Mukund Kalmanker, Global Head of Data, Analytics & AI bij Apexon – Interview Serie

Mukund Kalmanker, Global Head of Data, Analytics & AI bij Apexon, heeft meer dan twee decennia ervaring met het leiden van grote ondernemingsbrede transformatie-initiatieven, met een carrière die senior leiderschapsrollen omvat bij Wipro, waar hij wereldwijde AI-praktijken heeft opgebouwd en geschaald, automatiseringsplatforms zoals HOLMES heeft geïncubeerd en heeft geholpen bij het definiëren van ondernemingsbrede technologie-strategieën in verschillende industrieën, waaronder financiële dienstverlening, telecom en gezondheidszorg. Zijn werk heeft consistent gefocust op het vertalen van opkomende technologieën – met name AI, data-engineering en automatisering – in praktische bedrijfsresultaten, door diepe technische expertise te combineren met een sterk trackrecord in het opbouwen van wereldwijde teams, het stimuleren van digitaliseringsstrategieën en het leveren van meetbare operationele efficiëntie voor grote ondernemingen.

Apexon is een digitaal-first technologiebedrijf dat ondernemingen helpt bij het versnellen van bedrijfstransformatie door AI, data-analyse en digitale engineering te combineren om intelligente, schaalbare systemen en klantervaringen te creëren. Door middel van zijn geïntegreerde capaciteiten op het gebied van cloud, automatisering en geavanceerde analyse werkt het bedrijf met organisaties samen om operaties te moderniseren, besluitvorming te verbeteren en eind-tot-eind digitale oplossingen te leveren, met name in industrieën zoals financiële dienstverlening, gezondheidszorg en life sciences.

Na twee decennia AI- en analytics-initiatieven te hebben geleid bij bedrijven als Wipro en nu Apexon, welke ervaring heeft uw aanpak van digitalisering het meest gevormd?

De afgelopen jaren heeft me het meest gevormd de realisatie dat succesvolle digitalisering niet alleen over technologie gaat, maar over het afstemmen van die technologie op het oplossen van echte wereldwijde bedrijfsproblemen en het afstemmen op evoluerende menselijke gedragingen. Het gaat over het gebruiken van innovatie als een strategisch hefboom om de industrie te leiden en de wereld een betere plek te maken. Of het nu gaat om het helpen van een bank bij het aanpakken van regelgevingsbehoeften of een retailmerk bij het herscheppen van zijn klantengagement of het mogelijk maken van een zorgverlener om sneller, gegevensgestuurde beslissingen te nemen, ik heb het meeste impact gezien wanneer we beginnen met het eindresultaat in gedachten. In mijn vorige leven en nu bij Apexon, hebben mijn teams en ik nauw samengewerkt met klanten in verschillende industrieën om Agentic AI, Gen AI, AI, ML, RPA en Data van buzzwords om te zetten in bedrijfsresultaten – inzichten ontgrendelen, efficiëntie verbeteren, klantervaring verbeteren, risicobeheer helpen en concurrentievoordeel creëren voor onze klanten. Die constante samenwerking en focus op resultaten is wat mijn denken blijft vormen.

Wat trok u naar Apexon, en hoe sluit de huidige aanpak van het bedrijf met betrekking tot data, analytics en AI aan bij uw persoonlijke visie voor de toekomst van ondernemingstechnologie?

Wat me naar Apexon trok, is de duidelijke toewijding van het bedrijf om klanten te helpen innovatie omarmen met een doel. Innovatiecultuur en een groeimindset zijn ingebed in elke persoon die met Apexon verbonden is, en dat wordt weerspiegeld in de manier waarop we leren, innoveren en grenzen verleggen samen. Met diepe capaciteiten op het gebied van Data en AI, gecombineerd met diepgang in engineering en een scherpe focus op gereguleerde industrieën zoals BFSI en gezondheidszorg, ziet Apexon data of AI niet als geïsoleerde capaciteiten – het behandelt ze als fundamentale activa om Intelligent Enterprises te helpen engineereren, schaalbare, IP-gedreven bedrijfsoplossingen en platforms te bouwen. Dit sluit aan bij mijn overtuiging dat de toekomst van ondernemingstechnologie ligt in het creëren van intelligente systemen die niet alleen adaptief zijn, maar ook schaalbaar, herhaalbaar en gebouwd voor langetermijnwaarde.

