolete. In termini pratici, ci concentriamo sull’eliminazione dell’attrito tra dove vivono i dati e dove operano i sistemi AI, in modo che i team possano passare dall’esperimentazione alla produzione più velocemente. Ci vediamo non solo come un fornitore di connettività, ma come un livello di dati fondamentale per le aziende guidate dall’AI, alimentando silenziosamente i sistemi che rendono possibili le applicazioni intelligenti.

Con l’accelerazione dell’AI generativa, cosa significa per te “dati pronti per l’AI” e dove vedi le organizzazioni fraintendere maggiormente quell’idea?

Per me, “dati pronti per l’AI” significa dati che sono accessibili, affidabili, attuali e comprensibili sia per gli esseri umani che per le macchine senza strati di tubazioni personalizzate. Non si tratta solo di spostare i dati in un lago o in un magazzino. Si tratta di assicurarsi che i sistemi, i modelli e gli agenti possano accedere costantemente ai dati giusti al momento giusto attraverso interfacce standardizzate e governate. La prontezza per l’AI dipende meno da dove sono archiviati i dati e più dal fatto che possano essere scoperti, interrogati, considerati attendibili e integrati in tempo reale. Senza quella base, anche i modelli più avanzati finiscono per operare su informazioni incomplete o obsolete.

Dove vedo le organizzazioni fraintendere il concetto è nell’assumere che la centralizzazione equivalga automaticamente alla prontezza. I team spesso credono che una volta che i dati sono consolidati in una singola piattaforma, sono “pronti per l’AI”, quando in realtà hanno creato un nuovo silo. Altri sovra-investono in strumenti senza affrontare la qualità dei dati, la semantica e la connettività, i problemi non glamour che fanno o rompono i sistemi AI nel mondo reale. L’AI non fallisce a causa dei modelli; fallisce a causa di dati confusi, inaccessibili o obsoleti. Le organizzazioni che vinceranno saranno quelle che trattano la prontezza dei dati come una disciplina operativa, non come un progetto di migrazione una tantum.

La tua nuova ricerca, The State of AI Data Connectivity: 2026 Outlook, mostra che solo il 6% dei leader AI ritiene che la propria infrastruttura di dati sia completamente pronta per l’AI. Perché pensi che il divario di prontezza sia così grande e cosa ci dice questo sulla traiettoria attuale dell’industria?

Il divario è così grande perché la maggior parte delle organizzazioni ha investito nel raccogliere e archiviare i dati molto prima di investire nel renderli utilizzabili per l’AI. Nel corso dell’ultimo decennio, le aziende hanno costruito laghi, magazzini e pipeline, ma raramente hanno costruito un livello di accesso coeso che garantisca che i dati siano coerenti, in tempo reale e disponibili tra i sistemi. Di conseguenza, i leader scoprono che una volta iniziato a distribuire l’AI in flussi di lavoro reali, la loro infrastruttura sottostante non può supportare la velocità, la scala o l’affidabilità che l’AI richiede. La cifra del 6% non riflette una mancanza di ambizione, ma piuttosto la realtà che l’AI espone debolezze che erano sempre presenti ma non contavano molto nell’analisi tradizionale.

Cosa i dati ci dicono sull’industria è che siamo all’inizio della curva di adozione dell’AI, non alla fine. Le organizzazioni stanno sperimentando aggressivamente a livello di applicazione, ma stanno ora realizzando che il successo dipende dalla modernizzazione della loro base di dati sottostante. Stiamo entrando in una fase correttiva in cui l’attenzione si sta spostando dai piloti appariscenti alla prontezza operativa – accesso standardizzato, integrazione governata e connettività in tempo reale. I vincitori non saranno le aziende che costruiscono il maggior numero di prove di concetto, ma quelle che modernizzano la loro infrastruttura di dati abbastanza rapidamente da spostare quegli esperimenti in produzione su larga scala.

I risultati mostrano anche che il 71% dei team AI spende più di un quarto del loro tempo nella “tubazione dei dati”. Qual è la parte di questo lavoro che è realmente strategica e non solo debito tecnico?

Una certa quantità di “tubazione dei dati” è assolutamente strategica quando si tratta di creare un accesso duraturo ai dati attraverso interfacce standardizzate e progettare per la scalabilità e la governance fin dall’inizio. Investire in una connettività coerente, servizi di dati condivisi e modelli di integrazione affidabili è un lavoro fondamentale che ripaga dividendi in ogni applicazione e modello successivo. Il problema è che la maggior parte dei team non sta facendo quel tipo di tubazione. Stanno ricostruendo pipeline una tantum, scrivendo connettori fragili e integrando patch che risolvono un problema solo una volta. Quello è un debito tecnico mascherato da progresso.

Cosa è strategico è tutto ciò che riduce l’attrito futuro: eliminare il codice personalizzato in favore degli standard, costruire servizi di dati riutilizzabili e connettere i sistemi in modi che si possano scalare tra team e casi d’uso. Quando la tubazione diventa invisibile e ripetibile, smette di essere una tassa per i team AI e diventa un abilitatore. L’obiettivo reale non è spendere meno tempo sui dati. È smettere di spendere tempo sugli stessi problemi di dati più e più volte.

Un punto di dati sorprendente del rapporto è che il 46% delle aziende ora richiede l’accesso in tempo reale a sei o più fonti di dati per un singolo caso d’uso AI. Riflette ciò che vedi con i clienti e cosa rende questo livello di connettività così difficile?

