Rajan Sethuraman, CEO di LatentView Analytics – Serie di Interviste

Rajan Sethuraman, CEO di LatentView Analytics, è un dirigente esperto con una carriera che abbraccia consulenza, leadership del talento e trasformazione aziendale, con ruoli di leadership in Accenture e KPMG prima di unirsi a LatentView. La sua progressione da Chief People Officer a CEO riflette una forte enfasi sullo sviluppo del talento, la progettazione organizzativa e i modelli operativi scalabili, che ora plasmano il suo approccio all’AI e all’analisi. Con una profonda esperienza nel reclutamento, apprendimento e strategia aziendale, ha costantemente concentrato l’attenzione sull’allineamento delle persone, della cultura e della tecnologia per guidare risultati misurabili, culminando nel guidare LatentView attraverso il suo IPO e l’espansione globale, posizionando l’AI come una capacità aziendale piuttosto che come una funzione autonoma.

LatentView Analytics è una società globale di analisi dei dati e trasformazione digitale che aiuta le imprese a sfruttare i dati, l’intelligenza artificiale e l’analisi avanzata per migliorare la presa di decisioni e guidare la crescita. La società fornisce servizi come ingegneria dei dati, analisi predittive e consulenza guidata dall’AI in vari settori, tra cui servizi finanziari, retail e tecnologia, lavorando con clienti Fortune 500 in tutto il mondo. Il suo valore fondamentale risiede nel trasformare i dati grezzi in informazioni azionabili che consentono alle aziende di ottimizzare le operazioni, anticipare le tendenze e creare un vantaggio competitivo in un’economia sempre più complessa.

Ha iniziato la sua carriera nella consulenza e nella leadership del talento in Accenture e KPMG prima di diventare CEO di LatentView Analytics, dove ha guidato l’azienda attraverso il suo IPO e il primo acquisto. Come ha influenzato la sua esperienza nello sviluppo del talento e nella strategia organizzativa il modo in cui scala l’AI e l’analisi oggi?

La mia carriera iniziale si è concentrata molto sul talento, lo sviluppo della leadership e la costruzione di organizzazioni in grado di scalare. Quell’esperienza continua a plasmare il mio modo di pensare all’AI oggi. La tecnologia da sola non scala un’organizzazione. Ciò che conta è come i team la adottano, come i leader si allineano intorno ad essa e come chiaramente il problema aziendale è definito. In LatentView, dedichiamo molto tempo ad aiutare le organizzazioni a costruire il modello operativo, le competenze e la cultura necessarie per trasformare l’analisi e l’AI in processi decisionali quotidiani.

Per questo, tendo a pensare all’AI attraverso la lente della prontezza organizzativa. Scalare l’AI richiede una forte competenza di dominio, fondamenta di dati e team che possano tradurre le informazioni in azione. Il mio focus è sempre stato sulla costruzione di quelle capacità insieme, piuttosto che trattare l’AI come una capacità isolata.

Ha parlato di minimalismo AI — priorità alla chiarezza, alla curiosità e alla cultura rispetto all’inseguimento di ogni nuova tendenza GenAI. Come si presenta il minimalismo AI nella pratica per i leader aziendali?

Il minimalismo AI inizia con il focus. I leader aziendali non devono perseguire ogni nuovo modello o capacità che appare. Devono avere un numero limitato di problemi significativi in cui l’AI possa migliorare le decisioni o la produttività in modo misurabile. Potrebbe trattarsi di decisioni sui prezzi, pianificazione della catena di approvvigionamento o di come la conoscenza si muove all’interno dell’organizzazione. Partire da un problema ben definito aiuta i team a costruire la fiducia e a imparare cosa significhi una scalabilità responsabile.

Significa anche integrare l’AI nei flussi di lavoro reali invece di trattarla come un esperimento isolato. Quando i team vedono la tecnologia aiutare a risolvere problemi quotidiani, l’adozione tende a crescere naturalmente. La curiosità e la sperimentazione sono ancora importanti, ma funzionano meglio quando sono ancorate a un senso di scopo chiaro.

