Chetan Alsisaria, CEO en mede-oprichter, Polestar Analytics – Interviewserie

Chetan Alsisaria, CEO en mede-oprichter is een leider in enterprise-technologie die gespecialiseerd is in data, analytics en AI-gedreven transformatie. Na eerder te hebben gewerkt bij Deloitte, PwC en EY, richtte hij in 2012 Polestar Analytics op en heeft het sindsdien uitgebreid tot een wereldwijd AI- en databedrijf. Hij leidt de verkoop, strategische allianties, dienstontwikkeling en technische levering, en fungeert ook als voorzitter van CAIO Circle, een gemeenschap voor AI-leiders die zich richten op het bevorderen van verantwoorde en praktische AI-adoptie. Bovendien was hij mede-oprichter van Xumane Equity, wat zijn bredere focus op innovatie in enterprise-systemen en -platforms weerspiegelt.

Polestar Analytics is een wereldwijd AI- en dataconvergentiebedrijf dat ondernemingen helpt om gefragmenteerde data om te zetten in actiegerichte inzichten met behulp van hun eigen 1Platform. Door data-engineering, analytics, AI en bedrijfsprocessen te verenigen in een enkel ecosysteem, stelt het bedrijf ondernemingen in staat om besluitvorming te verbeteren, operaties te optimaliseren en AI-adoptie te schalen. Met een sterke focus op branche-specifieke use cases en meetbare resultaten is Polestar geëvolueerd van een consulting-gedreven bedrijf naar een platform-gedreven bedrijf dat vereenvoudigde, intelligentie-gedreven oplossingen levert op ondernemingsniveau.

U bent in 2012 mede-oprichter van Polestar Analytics geworden, na eerder te hebben gewerkt bij Deloitte, PwC en EY. Wat was de lacune in enterprise-data en -analytics die u toen zag, en hoe is die oorspronkelijke visie geëvolueerd naar het huidige AI-gedreven 1Platform?

U weet, toen Ajay, Amit en ik Polestar Analytics in 2012 oprichtten, was de ironie frappant; bedrijven verdronken in data, maar hadden honger naar beslissingen. Iedereen verzamelde alles, maar de kloof tussen het hebben van data en iets zinnigs doen met die data was enorm. Dat is het probleem dat we wilden oplossen.

Vooruitkijkend naar vandaag, en eerlijk gezegd, het probleem is niet weggegaan, het is alleen van vorm veranderd. Het volume is groter, de inzet is hoger, en nu heb je agents in de mix naast mensen die zin moeten geven aan alles. Dat heeft onze oorspronkelijke visie eigenlijk duidelijker gemaakt, niet minder duidelijk.

Ons motto, Data to Outcomes, Simplified!, is eigenlijk de draad die 2012 met vandaag verbindt. We begonnen met data-levering; ervoor zorgen dat de juiste data bij de juiste mensen op het juiste moment kwam. Toen kwam AI en versterkte wat mogelijk was. Nu met 1Platform gaan we verder; we vereenvoudigen en maximaliseren resultaten niet alleen voor mensen, maar ook voor de agents die steeds vaker beslissingen nemen of informeren.

Wat spannend is, is hoe ons ecosysteem is gerijpt om dit te ondersteunen. Onze diepe integraties met Microsoft, Databricks en Anaplan helpen om data, bedrijfsuse cases en planning samen te brengen. En 1Platform zit overal, native in deze omgevingen, niet erop gebouwd.

Dus, de evolutie ziet er zo uit: data-levering → AI-versterkte inzichten → vereenvoudigde, agent-klare resultaten. De zoektocht naar excellentie is hetzelfde. De snelheid waarmee we daar kunnen komen is wat exponentieel is veranderd.

Polestar Analytics profileert zich als een data- en AI-convergentiebedrijf. Wat ziet convergentie er in de praktijk uit voor grote ondernemingen die te maken hebben met gefragmenteerde systemen en gesiloede data?

Meestal is fragmentatie geen technisch probleem, het is een mensen- en procesprobleem. Het is alsof u een financiële afdeling heeft die op Anaplan draait, een operationele afdeling die in Excel leeft, een data-engineeringteam dat pipelines op Azure bouwt, en iedereen trekt in verschillende richtingen met verschillende definities van dezelfde metric. Geen enkele hoeveelheid AI lost een vertrouwensprobleem op als de basis gebroken is.

Dus, als we het over convergentie hebben, bedoelen we dat we die basis eerst oplossen. Voordat u intelligentie op de top kunt leggen, moet u data hebben die schoon, beheerd en kritisch toegankelijk is. Niet alleen voor uw analisten, maar steeds vaker ook voor uw agents.

In de praktijk ziet convergentie met 1Platform er zo uit: we zijn niet bezig met het vervangen van wat ondernemingen hebben gebouwd. We gaan native in de omgevingen waarin ze al werken, zoals Databricks, Microsoft en Anaplan, en we naaien de data- en intelligentielaag over hen heen. Uw planningsdata in Anaplan praat met uw operationele data in Databricks, en uw Microsoft-ecosysteem is waar beslissingen daadwerkelijk naar boven komen voor mensen en agents om op te handelen.

