Dominic Sartorio, VP of Product Marketing bij Denodo – Interview Serie

Dominic Sartorio is VP of Product Marketing bij Denodo. Dominic heeft meer dan 20 jaar ervaring in de markt voor datamanagement en -governance, met verschillende product- en marketingleiderschapsrollen bij Informatica, Protegrity en andere toonaangevende leveranciers.

Denodo is een wereldleider in datamanagement, waarmee vertrouwde AI-agents en -toepassingen worden aangedreven. Het Denodo-platform, een award-winning logische datamanagementoplossing, transformeert ondernemingsdata in betrouwbare inzichten voor AI, analytics en self-service-initiatieven. Organisaties wereldwijd gebruiken Denodo om AI-klaar, business-klaar data te leveren in een fractie van de tijd in vergelijking met traditionele data-lakehouses, waarmee ze tot 4 keer sneller tijd-tot-inzicht, 345% ROI en 10 keer betere prestaties bereiken. Op basis van inzichten van 850 ondernemingsleiders onthult Denodo’s AI Trust Gap Report waarom veel AI-projecten worstelen om verder te komen dan de pilootfase en wat organisaties moeten doen om vertrouwde, productieklare AI te bouwen.

U hebt seniorleiderschapsrollen gehad bij bedrijven als Informatica, Protegrity, Infoworks en nu Denodo, allemaal gericht op verschillende lagen van ondernemingsdata-infrastructuur. Hoe is uw perspectief op “vertrouwde data” geëvolueerd nu AI is verschoven van analytics naar autonome en agente-systemen?

Vroeger in mijn carrière was vertrouwde data voornamelijk een kwestie van nauwkeurigheid, herkomst, beveiliging en het geven van analisten vertrouwen in dashboards en rapporten. Met agente-AI zijn de inzetten veel hoger omdat systemen niet alleen data interpreteren, maar ook autonoom kunnen handelen, bedrijfsprocessen kunnen triggeren of beslissingen kunnen nemen met een reële impact. Dat betekent dat vertrouwde data nu ook live operationele context, consistente bedrijfsbetekenis en beveiligingsmaatregelen moet omvatten, zodat men vertrouwen kan hebben dat agents correct en veilig handelen.

Denodo’s AI Trust Gap Report vond dat 66% van de organisaties zegt dat AI-data real-time of near real-time moet zijn om vertrouwd te zijn. Waarom denkt u dat zo veel ondernemingen nog steeds worstelen om live operationele data te leveren aan AI-systemen?

De meeste ondernemingen waren niet ontworpen voor AI-agents die live situatiebewustzijn over veel systemen nodig hebben. Hun data is verspreid over applicaties, clouds, warehouses, lakehouses, legacy-systemen en andere operationele platforms. Ze kunnen deze data kopiëren naar een centraal warehouse of data-lake voor analytics en BI, maar dat is niet geschikt voor AI-agents die live situatiebewustzijn nodig hebben. Zodra data is gekopieerd, is het niet langer live. Het is mogelijk om in real-time te streamen, maar dat wordt erg duur, erg snel. Dit is precies waar Denodo’s logische datamanagementaanpak belangrijk wordt, omdat het AI-systemen beheerde toegang geeft tot live data zonder dat ondernemingen constant alles moeten kopiëren en opnieuw platformen.

Een van de meest opvallende bevindingen in het rapport is dat ondernemings-AI-initiatieven nu data uit honderden bronnen halen, met sommige organisaties die toegang hebben tot meer dan 1.000. Hoe verandert dat niveau van fragmentatie de manier waarop ondernemingen moeten denken over AI-architectuur?

Bij dat niveau van fragmentatie kan de architectuur niet afhankelijk zijn van het fysiek consolideren van elke bron voordat AI deze kan gebruiken. Ondernemingen hebben een abstractielaag nodig die data kan ontdekken, integreren, beheren en leveren over de gedistribueerde realiteit die ze al hebben. Volgens mij moet de datarchitectuur meer logisch, metadata-gedreven en semantisch worden, zodat agents de juiste data in context kunnen vinden zonder strak gekoppeld te zijn aan onderliggende systemen.

Het rapport stelt dat veel AI-falen eigenlijk “datarchitectuur-falen” zijn in plaats van model-falen. Denkt u dat de industrie te veel tijd heeft besteed aan het obsessief maken van modellen en onderschat heeft hoe belangrijk datamanagement is?

Ja. Modellen zijn belangrijk, natuurlijk, maar veel mislukte AI-projecten falen niet omdat het model onmogelijk is; ze falen omdat het model werkt met onvolledige, verouderde, inconsistente of slecht beheerde data. Het model werkte geweldig in de pilootfase, met een goed gedefinieerde en gecureerde dataset, maar zodra het in de “echte wereld” werd geïmplementeerd, met zijn gedistribueerde rommeligheid, faalde de AI om vertrouwde resultaten te produceren. Mijn ervaring is dat ondernemingen veel betere AI-resultaten krijgen wanneer ze de datalaag behandelen als een eerste klas onderdeel van de AI-architectuur, niet als een nasleep.

