Amit Sharma, CEO en oprichter van CData – Interviewreeks

Amit Sharma, CEO en oprichter van CData Software, is een technisch directeur die CData heeft geleid van een vroege startupfase tot een wereldleider in gegevensconnectiviteit en -integratie. Met een carrière die rollen omvat als software-engineer bij Infosys en Elixar, technisch architect bij /n Software, en later CTO bij CData, heeft hij diepe expertise opgebouwd in ondernemingsgegevenstoegang en -infrastructuur. Sinds hij in 2014 CEO werd, heeft hij de missie van CData geleid om de manier waarop organisaties gegevens verbinden, integreren en gebruiken over systemen heen te vereenvoudigen, waardoor het bedrijf een fundamentale laag van de moderne gegevenstoegang is geworden.

CData Software is een toonaangevende leverancier van gegevenstoegangs- en connectiviteitsoplossingen. De zelfbedieningsgegevensproducten en connectiviteitsplatforms van het bedrijf bieden universele toegang tot live gegevens over honderden veelgebruikte on-premises- en cloudtoepassingen. Miljoenen gebruikers wereldwijd vertrouwen op CData om geavanceerde analytics te ondersteunen, cloudadoptie te versnellen en meer verbonden, gegevensgestuurde organisaties op te bouwen. Ontworpen om toegankelijk te zijn voor elke gebruiker, binnen elke toepassing en schaalbaar voor ondernemingen van elke omvang, redefineert CData de manier waarop bedrijven toegang hebben tot en gebruikmaken van gegevens.

U bent uw carrière begonnen in India bij Infosys en bent later overgestapt naar Amerikaanse ondernemingssoftware. Wat is de belangrijkste les uit die fase die nog steeds uw leiderschap vormt?

Mijn tijd bij Infosys gaf me vroeg inzicht in de eisen van grote ondernemings technologie — de complexiteit, de behoefte aan betrouwbaarheid en hoe grote organisaties technische problemen aanpakken. Dat vormde een diepe respect voor structuur en ondernemingsklasse kwaliteit. Maar toen ik overstapte naar een Amerikaanse startup, ontdekte ik dat ik floreerde op snelheid, flexibiliteit en de mogelijkheid om directe impact te maken. Vandaag leidt die dubbele achtergrond de manier waarop ik CData Software leid: ik dring aan op ondernemingsklasse standaarden en robuustheid, terwijl ik een lean, snel bewegende cultuur bevorder die eenvoud, real-world bruikbaarheid en snelle uitvoering waardeert.

Na meer dan een decennium als CEO van CData, wat was de belangrijkste verschuiving in mentaliteit of aanpak die nodig was om het bedrijf van zijn vroege dagen tot een wereldwijd bedrijf te laten groeien?

De grootste verschuiving voor mij was het verschil tussen denken als een technologiebouwer en denken als een organisatiebouwer. In de vroege dagen was mijn focus bijna volledig op het product; ervoor zorgen dat het elegant, betrouwbaar en echte problemen oploste. Toen CData groeide, moest ik leren dat geweldige software alleen niet genoeg is; je hebt ook geweldige mensen, sterke leiders en processen nodig die schaalbaar zijn zonder je te vertragen. Dat betekende eerder investeren in het aannemen van mensen, teams empoweren en herhaalbare systemen opzetten over verkoop, ondersteuning en operaties, terwijl ik onze ingenieurscultuur beschermden. De mentaliteitsverschuiving was het realiseren dat mijn taak niet alleen was om geweldige technologie te maken, maar om een omgeving te creëren waarin geweldige technologie consistent door een groeiend wereldwijd team kon worden gebouwd.

CData heeft zich altijd gericht op “het vereenvoudigen van de toegang tot elke gegeven, overal”. Hoe is die missie geëvolueerd nu de industrie dieper in AI-natieve toepassingen gaat?

Vanaf het begin was onze missie bij CData om universele toegang tot gegevens te bieden met vertrouwde, gestandaardiseerde interfaces, omdat we geloofden dat de grootste bottleneck voor innovatie niet opslag of berekening was, maar toegang. Die kernidee is niet veranderd, maar de context wel. Toen organisaties van analytics naar cloud en nu naar AI gingen, is de kosten van gefragmenteerde, inconsistente gegevenstoegang alleen maar toegenomen. Wat is geëvolueerd, is onze verantwoordelijkheid: het is niet langer alleen maar over het verbinden van toepassingen met gegevens, maar over het ervoor zorgen dat gegevens betrouwbaar, real-time en bruikbaar zijn over steeds complexere en gedistribueerde omgevingen. In de AI-tijdperk is toegang alleen niet genoeg. Gegevens moeten onmiddellijk bruikbaar zijn zonder weken van aangepaste engineering.

