Chetan Alsisaria, Amministratore Delegato e Co-Fondatore, Polestar Analytics – Serie di Interviste

Chetan Alsisaria, Amministratore Delegato e Co-Fondatore è un leader tecnologico aziendale specializzato in dati, analisi e trasformazione guidata dall’AI. Dopo aver ricoperto ruoli iniziali in Deloitte, PwC e EY, ha co-fondato Polestar Analytics nel 2012 e da allora l’ha trasformata in una società globale di AI e dati. Guida le vendite, le alleanze strategiche, lo sviluppo dei servizi e la consegna tecnica, oltre a ricoprire il ruolo di Presidente di CAIO Circle, una comunità per leader AI che si concentra sull’avanzamento dell’adozione responsabile e pratica dell’AI. Inoltre, ha co-fondato Xumane Equity, riflettendo la sua maggiore attenzione all’innovazione attraverso sistemi e piattaforme aziendali.

Polestar Analytics è una società globale di convergenza di AI e dati che aiuta le aziende a trasformare dati frammentati in informazioni azionabili attraverso la sua piattaforma proprietaria 1Platform. Unificando l’ingegneria dei dati, l’analisi, l’AI e i flussi di lavoro aziendali in un unico ecosistema, la società consente alle organizzazioni di migliorare la capacità di prendere decisioni, ottimizzare le operazioni e ampliare l’adozione dell’AI. Con un forte focus su casi d’uso specifici del settore e risultati misurabili, Polestar è evoluta da una società di consulenza a un’azienda guidata da piattaforme che fornisce soluzioni semplificate e guidate dall’intelligenza a livello aziendale.

Avete co-fondato Polestar Analytics nel 2012 dopo aver ricoperto ruoli in Deloitte, PwC e EY. Qual è il divario nell’analisi dei dati aziendali che avete visto all’epoca e come la vostra visione originale si è evoluta nell’attuale piattaforma AI-driven 1Platform?

Sapete, quando Ajay, Amit e io abbiamo iniziato Polestar Analytics nel 2012, l’ironia era sorprendente; le aziende erano sommerse dai dati ma affamate di decisioni. Tutti raccoglievano tutto, ma il divario tra avere dati e fare qualcosa di significativo con essi era enorme. È il problema che abbiamo cercato di risolvere.

Guardando avanti a oggi, onestamente, il problema non è scomparso, si è solo trasformato. Il volume è più grande, le poste in gioco sono più alte e ora ci sono agenti insieme agli esseri umani che devono dare un senso a tutto. Ciò ha reso la nostra visione originale più chiara, non più confusa.

Il nostro motto, Dati a Risultati, Semplificati!, è davvero il filo che collega il 2012 a oggi. Abbiamo iniziato con la consegna dei dati; ottenere i dati giusti alle persone giuste al momento giusto. Poi l’AI è arrivata e ha amplificato ciò che era possibile. Ora con 1Platform, stiamo spingendo oltre; semplificando e massimizzando i risultati non solo per gli esseri umani ma anche per gli agenti che stanno sempre più prendendo o informando le decisioni.

Ciò che è emozionante è come il nostro ecosistema sia maturo per supportare questo. Le nostre profonde integrazioni con Microsoft, Databricks e Anaplan aiutano a unire i dati, i casi d’uso aziendali e la pianificazione. E 1Platform si trova su tutto questo, nativo in questi ambienti, non aggiunto.

Quindi, l’evoluzione sembra questo: consegna dei dati → informazioni amplificate dall’AI → risultati semplificati e pronti per gli agenti. La ricerca dell’eccellenza è la stessa. La velocità con cui possiamo arrivarci è ciò che è cambiato esponenzialmente.

Polestar Analytics si posiziona come una società di convergenza di dati e AI. Cosa significa realmente la convergenza per grandi aziende che affrontano sistemi frammentati e dati isolati?

La maggior parte delle volte, la frammentazione non è un problema tecnologico, è un problema di persone e processi. È come se aveste un team finanziario che funziona su Anaplan, un team operativo che vive in Excel, un team di ingegneria dei dati che costruisce pipeline su Azure e tutti tirano in direzioni diverse con diverse definizioni della stessa metrica. Nessun livello di AI risolve un problema di fiducia se la base è rotta.

Quindi, quando parliamo di convergenza, intendiamo risolvere quella base per prima. Prima di poter aggiungere l’intelligenza in cima, avete bisogno di dati che siano puliti, gestiti e criticamente accessibili. Non solo per i vostri analisti, ma sempre più per i vostri agenti anche.

Nella pratica, la convergenza con 1Platform sembra questo: non stiamo strappando e sostituendo ciò che le aziende hanno costruito. Andiamo nativi negli ambienti in cui già vivono, come Databricks, Microsoft e Anaplan, e cuciamo il livello di dati e intelligenza attraverso di essi. I vostri dati di pianificazione in Anaplan parlano con i vostri dati operativi in Databricks e il vostro ecosistema Microsoft è dove le decisioni effettive emergono per le persone e gli agenti per agire.

