Fred Laluyaux, Co-Fondatore e Amministratore Delegato di Aera Technology – Serie di Interviste

Fred Laluyaux, Co-Fondatore, Presidente e Amministratore Delegato di Aera Technology, è un esperto di software aziendale con esperienza pluriennale nella costruzione e gestione di aziende all’intersezione di analisi, automazione e processo decisionale. Prima di fondare Aera, ha ricoperto il ruolo di Amministratore Delegato di Anaplan e ha occupato diverse posizioni dirigenziali di alto livello in SAP, coprendo aree come finanza, gestione delle prestazioni, rischio, vendite e sviluppo aziendale. All’inizio della sua carriera, ha lavorato in posizioni dirigenziali in Business Objects e ALG Software, e ha fondato Transcribe Technologies, accumulando così decenni di esperienza nella gestione di organizzazioni software a livello globale e nel trasformare dati complessi in risultati aziendali.

Aera Technology sviluppa software di intelligenza decisionale guidata da AI progettati per aiutare le grandi aziende a operare con maggiore velocità e precisione. La piattaforma dell’azienda analizza continuamente i dati provenienti da tutta l’organizzazione e dal suo ambiente esterno, trasformando le informazioni in azioni raccomandate e automatizzate in tempo reale. Concentrandosi sulle decisioni piuttosto che sui dashboard, Aera mira a far sì che le organizzazioni passino dall’analisi reattiva a operazioni proattive e continuamente migliorabili.

Ha fondato e diretto diverse aziende di software aziendale, dalle prime fasi di costruzione di Transcribe Technologies alla gestione di Anaplan e alla co-fondazione di Aera Technology. Qual è il problema che ha visto nelle grandi aziende che l’ha convinto che l’intelligenza decisionale doveva esistere come categoria a sé, e perché il 2017 era il momento giusto per costruire Aera?

Ho lavorato su questo problema per oltre un decennio — molto prima che Aera esistesse. Nel 2010, mentre ero in SAP, ho scritto un documento su cosa credevo sarebbe diventata la sfida più grande per le grandi aziende: prendere e eseguire decisioni abbastanza velocemente da stare al passo con la digitalizzazione dell’economia.

Erano in collisione tre forze — volume, complessità e velocità. Le decisioni si spostavano verso un livello di granularità più fine, più vicino al punto di impatto, ma le aziende erano ancora strutturate come piramidi profonde di persone, strumenti e processi che semplicemente non potevano scalare.

La vera domanda divenne: come portare il potere della tecnologia al livello delle transazioni? Non solo informazioni o dashboard, ma macchine che eseguono decisioni, imparano continuamente dalle decisioni prese e con gli esseri umani al controllo.

Per quanto riguarda il 2017, eravamo precoci. Il mercato non era ancora completamente pronto, e neanche noi. Questo è la natura di una startup: si inizia con una visione chiara e si costruisce presto in modo da essere pronti quando il mercato matura. Nel caso di Aera, ci sono voluti alcuni anni. E la COVID-19 non ha aiutato. Ma è stato affascinante vedere come la nostra visione di base sia rimasta vera alla sua formulazione iniziale, mentre sia la piattaforma che il mercato sono evoluti al punto in cui Aera ora guida la categoria dell’intelligenza decisionale e lavora con alcune delle più grandi organizzazioni del mondo.

C’è molto dibattito oggi intorno agli agenti AI, ma lei è stato chiaro che le informazioni sole non sono sufficienti. Come spiega la differenza tra analisi, raccomandazioni AI assistite e vera intelligenza decisionale ai CIO che cercano di tagliare il rumore?

Gli strumenti di analisi e intelligenza aziendale tradizionali ti dicono cosa è successo. L’AI può aiutare a prevedere cosa potrebbe succedere. Le raccomandazioni AI assistite suggeriscono opzioni, ma si affidano ancora agli esseri umani per decidere e agire.

L’intelligenza decisionale va oltre i dashboard statici o le raccomandazioni una tantum. Opera come un ciclo di apprendimento continuo per accelerare e migliorare le decisioni — utilizzando dati, analisi, AI e automazione per valutare compromessi, simulare scenari e eseguire e monitorare azioni in tempo reale, allineate agli obiettivi aziendali.

Mentre l’AI può aiutare i team a prevedere la domanda o ottimizzare i flussi di lavoro, l’intelligenza decisionale determina come agire su quelle informazioni. Bilancia costo, rischio, livelli di servizio e vincoli operativi in tutta l’azienda a livello di scala.

Aera è spesso descritta come abilitante per l’impresa autonoma. In termini pratici, cosa significa questo all’interno di un’organizzazione di grandi dimensioni, e quali decisioni sono realisticamente pronte per questo livello di automazione oggi?

Quando parliamo dell’impresa autonoma, questo non significa autonomia senza controllo. Fin dal primo giorno, la nostra visione è stata quella di passare da persone che prendono e eseguono decisioni supportate da macchine a macchine che eseguono decisioni guidate da persone — con intenti chiari, vincoli e responsabilità.