Op Apexon is er een bewuste focus op het vertalen van cutting-edge technologie in betekenisvolle bedrijfsresultaten – of het nu gaat om het ontgrendelen van concurrentie-inzicht, het mogelijk maken van slimmere automatisering of het stimuleren van klantgerichte ervaringen. Deze convergentie van AI met een IP-first mindset is precies waar ik geloof dat ondernemings-transformatie naartoe gaat – en ik ben enthousiast om die toekomst hier te helpen vormen.

Hoe helpen intelligente stoffen bij het bouwen van een verbonden onderneming, en wat ziet hun werkelijke implementatie eruit?

Intelligente stoffen zijn geen product of platform. Ze zijn een architectonische verschuiving. Ze verbinden de stippen tussen bedrijfsunits, systemen, data en beslissingen, zodat intelligentie niet iets is dat u af en toe tapt, maar altijd aan staat. Dit verandert organisaties van data-gedreven in echt intelligentie-gedreven.

Als we naar de werkelijke impact kijken – denk aan een retailer die zijn supply chain-operaties in real-time aanpast op basis van factoren zoals koopgedrag, verstoringen in de supply chain, geopolitieke ontwikkelingen, veranderingen in het weer of zelfs lokale rampen. Of een ziekenhuis dat behandeling aanbeveelt terwijl de arts nog steeds de testresultaten bekijkt. Of banken die data kunnen combineren uit meerdere transacties om complexe anti-witwasactiviteiten te identificeren. De kracht ligt in het integreren van intelligentie rechtstreeks in de workflow, niet erna. Zo worden ondernemingen echt verbonden – intelligentie wordt gegenereerd in elk deel van de organisatie en deze intelligentie wordt door de hele organisatie gebruikt.

Hoe gebruikt Apexon generatieve AI-hulpmiddelen zoals Copilot om waarde te creëren voor klanten, en in welke gebieden heeft u de sterkste adoptie gezien?

We zien tools zoals GitHub Copilot niet alleen als coding-assistenten, maar als katalysatoren voor het herscheppen van hoe software wordt gepland, gebouwd en getest. Bij Apexon is Copilot geïntegreerd in de hele engineering-levenscyclus – van het opstellen van gebruikersverhalen en het verfijnen van vereisten tot het genereren van testcases en het voorspellen van defecten. Het helpt teams sneller te werken met grotere nauwkeurigheid.

Als voorbeeld werken we met een zorgverlener om Copilot-adoptie te stimuleren en het te koppelen aan Agentic-kaders om de software-engineering-levenscyclus volledig te herscheppen en meer efficiëntie in engineering te brengen. Voor een andere klant helpen we bij het adopteren van Gen AI en Agentic-kaders om de gegevenskwaliteit te verbeteren en de macht in handen te geven van de gebruikers die rechtstreeks met regulators communiceren om aan regelgevingsbehoeften te voldoen.

De adoptie is het sterkst geweest in gebieden waar snelheid, personalisatie en schaal het meest tellen – intelligente documentverwerking, conversational AI en hyper-automatisering. Dit zijn ruimtes waar generatieve AI niet alleen output levert, maar een strategisch voordeel.

Hoe beïnvloeden academische samenwerkingen met instellingen zoals IIT Madras en Imperial College London uw AI-onderzoeks- en talentontwikkelingsstrategie?

Onze samenwerkingen met IIT Madras en Imperial College London spelen een sleutelrol in het vormen van zowel ons onderzoeksagenda als hoe we toekomstige talenten opbouwen. We zijn niet alleen projecten aan het financieren – we werken nauw samen met toonaangevende onderzoekers om frontier-gebieden zoals Agentic AI, multi-agent systemen en AGI te onderzoeken. Deze samenwerkingen geven ons diepere inzichten in verschillende opkomende gebieden – bijvoorbeeld hoe grote taalmodellen zich gedragen en evolueren, waardoor ze contextueel zijn in verschillende domeinen.

Ze dienen ook als motoren voor talentontwikkeling. Door middel van gezamenlijke programma’s creëren we hands-on leerervaringen die academische diepgang combineren met ondernemingsrelevantie. Het is een tweerichtingsuitwisseling: we krijgen toegang tot cutting-edge denken, en studenten engageren zich met werkelijke problemen. Die synergiewinst is kritisch voor het schalen van onze AI-, data- en digitale engineering-capaciteiten.

In industrieën zoals gezondheidszorg, financiën of telecom, wat is één voorbeeld waarin Apexons AI- of analytics-oplossing de operationele efficiëntie aanzienlijk verbeterde of nieuwe bedrijfsmodellen ontgrendelde?