Sì, ciò si allinea strettamente a ciò che vediamo con i clienti. I casi d’uso AI moderni, sia analisi predittive, motori di raccomandazione o flussi di lavoro autonomi, raramente si basano su un solo sistema. Le aziende spesso devono combinare ERP, CRM, app SaaS, piattaforme di streaming e database legacy per generare informazioni significative. La sfida non è solo il numero di fonti; è la varietà, i protocolli diversi, i formati e le frequenze di aggiornamento, e l’aspettativa che questi dati siano disponibili in tempo reale per i modelli AI.

Cosa rende questo livello di connettività difficile è che gli approcci di integrazione tradizionali non sono stati progettati per la scala, la velocità e l’affidabilità che l’AI richiede. I connettori una tantum e le pipeline batch semplicemente non possono tenere il passo. L’accesso in tempo reale richiede interfacce gestite e standardizzate, semantica coerente tra i sistemi e monitoraggio per garantire la qualità e la disponibilità dei dati. Senza quella base, i team spendono più tempo a combattere gli incendi nelle pipeline che a costruire soluzioni AI, il che rallenta l’innovazione e introduce rischi. Le organizzazioni che hanno successo sono quelle che trattano la connettività come una capacità strategica, non solo come un compito tecnico.

Il rapporto sottolinea la coerenza semantica, il contesto e la connettività come caratteristiche definitorie di un’infrastruttura di dati AI matura. Come dovrebbero pensare le organizzazioni alla sequenza di queste priorità?

Quando si pensa alla sequenza, le organizzazioni dovrebbero iniziare con la connettività. Se i dati non sono accessibili in modo affidabile tra i sistemi, tutto il resto diventa irrilevante. I modelli AI non possono imparare da ciò che non possono raggiungere. Stabilire connessioni standardizzate e governate tra tutte le fonti di dati critiche getta le basi per tutto ciò che segue. Senza quel livello, i team finiscono per costruire pipeline fragili e una tantum che creano più lavoro in seguito.

Una volta che la connettività è in atto, la coerenza semantica diventa la prossima priorità. I dati hanno bisogno di un linguaggio comune in modo che le informazioni da più fonti possano essere interpretate correttamente e combinate in modo significativo. Il contesto segue naturalmente: capire non solo i valori ma il loro significato all’interno del processo aziendale, del timing e delle relazioni assicura che i modelli AI possano fare previsioni accurate e azioni eseguibili. Trattare questi elementi come una sequenza strutturata – connettività per prima, semantica in secondo luogo, contesto in terzo – consente alle organizzazioni di costruire un’infrastruttura di dati pronta per l’AI che si possa scalare e supportare un’intelligenza affidabile e pronta per la produzione.

I fornitori di software nativi AI richiedono ora circa tre volte più integrazioni esterne rispetto ai venditori tradizionali. Cosa sta guidando questo divario in aumento e cosa rivela questo sulla direzione in cui si sta muovendo il software?
Il divario in aumento è guidato dalla natura stessa dell’AI: le applicazioni native AI prosperano sui dati diversi e in tempo reale da più fonti. A differenza del software tradizionale, che spesso opera all’interno di un singolo sistema o suite, i modelli AI necessitano di ingerire, correlare e analizzare informazioni attraverso sistemi ERP, piattaforme CRM, app SaaS, fonti di streaming e altro ancora. Ogni integrazione è essenziale per fornire all’AI sufficiente contesto e copertura per generare previsioni, raccomandazioni o azioni automatizzate accurate.

Questa tendenza rivela che il software si sta muovendo dalle applicazioni isolate verso ecosistemi intelligenti interconnessi. I vincitori non saranno i prodotti che funzionano bene da soli. Saranno le piattaforme che possono accedere e integrare i dati ovunque essi vivano. In termini pratici, significa che la connettività, la standardizzazione e l’integrazione in tempo reale non sono più caratteristiche desiderabili. Sono capacità fondamentali per il software nativo AI per offrire valore reale.

Guardando avanti cinque anni, cosa pensi sarà il collo di bottiglia più significativo per il successo dell’AI – connettività, pipeline in tempo reale, modellazione semantica, governance o qualcos’altro?

Guardando avanti, credo che governance e sicurezza diventeranno il collo di bottiglia più significativo per il successo dell’AI. Mentre la connettività e le pipeline in tempo reale rimangono fondamentali – i modelli AI possono essere solo così efficaci come i dati a cui possono accedere – le organizzazioni stanno rapidamente realizzando che l’AI non governata è insostenibile e potenzialmente pericolosa. Man mano che l’AI si muove dall’esperimentazione alla produzione e inizia a influenzare decisioni aziendali critiche, i rischi di pregiudizio, violazioni della conformità, perdita di dati e errori operativi si moltiplicano esponenzialmente.

La sfida non è più solo spostare i dati – è spostare i dati giusti, con i controlli giusti, ai sistemi giusti, in un modo tracciabile e verificabile. Le organizzazioni che non incorporeranno forti quadri di governance e protocolli di sicurezza fin dall’inizio affronteranno una crescente pressione normativa, rischi per la reputazione e, alla fine, sistemi AI che non possono essere considerati affidabili o scalabili. Stiamo già vedendo i primi segnali: aziende esitanti a distribuire l’AI perché non possono garantire la genealogia dei dati, i controlli di accesso o la conformità con le norme in evoluzione.

I vincitori più grandi tra cinque anni saranno quelli che trattano la governance e la sicurezza non come afterthought, ma come abilitatori fondamentali dell’AI. Sì, hai bisogno di connettività e pipeline in tempo reale per far fluire i dati – ma senza governance e sicurezza in posto, quei dati diventano un passivo piuttosto che un attivo. Il futuro dell’AI non è solo sulla velocità o sulla scala; è sulla fiducia, sulla responsabilità e sulla distribuzione responsabile a ogni livello dello stack di dati.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare CData Software.