Denodo spreekt vaak over semantische consistentie en het belang van een universele semantische laag. Nu AI-agents autonoom beslissingen nemen, hoe kritisch wordt semantische uitlijning voor het voorkomen van onjuiste acties of gehallucineerde bedrijfslogica?

Semantische uitlijning wordt absoluut kritisch. Als een systeem “klant”, “omzet”, “risico” of “verloop” anders definieert dan een ander, kan een AI-agent een technisch plausibele antwoord produceren dat nog steeds verkeerd is voor de gegeven bedrijfscontext. Een universele semantische laag helpt ervoor zorgen dat agents werken met consistente bedrijfsbetekenis, niet alleen met rauwe datatoegang.

Uw AI & Big Data Expo-sessie ging over het verplaatsen van AI-piloten naar productie. Wat zijn volgens u de grootste redenen waarom ondernemingen vastzitten in de “pilotfase” en falen om AI te schalen naar echte operationele systemen?

Piloten werken vaak omdat ze smal, handmatig gecureerd en geïsoleerd zijn van de volledige complexiteit van de onderneming. Productie-AI moet te maken hebben met live data uit veel bronnen, beveiliging, governance, prestaties, auditeerbaarheid, veranderende bedrijfsregels en integratie in echte workflows. Veel organisaties zitten vast omdat ze een indrukwekkende demo bouwen, maar niet de beheerde datagrondslag die nodig is om AI betrouwbaar te laten werken op grote schaal.

Het rapport citeert voorspellingen dat een aanzienlijk percentage van agente-AI-projecten de komende jaren kan worden geannuleerd vanwege stijgende kosten, onduidelijke waarde of onvoldoende risicobeheersing. Denkt u dat de industrie een fase ingaat waarin ondernemingen veel selectiever zullen worden over welke AI-projecten overleven?

Ja, en ik denk dat dat gezond is. De eerste golf van AI-experimenten was over mogelijkheden; de volgende golf zal over operationele waarde, kostenbeheersing en vertrouwen gaan. De projecten die overleven, zullen degene zijn die zijn gekoppeld aan meetbare bedrijfsresultaten en worden ondersteund door de juiste data, governance en architectuur.

Beveiliging en governance komen herhaaldelijk naar voren als terugkerende thema’s in het rapport, met name rondom “beveiligingsmaatregelen” voor agente-AI. Hoe moeten ondernemingen autonome AI-mogelijkheden in evenwicht brengen met de behoefte aan strikte toegangscontrole en auditeerbaarheid?

De sleutel is om governance niet te behandelen als iets dat na de AI-systeem is gebouwd. Toegangscontrole, beleidsuitvoering, herkomst en auditeerbaarheid moeten zijn ingebed in de datatoegangslaag zelf, zodat AI-agents alleen de data zien en gebruiken die ze zijn geautoriseerd om te gebruiken. Met Denodo kunnen dezelfde governancebeleidsregels consistent worden toegepast over gedistribueerde bronnen, wat essentieel is wanneer AI werkt in hybride en multi-cloudomgevingen.

Denodo positioneert logische datamanagement als een manier om toegang te verenigen over hybride en multi-cloudomgevingen zonder constant data te verplaatsen. Naarmate ondernemingen steeds vaker retrieval-gebaseerde AI-architecturen adopteren, denkt u dat “zero-copy”- of logische-eerst-architecturen de langetermijnrichting voor ondernemings-AI zullen worden?

Ja. Retrieval-gebaseerde AI is afhankelijk van het verkrijgen van de juiste data op het juiste moment, niet noodzakelijkerwijs het verplaatsen van elke dataset naar een enkel repository van tevoren. Een logische-eerst, zero-copy-aanpak is veel beter afgestemd op hoe ondernemingen werkelijk opereren: data blijft gedistribueerd, maar AI kan er via een beheerde, semantische, real-time-laag toegang toe krijgen. Dat is de richting waarin ik geloof dat ondernemings-AI moet gaan.

Als we vooruitkijken over de komende drie tot vijf jaar, wat denkt u dat het verschil zal maken tussen organisaties die vertrouwde AI succesvol operationeel maken en die vastzitten in experimenten?

De winnaars zullen de organisaties zijn die erkennen dat AI niet alleen een modelstrategie is, maar een datastrategie, een governancestrategie en een operationeel modelstrategie. Ze zullen investeren in live datatoegang, semantische consistentie, herbruikbare governance en architectuur die de hele onderneming kan omvatten. Diegenen die doorgaan met het bouwen van geïsoleerde piloten op gefragmenteerde of verouderde data zullen worstelen om verder te komen dan experimenten.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Denodo bezoeken of Denodo’s AI Trust Gap Report downloaden