La magia non si trova in una di quelle integrazioni. È nel livello di connessione di 1Platform che rende tutto sembrare un sistema coerente invece di strumenti non connessi. È questo che significa la convergenza nella pratica, una semplificazione deliberata fino a quando la complessità diventa invisibile per l’azienda.

La vostra piattaforma proprietaria 1Platform mira a unificare dati, AI e flussi di lavoro in un unico sistema. Come si differenzia questo approccio dai tradizionali stack di BI o dalle moderne piattaforme di dati come Databricks o Snowflake?

Databricks e Snowflake sono piattaforme potenti, non stiamo competendo con loro, siamo costruiti su di essi. Quella distinzione è importante. Databricks fornisce infrastruttura e calcolo. Ci poniamo sopra e facciamo una domanda diversa: adesso cosa?

I tradizionali stack di BI hanno ottenuto molte cose giuste per il loro tempo, ma l’intelligenza aziendale è evoluta. Oggi, gli utenti aziendali hanno bisogno di più dei dashboard. Puoi avere un dashboard bellamente progettato con quindici grafici e qualcuno deve comunque interpretare cosa significa e decidere cosa fare dopo. Quel divario tra insight e azione è esattamente dove 1Platform opera.

1Platform non è statico, si evolve costantemente. Non risponde solo alle domande che portate; solleva domande che non avreste nemmeno pensato di fare. Ciò cambia la relazione tra utenti aziendali e i loro dati.

Abbiamo costruito interfacce low-code e no-code su Databricks e Azure che consentono di avviare pipeline in pochi secondi. Compiti che una volta richiedevano giorni per gli ingegneri dei dati possono ora essere attivati dagli utenti aziendali. Inoltre, Agenthood AI consente agli utenti di creare e orchestrare agenti attraverso interfacce di trascinamento e rilascio senza profonda competenza tecnica.

Ma la vera differenza è l’esperienza dell’utente finale. Invece di saltare tra più dashboard, gli utenti ricevono insight in linguaggio naturale, raccomandazioni contestuali e narrazioni guidate da agenti. I KPI non si limitano a stare su uno schermo; gli agenti li monitorano attivamente, segnalano cosa conta e spiegano perché. La differenziazione non è la piattaforma di dati in sé, ma tutto ciò che accade dopo che i dati sono pronti.

Molte aziende rimangono bloccate in ciò che viene spesso chiamato “purgatorio dei piloti di AI”. Quali sono le più grandi barriere strutturali o organizzative che impediscono all’AI di raggiungere la produzione su larga scala?

Lo chiamo il cimitero dei piloti perché la maggior parte dei progetti non si limita a bloccarsi, muore silenziosamente. Le più grandi barriere non sono tecniche, sono organizzative. Persone, processi e dati.

La gestione del cambiamento è costantemente sottovalutata. Quando si ridisegna il modo in cui le persone lavorano, si sfida il modo in cui derivano valore. Le organizzazioni che hanno successo sono quelle in cui la leadership rende visibilmente importante la competenza AI. Quando l’aggiornamento delle competenze è premiato e la progettazione dei processi è supportata strutturalmente, l’adozione si accelera.

Poi c’è il problema della curva a J. Gli investimenti in AI spesso scendono prima di salire. Molte organizzazioni si aspettano un ROI entro 90 giorni, non lo vedono e abbandonano lo sforzo. Quelle che hanno successo si impegnano nella curva completa.

La preparazione dei dati è un altro fattore critico. I dati scadenti portano a decisioni confidenzialmente sbagliate. Fino a quando la base dei dati non è affidabile, l’AI su larga scala diventa un problema piuttosto che un vantaggio.

Infine, la disciplina dei casi d’uso conta. Invece di cercare di fare tutto con l’AI, le organizzazioni devono concentrarsi su casi d’uso che spostano metriche aziendali reali, provarle e poi scalarle.

In Polestar Analytics, portare dati, AI e flussi di lavoro in un unico posto accelera sia la scoperta dei problemi che l’identificazione delle opportunità, trasformando la convergenza in un catalizzatore per il cambiamento.

L’AI agente sta diventando un tema importante in tutto il settore. Come Polestar Analytics pensa agli agenti AI all’interno dei flussi di lavoro aziendali e quali casi d’uso reali stanno guadagnando slancio?

Per noi, gli agenti devono essere integrati sia nel livello dei dati che nei flussi di lavoro aziendali per creare valore reale. Un agente di prezzi, ad esempio, non è solo un LLM seduto su un dashboard; è integrato nell’infrastruttura dei dati, comprende il contesto e supporta decisioni reali.

Tra i nostri 100+ agenti, alcuni agiscono come assistenti mentre altri sono completamente automatizzati. La trazione più forte è nella gestione della crescita dei ricavi, compresi prezzi, promozioni e mix di media, dove le decisioni sono frequenti e i dati sono intensivi.