Molte organizzazioni si affrettano a entrare nell’AI generativa senza rafforzare le loro fondamenta di dati per prima. Quali sono i segnali di allarme che un’azienda sta costruendo su un terreno instabile?

Una cosa che noto spesso è quando la conversazione sull’AI si muove molto più velocemente della conversazione sui dati. Se i leader parlano di copiloti e modelli generativi ma c’è ancora confusione su dove vivono i dati chiave, chi li possiede o quali metriche l’azienda si fida realmente, è solitamente un segno che la fondazione non è ancora pronta. I sistemi AI dipendono fortemente da dati affidabili e ben governati. Senza di questo, diventa difficile per le persone fidarsi dei risultati.

Dal momento in cui è diventato CEO, ha guidato un impatto misurabile per i clienti globali. Quali sono le differenze tra le aziende che operazionalizzano con successo l’AI e quelle che rimangono bloccate nella modalità di prova?

Le aziende che scalano con successo l’AI la trattano come una disciplina operativa, non come un progetto di innovazione laterale. Assegnano la proprietà esecutiva, collegano i casi d’uso ai risultati aziendali misurabili e progettano per l’integrazione fin dall’inizio. Investono anche nel lavoro meno glamour, come pipeline di dati, governance, progettazione dei processi e adozione degli utenti. Questo è solitamente la differenza tra un progetto pilota che attira l’attenzione e una capacità che cambia realmente il modo in cui vengono prese le decisioni.

In LatentView, abbiamo visto che le aziende si muovono più velocemente quando ancorano l’AI a un problema aziendale che già conta per l’impresa, come migliorare la precisione della pianificazione, i risultati dell’inventario o la visibilità dei fornitori. L’AI legata a metriche che l’azienda già cura ha molte più possibilità di essere finanziata, governata e adottata su larga scala.

Come si avvicina alla scalabilità dell’AI in modo responsabile in un’organizzazione grande, mantenendo la governance, la sicurezza e la responsabilità?

La scalabilità responsabile inizia con il riconoscimento che le decisioni AI alla fine influenzano clienti, dipendenti e risultati aziendali reali. Ciò significa che la governance non può essere un pensiero successivo. Le organizzazioni necessitano di politiche chiare sull’accesso ai dati, sulla supervisione dei modelli e sul monitoraggio una volta che i sistemi sono in produzione.

Nella pratica, i modelli di governance più efficaci sono cross-funzionali. I leader aziendali, i team tecnologici e i gruppi di rischio o conformità devono tutti essere coinvolti. I sistemi AI beneficiano anche della trasparenza su come vengono generate le uscite e dove il giudizio umano rimane essenziale. Con le barriere di protezione stabilite precocemente, le organizzazioni possono espandere l’adozione mantenendo la fiducia.

LatentView lavora con aziende a livelli di maturità digitale molto diversi. Come differisce la sua strategia AI quando consiglia un’azienda rispetto a una che è ancora all’inizio del suo percorso di analisi?

Con un’azienda, la conversazione è solitamente sull’accelerazione. Hanno già asset di dati significativi, quindi ci concentriamo sulla priorità dei casi d’uso ad alto valore, sul miglioramento dell’accessibilità e sull’integrazione dell’AI nei flussi di lavoro in cui l’azienda può agire rapidamente. Potrebbe trattarsi di recupero della conoscenza aziendale, pianificazione connessa della catena di approvvigionamento o modelli specifici del dominio che migliorano la velocità decisionale attraverso le funzioni.

Per le aziende che sono ancora all’inizio del loro percorso, il punto di partenza è diverso. Trascorriamo più tempo sulla preparazione dei dati, sulla governance, sulla modernizzazione della business intelligence e sulla costruzione delle capacità in modo che l’azienda possa sostenere l’AI in modo sostenibile. In quelle situazioni, la valutazione della maturità e la sequenza contano molto. Non si vuole promettere un futuro agente a un’azienda che ancora manca di dati affidabili, KPI comuni o allineamento esecutivo sul problema che si sta cercando di risolvere.