De magie zit niet in een van die integraties. Het zit in de verbindende laag van 1Platform die alles laat voelen als één coherent systeem in plaats van losse tools. Dat is wat convergentie in de praktijk betekent, een bewuste vereenvoudiging totdat de complexiteit onzichtbaar wordt voor het bedrijf.

Uw eigen 1Platform heeft als doel data, AI en workflows te verenigen in één systeem. Hoe verschilt deze aanpak van traditionele BI-stacks of moderne data-platforms zoals Databricks of Snowflake?

Databricks en Snowflake zijn krachtige platforms, we concurreren niet met hen, we zijn erop gebouwd. Dat onderscheid is belangrijk. Databricks geeft u infrastructuur en compute. We zitten bovenop dat en stellen een andere vraag: en nu?

Traditionele BI-stacks kregen veel dingen goed voor hun tijd, maar business intelligence is geëvolueerd. Tegenwoordig hebben business-gebruikers meer nodig dan dashboards. U kunt een prachtig ontworpen dashboard hebben met vijftien grafieken, en iemand moet nog steeds interpreteren wat het betekent en beslissen wat te doen. Die kloof tussen inzicht en actie is precies waar 1Platform werkt.

1Platform is niet statisch, het evolueert continu. Het beantwoordt niet alleen de vragen die u stelt; het brengt vragen naar boven die u niet eens dacht te stellen. Dat verandert de relatie tussen business-gebruikers en hun data.

We hebben low-code- en no-code-interfaces bovenop Databricks en Azure gebouwd die het mogelijk maken om pipelines in seconden op te zetten. Taken die eerder dagen duurden voor data-engineers, kunnen nu worden geactiveerd door business-gebruikers. Bovenop dat alles maakt Agenthood AI het mogelijk voor gebruikers om agents te creëren en te orkestreren via eenvoudige drag-and-drop-interfaces zonder diepe technische expertise.

Maar het echte verschil zit in de eindgebruikerservaring. In plaats van tussen meerdere dashboards te springen, ontvangen gebruikers natuurlijke taalinzichten, contextuele aanbevelingen en agent-gedreven verhalen. KPI’s zitten niet alleen op een scherm; agents monitoren ze actief, markeren wat belangrijk is en leggen uit waarom. De differentiatie zit niet in het data-platform zelf, maar in alles wat gebeurt nadat de data klaar is.

Veel ondernemingen zitten vast in wat vaak AI-pilot-hel wordt genoemd. Wat zijn de grootste structurele of organisatorische barrières die voorkomen dat AI op grote schaal in productie gaat?

Ik noem het de pilot-begraafplaats, omdat de meeste projecten niet alleen stil komen te staan, maar stilzwijgend sterven. De grootste barrières zijn niet technisch, ze zijn organisatorisch. Mensen, processen en data.

Change management wordt consequent onderschat. Wanneer u ontwerpt hoe mensen werken, daagt u uit hoe ze waarde afleiden. Organisaties die slagen zijn die waarin leiderschap AI-vaardigheid zichtbaar belangrijk maakt. Wanneer upskilling wordt beloond en procesherontwerp structureel wordt ondersteund, versnelt adoptie.

Dan is er het J-curve-probleem. AI-investeringen dalen vaak voordat ze stijgen. Veel organisaties verwachten ROI binnen 90 dagen, zien dat niet en geven de moeite op. Degene die slagen, committeren zich aan de volledige curve.

Data-klaarheid is een andere kritieke factor. Slechte data leidt tot vertrouwenwekkend verkeerde beslissingen. Totdat de data-basis vertrouwd is, wordt AI op grote schaal een aansprakelijkheid in plaats van een activum.

Tenslotte is use case-discipline belangrijk. In plaats van alles met AI te proberen, moeten organisaties zich richten op use cases die echte bedrijfsmetrieken verplaatsen, ze bewijzen en dan schalen.

Bij Polestar Analytics versnelt het brengen van data, AI en workflows op één plek zowel probleemontdekking als kansenidentificatie, waardoor convergentie een katalysator voor verandering wordt.

Agentic AI wordt een belangrijk thema in de industrie. Hoe denkt Polestar Analytics over AI-agents in enterprise-workflows, en welke real-world-use-cases winnen aan populariteit?

Voor ons moeten agents geïntegreerd zijn in zowel de data-laag als de bedrijfsprocessen om echte waarde te creëren. Een prijsagent, bijvoorbeeld, is niet alleen een LLM die op een dashboard zit; het is geïntegreerd in de data-infrastructuur, begrijpt context en ondersteunt echte besluitvorming.

Over onze 100+ agents heen fungeren sommige als assistenten, terwijl anderen volledig geautomatiseerd zijn. De sterkste tractie is in omzetgroei-management, waaronder prijzen, promoties en media-mix, waar beslissingen frequent en data-intensief zijn.