Terwijl AI-natieve toepassingen de norm worden, is onze missie uitgebreid om gegevens AI-klaar te maken. Dat betekent het mogelijk maken van consistente semantiek, hoge prestatieconnectiviteit, governance-gevoelige toegang en real-time integratie over gestructureerde en SaaS-gegevensbronnen, zodat modellen en agenten kunnen werken met verse, betrouwbare informatie, niet met broze puntintegraties of verouderde kopieën. In praktische zin zijn we gericht op het elimineren van de wrijving tussen waar gegevens leven en waar AI-systemen opereren, zodat teams sneller van experimenten naar productie kunnen gaan. We zien onszelf niet alleen als een connectiviteitsprovider, maar als een fundamentale datalaag voor AI-gedreven ondernemingen die stilzwijgend de systemen aandrijven die intelligente toepassingen mogelijk maken.

Met generatieve AI die versnelt, wat betekent “AI-klaar gegevens” voor u, en waar zien organisaties deze idee het meest verkeerd interpreteren?

Voor mij betekent “AI-klaar gegevens” dat gegevens toegankelijk, betrouwbaar, actueel en begrijpelijk zijn voor zowel mensen als machines zonder lagen van aangepaste leidingen. Het gaat niet alleen over het verplaatsen van gegevens naar een meer of een magazijn. Het gaat over het ervoor zorgen dat systemen, modellen en agenten consistent toegang hebben tot de juiste gegevens op het juiste moment via gestandaardiseerde, beheerde interfaces. AI-klaarheid hangt minder af van waar gegevens zijn opgeslagen en meer van of ze kunnen worden ontdekt, bevraagd, vertrouwd en geïntegreerd in real-time. Zonder die basis, werken zelfs de meest geavanceerde modellen met onvolledige of verouderde informatie.

Waar ik zie dat organisaties het concept verkeerd interpreteren, is door aan te nemen dat centralisatie automatisch klaarheid betekent. Teams geloven vaak dat zodra gegevens zijn geconsolideerd in een enkel platform, ze “AI-klaar” zijn, wanneer in werkelijkheid ze alleen maar een nieuwe silo hebben gecreëerd. Anderen investeren te veel in tooling zonder gegevenskwaliteit, semantiek en connectiviteit aan te pakken, de onopvallende problemen die echte AI-systemen maken of breken. AI faalt niet vanwege modellen; het faalt vanwege rommelige, ontoegankelijke of verouderde gegevens. De organisaties die zullen winnen, zijn degenen die gegevensklaarheid behandelen als operationele discipline, niet als een eenmalige migratieproject.

Uw nieuw onderzoek, De staat van AI-gegevensconnectiviteit: 2026 Outlook, toont aan dat slechts 6% van de AI-leiders geloven dat hun gegevensinfrastructuur volledig klaar is voor AI. Waarom denkt u dat de klaarheidskloof zo groot is, en wat zegt dit over de huidige richting van de industrie?

De kloof is zo groot omdat de meeste organisaties hebben geïnvesteerd in het verzamelen en opslaan van gegevens lang voordat ze hebben geïnvesteerd in het maken van die gegevens bruikbaar voor AI. In de afgelopen decennium hebben bedrijven meren, magazijnen en pijpleidingen gebouwd, maar ze hebben zelden een samenhangende toegangslaag gebouwd die ervoor zorgt dat gegevens consistent, real-time en beschikbaar zijn over systemen heen. Als gevolg daarvan ontdekken leiders dat, zodra ze beginnen met het implementeren van AI in echte workflows, hun onderliggende infrastructuur de snelheid, schaal en betrouwbaarheid die AI vereist, niet kan ondersteunen. Het cijfer van 6% weerspiegelt niet een gebrek aan ambitie, maar eerder de realiteit dat AI zwakheden blootlegt die er altijd al waren, maar minder belangrijk waren in traditionele analytics.