Nella pratica, Aera opera come un agente decisionale. Continuamente comprende i dati, rileva trigger, valuta compromessi, raccomanda azioni ed esegue decisioni direttamente nei sistemi aziendali. Utilizzando Aera, gli esseri umani non gestiscono i dashboard; governano le decisioni, spesso attraverso un’interazione semplice di accettazione o rifiuto.

Le decisioni pronte per questo livello di automazione oggi sono ad alto volume e ripetibili — riequilibrio degli inventari, priorità degli ordini di acquisto, modifiche dei parametri — dove la velocità conta e la coordinazione manuale crea la maggiore inefficienza.

Ha lavorato a stretto contatto con aziende globali in catena di approvvigionamento, finanza e operazioni. Dove i CIO vedono i ritorni più veloci e più tangibili dall’intelligenza decisionale, sia in termini di capitale di lavoro, livelli di servizio o riduzione degli sprechi?

I CIO vedono i ritorni più veloci e più tangibili dall’intelligenza decisionale dove le decisioni sono ad alto volume, ripetibili e vincolate da costi, capacità o compromessi di servizio. Nella catena di approvvigionamento e nelle operazioni, ciò include spesso il riequilibrio degli inventari, la priorità degli ordini di acquisto e la logistica. Questo è dove l’esecuzione automatizzata a livello di scala guida guadagni misurabili in termini di capitale di lavoro, livelli di servizio e riduzione degli sprechi.

Ad esempio, un’azienda globale di scienze della vita utilizza l’intelligenza decisionale per monitorare continuamente la domanda e regolare gli ordini di acquisto — richiedendo automaticamente la cancellazione o la riduzione del fornitore, convalidando le risposte e confermando le modifiche. Questa capacità sta consegnando oltre milioni di dollari di riduzione degli sprechi annualizzati, riducendo anche i chilometri dei camion e le relative emissioni di gas serra (GHG).

Molte aziende già lottano per operazionalizzare i modelli AI a livello di scala. Quali sono i blocchi più comuni che vede quando le organizzazioni cercano di passare dalla generazione di informazioni all’esecuzione automatizzata delle decisioni?

Le sfide spesso emergono quando i team iniziano sperimentando con strumenti AI autonomi. Potrebbero automatizzare un singolo flusso di lavoro, ma lottano per operazionalizzare le decisioni in modo coerente in tutta l’azienda. Senza una piattaforma decisionale componibile e progettata a questo scopo, questi sforzi sono difficili da governare, scalare o adattare quando le condizioni cambiano.

Un altro blocco comune è la mancanza di chiarezza su dove il processo decisionale si sta rompendo. Le aziende investono in AI e previsione, ma non identificano il motivo per cui gli inventari si accumulano, le previsioni mancano o la logistica sotto-performa. La visibilità frammentata delle decisioni complica il problema.

I team che hanno successo iniziano con un caso d’uso ad alto impatto dove i compromessi sono compresi, costruiscono fiducia attraverso raccomandazioni ed esecuzione e automatizzano gradualmente. Da lì, possono scalare man mano che le decisioni continuano ad adattarsi e migliorare nel tempo.

L’AI agente sta diventando un termine di moda in tutta l’industria. Come vede gli agenti che si adattano alle piattaforme di intelligenza decisionale, e dove ritiene che le aziende debbano essere caute riguardo all’autonomia rispetto alla supervisione umana?

Nell’intelligenza decisionale, gli agenti aggiungono più valore quando sono incorporati in un sistema decisionale supervisionato — non operanti in isolamento. Con la piattaforma Aera Decision Cloud, gli agenti lavorano come team coordinati, ciascuno contribuendo a una specifica capacità: simulazione di scenari; integrazione di segnali in tempo reale; convalida della fattibilità; valutazione dell’impatto finanziario; e esecuzione di azioni — tutte orchestrate intorno a una singola decisione.

Dove le aziende devono essere caute è l’autonomia senza governance. Nella pratica, le decisioni agente sono sempre guidate da persone. I team umani definiscono i parametri e gli obiettivi, monitorano le prestazioni, testano le ipotesi, gestiscono la qualità dei dati da un ambiente di controllo. Il sistema può funzionare continuamente, ma gli esseri umani governano come le decisioni evolvono. Questo equilibrio è ciò che rende l’AI agente scalabile, affidabile e sicura nell’azienda.

La fiducia è critica quando le decisioni influenzano i ricavi, i clienti o la conformità. Come Aera assicura che le decisioni siano spiegabili, verificabili e difendibili, specialmente in ambienti regolamentati?

La fiducia inizia con la trasparenza. Per ogni decisione, Aera cattura il contesto completo — i dati utilizzati, la raccomandazione, la logica dietro di essa, la decisione presa e l’esito. Man mano che il sistema funziona e si aggiorna, monitora e misura gli esiti delle decisioni per continuare a migliorare il processo decisionale.