Considerando la sua profonda esperienza nell’acquisizione e nello sviluppo del talento, quali competenze le aziende dovrebbero priorizzare nello sviluppo interno nell’era dell’AI rispetto all’assunzione esterna?

Internamente, credo che le aziende dovrebbero concentrarsi sullo sviluppo di una literacy ampia sull’AI e sui dati. Non tutti devono diventare scienziati dei dati, ma le persone in tutta l’azienda dovrebbero dare priorità alle decisioni basate sulle informazioni, fare domande migliori e utilizzare gli strumenti AI nel loro flusso di lavoro quotidiano. Quando questa pratica si diffonde attraverso i team, diventa molto più facile identificare dove l’AI possa realmente aiutare e dove probabilmente non dovrebbe essere utilizzata.

Esternamente, le assunzioni tendono a essere più specializzate. Competenze come l’ingegneria dei dati, l’architettura del machine learning e la governance dell’AI richiedono un’esperienza approfondita che le organizzazioni potrebbero non avere sempre in-house. Le aziende che fanno questo bene solitamente combinano quegli specialisti con team aziendali che comprendono il contesto e le decisioni che devono migliorare.

La resistenza culturale spesso rallenta la trasformazione. Quali comportamenti di leadership ha trovato più efficaci nel costruire la fiducia e il momentum intorno all’adozione dell’AI?

Una comunicazione chiara da parte della leadership fa una grande differenza. I dipendenti vogliono capire perché vengono introdotte nuove tecnologie e come si collegano alla strategia aziendale. Spiegare lo scopo dietro le iniziative AI e legarle a obiettivi aziendali reali aiuta a costruire la fiducia in tutta l’organizzazione.

L’apprendimento è altrettanto importante. L’automazione e l’AI stanno già ridisegnando molti ruoli, quindi le aziende devono sostenere attivamente i dipendenti nello sviluppo di nuove capacità. Le persone si impegnano molto di più con il cambiamento quando vedono reali opportunità di costruire nuove competenze e crescere insieme alla tecnologia.

Man mano che l’AI si integra nei processi decisionali, come i consigli di amministrazione e i team esecutivi dovrebbero ripensare le metriche di performance e la responsabilità?

L’AI cambia il modo in cui vengono prese le decisioni, quindi i team di leadership devono guardare oltre le metriche di progetto tradizionali. La vera domanda diventa se l’AI sta migliorando la qualità e la velocità delle decisioni in aree che contano per l’azienda. Potrebbe trattarsi di previsioni della domanda più accurate, decisioni sui prezzi più precise o risposte più rapide ai cambiamenti del mercato.

Se quei risultati stanno migliorando, l’AI sta facendo il suo lavoro. Le prestazioni dell’AI non possono stare in un cruscotto separato dalle prestazioni aziendali per molto tempo.

La responsabilità deve anche essere più chiara. Qualcuno possiede ancora i dati, qualcuno è responsabile del monitoraggio dei modelli in produzione e qualcuno prende eventualmente la decisione. L’AI può supportare quelle decisioni, ma la governance e la supervisione rimangono essenziali.

Negli prossimi tre o cinque anni, quali saranno i cambiamenti più importanti nell’adozione dell’AI aziendale — e cosa dovrebbero iniziare a fare i leader per rimanere avanti?

Negli prossimi anni, l’AI inizierà a mostrarsi molto di più all’interno delle decisioni aziendali quotidiane. Molte aziende hanno trascorso del tempo sperimentando progetti pilota e concetti. Il prossimo passo è assicurarsi che quelle capacità sostengano realmente il modo in cui i team pianificano, prevedono la domanda, gestiscono le catene di approvvigionamento o prendono decisioni di marketing.

Il lavoro evolverà man mano che l’AI diventerà più capace. Mentre i compiti routinari diventano più automatizzati, i ruoli si sposteranno verso la guida, l’interpretazione e il lavoro insieme ai sistemi AI. Le organizzazioni che rafforzano le loro fondamenta di dati e aiutano i dipendenti a costruire quelle capacità si adatteranno molto più facilmente man mano che l’AI diventa parte delle operazioni quotidiane.

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