Wat de gegevens ons vertellen over de industrie is dat we vroeg zijn in de AI-adoptiecurve, niet laat. Organisaties experimenteren agressief op het toepassingsniveau, maar ze realiseren zich nu dat succes afhankelijk is van het moderniseren van hun gegevensbasis. We gaan een correctiefase in waarin de focus verschuift van flashy pilots naar operationele klaarheid — gestandaardiseerde toegang, beheerde integratie en real-time connectiviteit. De winnaars zullen niet de bedrijven zijn die de meeste proofs of concept bouwen, maar degenen die hun gegevensinfrastructuur snel genoeg moderniseren om die experimenten op grote schaal in productie te brengen.

De bevindingen laten ook zien dat 71% van de AI-teams meer dan een kwart van hun tijd besteedt aan gegevensleiding. Wat is volgens u het strategische deel van dit werk, in plaats van alleen maar technische schuld?

Een deel van de “gegevensleiding” is absoluut strategisch wanneer het gaat om het creëren van duurzame toegang tot gegevens via gestandaardiseerde interfaces en het ontwerpen voor schaalbaarheid en governance vanaf het begin. Investeringen in consistente connectiviteit, gedeelde semantiek en betrouwbare integratiepatronen zijn fundamentelere werken die dividenden opleveren over elke toepassing en model die later komt. Het probleem is dat de meeste teams deze soort leiding niet doen. Ze bouwen eenmalige pijpleidingen, schrijven broze connectors en patchen integraties die alleen een probleem één keer oplossen. Dat is technische schuld vermomd als vooruitgang.

Wat strategisch is, is alles wat toekomstige wrijving vermindert: het elimineren van aangepaste code ten gunste van standaarden, het bouwen van herbruikbare gegevensdiensten en het verbinden van systemen op een manier die schaalbaar is over teams en use-cases heen. Wanneer leiding onzichtbaar en herhaalbaar wordt, houdt het op een belasting voor AI-teams te zijn en wordt het een enableer. Het echte doel is niet om minder tijd aan gegevens te besteden. Het is om te stoppen met het besteden van tijd aan dezelfde gegevensproblemen telkens opnieuw.

Een opvallend gegevenspunt uit het rapport is dat 46% van de ondernemingen nu real-time toegang tot zes of meer gegevensbronnen vereist voor één AI-use-case. Komt dit overeen met wat u ziet bij klanten, en wat maakt deze niveau van connectiviteit zo moeilijk?

Ja, dat komt overeen met wat we zien bij klanten. Moderne AI-use-cases, of het nu gaat om predictieve analytics, aanbevelingsengines of autonome workflows, vertrouwen zelden op één enkel systeem. Ondernemingen hebben vaak ERP, CRM, SaaS-apps, streamingplatforms en legacy-databases nodig om combinaties te maken om betekenisvolle inzichten te genereren. De uitdaging is niet alleen het aantal bronnen; het is de variëteit, verschillende protocollen, formaten en updatefrequenties, en de verwachting dat deze gegevens in real-time beschikbaar zijn voor AI-modellen om te consumeren.

Wat deze niveau van connectiviteit moeilijk maakt, is dat traditionele integratiebenaderingen nooit zijn ontworpen voor de schaal, snelheid en betrouwbaarheid die AI vereist. One-off connectors en batchpijpleidingen kunnen simpelweg niet bijhouden. Echte real-time toegang vereist gestandaardiseerde, beheerde interfaces, consistente semantiek over systemen heen en monitoring om gegevenskwaliteit en -beschikbaarheid te garanderen. Zonder die basis spenderen teams meer tijd aan het bestrijden van pijpleidingen dan aan het bouwen van AI-oplossingen, wat innovatie vertraagt en risico introduceert. De organisaties die slagen, zijn degenen die connectiviteit behandelen als een strategische capaciteit, niet alleen als een technische klus.

Het rapport benadrukt semantische consistentie, context en connectiviteit als kenmerken van een volwassen AI-gegevensinfrastructuur. Hoe moeten organisaties deze prioriteiten sequencen?

Wanneer organisaties nadenken over sequencen, moeten ze beginnen met connectiviteit. Als gegevens niet betrouwbaar toegankelijk zijn over systemen heen, wordt alles anders irrelevant. AI-modellen kunnen niet leren van wat ze niet kunnen bereiken. Het opzetten van gestandaardiseerde, beheerde verbindingen over alle kritieke gegevensbronnen legt de basis voor alles wat volgt. Zonder die laag eindigen teams met fragiele, one-off pijpleidingen die meer werk creëren in de toekomst.