Chiamiamo questo apprendimento automatico delle decisioni. Sulla base delle prestazioni della decisione, Aera calcola punteggi di confidenza per le raccomandazioni — spiegando le cause radice, i compromessi e l’impatto atteso. Un utente potrebbe vedere una raccomandazione con una chiara razionalizzazione e un livello di confidenza del 92%.

Questo approccio è autonomo ma supervisionato. Attraverso la rete di intelligenza decisionale della piattaforma, che funge da sala di controllo centralizzata, gli utenti hanno visibilità completa sulle decisioni, azioni e risultati. Possono monitorare le prestazioni, testare le ipotesi, gestire la qualità dei dati e regolare la logica nel tempo.

Basandosi sulle sue conversazioni con i CIO, come sta evolvendo il ruolo degli esseri umani man mano che i sistemi di intelligenza decisionale maturano, e quali competenze diventano più importanti man mano che le macchine assumono più decisioni operative?

Man mano che l’intelligenza decisionale matura, il ruolo degli esseri umani non scompare — si sposta nella catena del valore. Stiamo vedendo un passaggio dalle persone che eseguono manualmente le decisioni alle persone che progettano, governano e migliorano le decisioni.

In molte aziende di beni di consumo, i ruoli tradizionali dei pianificatori stanno già evolvendo in analisti decisionali che si concentrano sul monitoraggio degli esiti, sulla comprensione dei compromessi e sul miglioramento della logica decisionale nel tempo. Accanto a loro, gli architetti decisionali definiscono l’intento, i vincoli e le barriere di guardia che guidano come le macchine agiscono.

Le competenze più importanti diventano il giudizio, il pensiero a livello di sistema e la capacità di definire le decisioni giuste. Gli esseri umani rimangono saldamente al controllo, governando come le decisioni vengono prese dalle macchine, ma non ogni azione individuale.

Il primo Magic Quadrant di Gartner per le piattaforme di intelligenza decisionale segnala che questa categoria sta entrando nel mainstream. Quali capacità crede che separeranno i fornitori leader dai ritardatari nei prossimi anni?

Aver essere stato nominato Leader nel primo Magic Quadrant di Gartner per le piattaforme di intelligenza decisionale, vediamo il leadership definito da una forte esecuzione e dalla capacità di consegnare capacità compositive complete e adeguate in tutta la vita del ciclo decisionale. Nella ricerca sulle capacità critiche di Gartner, Aera è stato anche riconosciuto per le sue prestazioni in diversi casi d’uso decisionali chiave — inclusa l’analisi delle decisioni, l’ingegneria delle decisioni, la scienza delle decisioni e la gestione delle decisioni — valutando come le piattaforme possano modellare, operazionalizzare, governare e continuamente migliorare le decisioni a livello di scala aziendale.

Crediamo che i fornitori leader saranno anche distinti dalla loro capacità di integrare tecniche AI avanzate, inclusa l’AI generativa e agente, in sistemi decisionali aziendali supervisionati e pronti per l’uso. Ciò richiede piattaforme progettate a questo scopo che siano componibili, accessibili all’azienda attraverso interfacce a basso codice e linguaggio naturale, e governate a livello di scala per soddisfare i requisiti di sicurezza e normativi. Alla fine, i fornitori più forti incorporeranno l’intelligenza decisionale come un livello operativo che impara e migliora continuamente, non solo un’altra applicazione che i team devono gestire.

Per le organizzazioni che riconoscono il divario tra informazioni e azione, come la piattaforma di Aera aiuta a chiudere quel ciclo in pratica, e cosa si presenta come un primo dispiegamento di successo per un CIO che cerca di guidare un impatto aziendale misurabile?

Chiudere il divario tra informazione e azione inizia con l’operazionalizzazione delle decisioni nelle operazioni quotidiane. La piattaforma di Aera consente ai CIO di trattare le decisioni come processi continui: monitorare gli esiti; testare i compromessi; e migliorare le prestazioni nel tempo. Ciò è spesso ancorato in un centro di eccellenza per le decisioni, virtuale o fisico, dove i team governano e raffinano come le decisioni vengono prese ed eseguite.

Aera unifica dati, analisi, regole aziendali, AI e automazione in una piattaforma componibile unica per alimentare le decisioni che fluiscono dall’informazione all’esecuzione e all’apprendimento. La sua architettura componibile consente all’IT di mantenere la supervisione e la sicurezza, mentre consente ai team aziendali di definire, adattare ed evolvere i flussi decisionali. Man mano che gli esiti vengono catturati, le decisioni continuano a migliorare e liberano i team per concentrarsi sul giudizio, sulla strategia e sulle eccezioni.

Un primo dispiegamento di successo spesso dimostra risultati misurabili su un caso d’uso ad alto impatto delle decisioni in 10-12 settimane, eseguendo e continuamente migliorando le decisioni da un capo all’altro. Ciò crea un modello ripetibile per la scala aziendale.

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