Sul lato dell’ingegneria, gli agenti di monitoraggio e risoluzione degli errori delle pipeline sono già in uso. Gli agenti FinOps hanno ridotto i costi non utilizzati del cloud del 35 percento. C’è anche una forte adozione nella gestione della ricchezza.

Sosteniamo sia l’ecosistema Microsoft che quello Databricks e forniamo una piattaforma personalizzata per la costruzione di agenti. Non ogni agente deve essere basato su LLM; l’architettura dovrebbe corrispondere al caso d’uso per bilanciare scala e costo.

La governance è essenziale. Con gli agenti che interagiscono con sistemi finanziari o dati dei clienti, solide garanzie e una supervisione umana sono integrate per garantire l’affidabilità su larga scala.

Con il vostro recente finanziamento, state raddoppiando lo sviluppo della proprietà intellettuale. Quanto è importante possedere piattaforme proprietarie rispetto a costruire su ecosistemi esistenti nel paesaggio AI di oggi?

Siamo profondamente integrati con piattaforme come Databricks, Microsoft e Anaplan, che forniscono infrastruttura e scala. Non stiamo cercando di sostituirle.

Il nostro focus è sul possesso del livello di intelligenza in cima. La proprietà intellettuale ci consente di controllare l’esperienza, incorporare la conoscenza del dominio e fornire valore coerente su larga scala.

La nostra differenziazione deriva dall’esperienza del settore. Sia che si tratti di PromoPulse AI per la gestione della crescita dei ricavi o di WealthPulse per i servizi finanziari, il valore si trova nella comprensione dei casi d’uso e delle decisioni reali.

La proprietà intellettuale, per noi, è la codificazione di quell’esperienza. È ciò che rende la piattaforma difendibile e genuinamente utile.

Avevate lavorato a stretto contatto con aziende Fortune 1000. Come stanno cambiando le aspettative intorno al ROI dell’AI man mano che i dirigenti chiedono risultati misurabili invece di sperimentazione?

Il cambiamento è reale, ma l’esperimentazione non è scomparsa. È solo attesa a muoversi più velocemente e a collegarsi a risultati tangibili.

I dirigenti valutano ora il ROI attraverso lenti più ampie come velocità decisionale, fedeltà del cliente, capacità di innovazione e resilienza.

Il ROI dell’AI non è più di proprietà di un singolo leader. Il CTO si concentra sull’infrastruttura e sui dati, il CFO guarda all’impatto finanziario e il COO enfatizza l’efficienza operativa.

Le organizzazioni che hanno successo allineano queste prospettive presto e si impegnano in risultati a lungo termine.

La vostra strategia di espansione include Nord America ed Europa. Quali differenze state vedendo nell’adozione dell’AI e nella prontezza aziendale attraverso queste regioni?

La differenza è più una questione di mentalità che di capacità.

Il Nord America dà priorità alla velocità e alla sperimentazione, guidata dalla pressione competitiva.

L’Europa enfatizza la governance e l’AI etica fin dall’inizio. Tuttavia, ciò non significa un’adozione più lenta. Le aziende stanno bilanciando la struttura con l’accelerazione.

Entrambe le regioni stanno convergendo verso un’AI scalabile e responsabile integrata nelle operazioni centrali.

Avete recentemente fondato il CAIO Circle per riunire i leader dell’AI. Quali sono le conversazioni più urgenti che si stanno svolgendo tra i Chief AI Officer, specialmente intorno alla governance e all’etica?

CAIO Circle è stato creato per dare ai leader dell’AI uno spazio per discussioni aperte.

La sfida centrale è bilanciare la velocità con il rischio a lungo termine. La fiducia e la spiegabilità sono preoccupazioni maggiori, specialmente poiché i sistemi AI influenzano decisioni critiche.

La governance sta passando da documenti di politica a pratiche operative incorporate. Allo stesso tempo, molte organizzazioni mancano ancora di modelli di esecuzione per consegnare le loro strategie AI.

Le informazioni più preziose spesso provengono da discussioni tra pari candide piuttosto che da presentazioni formali.

Guardando avanti tre o cinque anni, ci si aspetta che l’AI aziendale si consolidi in piattaforme unificate come la vostra o rimanga un ecosistema frammentato di strumenti e fornitori? Dove si posiziona Polestar Analytics in quel futuro?

La frammentazione probabilmente continuerà. Piattaforme importanti come Databricks, Microsoft, Salesforce e Anaplan rimarranno giocatori centrali.

Cosa le aziende hanno bisogno è di un livello unificante che collega dati, intelligenza e flussi di lavoro in qualcosa di azionabile. È il ruolo che 1Platform è progettata per svolgere.

Il futuro favorirà le piattaforme con profonda esperienza verticale. Le soluzioni orizzontali generiche lottano per differenziarsi.

Il valore reale verrà dalla comprensione dei bisogni specifici del settore e dall’incorporazione dell’intelligenza direttamente nei flussi di lavoro decisionali.

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