Als connectiviteit eenmaal is ingesteld, wordt semantische consistentie de volgende prioriteit. Gegevens moeten een gemeenschappelijke taal hebben zodat informatie van meerdere bronnen correct kan worden geïnterpreteerd en op een betekenisvolle manier kan worden gecombineerd. Context volgt natuurlijk: het begrijpen van de waarden en hun betekenis binnen het bedrijfsproces, timing en relaties zorgt ervoor dat AI-modellen accurate, actiegerichte voorspellingen kunnen doen. Het behandelen van deze elementen als een gestructureerde sequentie — connectiviteit eerst, semantiek tweede, context derde — stelt organisaties in staat om een AI-klaar gegevensinfrastructuur te bouwen die schaalbaar is en betrouwbare, productieklare intelligentie ondersteunt.

AI-natieve softwareleveranciers vereisen nu ongeveer drie keer meer externe integraties dan traditionele leveranciers. Wat drijft deze groeiende kloof, en wat onthult dit over de richting waarin software gaat?
De groeiende kloof wordt gedreven door de aard van AI zelf: AI-natieve toepassingen gedijen op diverse, real-time gegevens van meerdere bronnen. In tegenstelling tot traditionele software, die vaak binnen één systeem of suite werkt, hebben AI-modellen gegevens nodig van ERP-systemen, CRM-platforms, SaaS-apps, streamingbronnen en meer. Elke integratie is essentieel om de AI voldoende context en dekking te geven om accurate voorspellingen, aanbevelingen of geautomatiseerde acties te genereren.

Deze trend onthult dat software zich ontwikkelt van geïsoleerde toepassingen naar verbonden, intelligente ecosystemen. De winnaars zullen niet de producten zijn die goed werken op zichzelf. Ze zullen de platforms zijn die gegevens kunnen benaderen en integreren waar ze ook leven. In praktische zin betekent dit dat connectiviteit, standaardisatie en real-time integratie geen nice-to-haves meer zijn. Ze zijn fundamentelere capaciteiten voor AI-natieve software om echte waarde te bieden.

Als we vooruitkijken naar de komende vijf jaar, wat denkt u dat de grootste bottleneck voor AI-succes zal worden — connectiviteit, real-time pijpleidingen, semantische modellering, governance of iets anders?

Als we vooruitkijken, denk ik dat governance en security de grootste bottleneck voor AI-succes zullen worden. Terwijl connectiviteit en real-time pijpleidingen nog steeds fundamenteler zijn — AI-modellen kunnen alleen zo effectief zijn als de gegevens die ze kunnen bereiken — realiseren organisaties zich snel dat onbeheerde AI onhoudbaar en potentieel gevaarlijk is. Terwijl AI van experimenten naar productie gaat en begint invloed te hebben op kritieke bedrijfsbeslissingen, nemen de risico’s van bias, naleving, gegevenslekkage en operationele fouten exponentieel toe.

De uitdaging is niet langer alleen over het verplaatsen van gegevens; het is over het verplaatsen van de juiste gegevens, met de juiste controles, naar de juiste systemen, op een traceerbare en auditeerbare manier. Organisaties die falen om sterke governancekaders en beveiligingsprotocollen vanaf het begin in te bedden, zullen te maken krijgen met toenemende reguleringsdruk, reputatierisico en uiteindelijk AI-systemen die ze niet kunnen vertrouwen of schalen. We zien al vroege tekenen: bedrijven die aarzelen om AI te implementeren omdat ze geen gegevensafkomst, toegangscontrole of naleving van evoluerende regelgeving kunnen garanderen.

De meest succesvolle organisaties over vijf jaar zullen degenen zijn die governance en security niet als naspeuringen behandelen, maar als core-enableurs van AI. Ja, je hebt connectiviteit en real-time pijpleidingen nodig om gegevens te laten stromen — maar zonder governance en security in plaats, worden die gegevens een aansprakelijkheid in plaats van een activum. De toekomst van AI is niet alleen over snelheid of schaal; het is over vertrouwen, verantwoordelijkheid en verantwoorde implementatie op elk niveau van de gegevensstack. Thank you for the great interview, readers who wish to learn more should visit CData Software.