Aan de engineeringzijde worden al pipeline-monitoring- en foutoplossingsagents gebruikt. FinOps-agents hebben ongebruikte cloudkosten met 35 procent verlaagd. Er is ook een sterke adoptie in vermogensbeheer.

We ondersteunen zowel Microsoft- als Databricks-ecosystemen en bieden een aangepast agent-bouwplatform. Niet elke agent hoeft LLM-gebaseerd te zijn; architectuur moet overeenkomen met de use case om schaal en kosten in evenwicht te brengen.

Governance is essentieel. Met agents die interactie hebben met financiële systemen of klantdata, zijn sterke railingen en menselijke toezicht ingebouwd om betrouwbaarheid op ondernemingsniveau te garanderen.

Met uw recente financiering, gaat u dubbel inzetten op IP-ontwikkeling. Hoe belangrijk is het om eigen platforms te bezitten in vergelijking met het bouwen op bestaande ecosystemen in het huidige AI-landschap?

We zijn diep geïntegreerd met platforms zoals Databricks, Microsoft en Anaplan, die infrastructuur en schaal bieden. We proberen ze niet te vervangen.

Onze focus ligt op het bezitten van de intelligentielaag erboven. Eigen IP stelt ons in staat om de ervaring te controleren, domeinkennis in te bedden en consistente waarde te leveren op schaal.

Onze differentiatie komt van branche-expertise. Of het nu gaat om PromoPulse AI voor omzetgroei-management of WealthPulse voor financiële diensten, de waarde ligt in het begrijpen van real-world-use-cases en -beslissingen.

Eigen IP is voor ons de codificatie van die expertise. Het is wat het platform defensief en echt nuttig maakt.

U heeft nauw samengewerkt met Fortune 1000-bedrijven. Hoe veranderen de verwachtingen rondom AI-ROI, nu executives meetbare resultaten eisen in plaats van experimenten?

De verschuiving is echt, maar experimenten zijn niet verdwenen. Het is alleen verwacht dat ze sneller gaan en verbonden zijn met tastbare resultaten.

Executives evalueren nu AI-ROI via bredere lenzen, zoals besluitvormingssnelheid, klantloyaliteit, innovatiecapaciteit en veerkracht.

AI-ROI is niet langer eigendom van één leider. De CTO richt zich op infrastructuur en data, de CFO kijkt naar financiële impact, en de COO benadrukt operationele efficiëntie.

Organisaties die slagen, aligneren deze perspectieven vroeg en committeren zich aan langetermijnresultaten.

Uw expansie-strategie omvat Noord-Amerika en Europa. Welke verschillen ziet u in AI-adoptiematuriteit en ondernemingsgereedheid over deze regio’s?

Het verschil is meer een kwestie van mentaliteit dan capaciteit.

Noord-Amerika prioriteert snelheid en experimenten, gedreven door concurrentiedruk.

Europa benadrukt governance en ethische AI vanaf het begin. Dit betekent echter niet langzamere adoptie. Ondernemingen balanceren structuur met versnelling.

Beide regio’s convergeren naar schaalbare, verantwoorde AI die ingebed is in kernoperaties.

U heeft onlangs de CAIO Circle opgericht om AI-leiders samen te brengen. Wat zijn de meest dringende gesprekken die onder Chief AI Officers plaatsvinden, vooral rond governance en ethiek?

CAIO Circle is opgericht om AI-leiders een ruimte te geven voor open discussie.

De centrale uitdaging is het balanceren van snelheid met langetermijnrisico. Vertrouwen en verklarbaarheid zijn grote zorgen, vooral omdat AI-systemen invloed hebben op kritieke beslissingen.

Governance verandert van beleidsdocumenten naar ingebedde operationele praktijken. Tegelijkertijd ontbreken veel organisaties nog steeds aan uitvoeringsmodellen om hun AI-strategieën te leveren.

De meest waardevolle inzichten komen vaak uit openhartige peer-discussies in plaats van formele presentaties.

Kijkend naar de toekomst, drie tot vijf jaar vooruit, verwacht u dat enterprise AI zal consolideren in geünificeerde platforms zoals die van u, of zal blijven een gefragmenteerd ecosysteem van tools en leveranciers? Waar wil Polestar Analytics zich in die toekomst positioneren?

Fragmentatie zal waarschijnlijk doorgaan. Grote platforms zoals Databricks, Microsoft, Salesforce en Anaplan zullen centrale spelers blijven.

Wat ondernemingen nodig hebben, is een unificerende laag die data, intelligentie en workflows verbindt tot iets actiegerichts. Dat is de rol die 1Platform is ontworpen om te spelen.

De toekomst zal gunstig zijn voor platforms met diepe verticale expertise. Generieke horizontale oplossingen zullen moeite hebben om zich te onderscheiden.

Echte waarde zal komen van het begrijpen van branche-specifieke behoeften en het inbedden van intelligentie rechtstreeks in besluitvormingsprocessen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Polestar Analytics bezoeken.