Een goed voorbeeld is ons werk met een toonaangevende Noord-Amerikaanse financiële instelling om het risicobeoordelingsproces te moderniseren met een AI-gedreven kader. Door gegevensinname te automatiseren, gefragmenteerde bronnen te standaardiseren en een real-time risico-engine in te zetten, hebben we handmatige inspanning met 90% verminderd en evaluaties met 4x versneld. Geïntegreerde predictieve waarschuwingen en compliancetracking hebben geholpen om regelgevingsboetes met 30% en financiële blootstelling met 40% te verminderen. Gebouwd op een cloud-native, microservices-architectuur, heeft de oplossing niet alleen nauwkeurigheid en snelheid verbeterd, maar de klant ook gepositioneerd voor schaalbare, gegevensgestuurde risicobeheer in een snel veranderende regelgevingsomgeving.

Welke opkomende technologieën of AI-trends zijn u het meest gefocust op als de volgende grote frontier voor ondernemingsinnovatie?

Bij Apexon zien we Agentic AI als de volgende grote stap in Enterprise Intelligence in de nabije toekomst. In tegenstelling tot traditionele AI die reageert op prompts, kunnen Agentic AI-systemen dynamische context autonomously interpreteren, doelen stellen en nastreven, samenwerken over systemen en continu verbeteren door feedback. We hebben een end-to-end kader, AgentRise, gebouwd om dit tot leven te brengen. AgentRise combineert een Agentic AI-brein, multi-agent orkestratie, human-in-the-loop toezicht en ondernemingsklasse observabiliteit.

Het resultaat is AI die niet alleen assisteert, maar complexe bedrijfsworkflows autonoom uitvoert, van documenttriage in de gezondheidszorg tot real-time uitzonderingsbehandeling in de financiën.

Wat onze aanpak onderscheidt, is de focus op schaalbare, vertrouwde intelligentie. We gebruiken modulaire componenten, prompt-engineering en beveiligde integraties om Agentic AI met snelheid en betrouwbaarheid in te zetten. Het is niet alleen innovatie – het is AI die in de workflow van het bedrijf is geïntegreerd, veilig op schaal werkt en tastbare resultaten levert. Als deze systemen volwassen worden, geloven we dat ze de ruggengraat zullen vormen van adaptieve, zelf-evoluerende ondernemingen in gereguleerde en high-impact industrieën.

We volgen ook de vooruitgang in Narrow AI, Artificial General Intelligence en Quantum Computing – maar wat ons het meest enthousiast maakt, is hoe deze technologieën samenkomen om ondernemingen te empoweren die niet alleen intelligent zijn, maar ook adaptief, autonoom en in staat tot zelfgestuurde evolutie.

Wat zijn de grootste uitdagingen waar organisaties mee te maken krijgen bij de overgang van legacy datasystemen naar moderne analytics-architecturen?

Organisaties ondervinden typisch vier grote uitdagingen bij de overgang van legacy-systemen naar moderne analytics-architecturen.

De eerste is adoptie en waarde-realiseren. Legacy-platforms vormen vaak diepgewortelde manieren van werken, waardoor changemanagement kritisch is. Organisaties moeten ervoor zorgen dat nieuwe analytics-platforms tastbare bedrijfsresultaten leveren, zoals omzetgroei, operationele efficiëntie en verbeterd risicobeheer, in plaats van puur technische upgrades.

De tweede is technologie-modernisering en capaciteitsopbouw. Veel ondernemingen opereren complexe legacy-estates die mainframes, on-premise systemen en vroege cloud-omgevingen omvatten. Het moderniseren van deze omgevingen vereist zorgvuldige rationalisatie en her-architectuur, naast het opbouwen van de vaardigheden, talenten en operationele volwassenheid die nodig zijn om moderne data-, analytics- en AI-platforms te ondersteunen.

De derde is data- en AI-reddelijkheid. Modernisering is niet alleen het verplaatsen van data naar een nieuw platform. Organisaties moeten ervoor zorgen dat data is voorbereid op geavanceerde analytics en AI door datakwaliteit te versterken, governance, afkomst, privacy en ethische waarborgen te waarborgen, zodat inzichten en AI-modellen kunnen worden vertrouwd en geschaald.

Tenslotte is er de organisatorische verschuiving. Naarmate platforms evolueren naar meer autonome en agentic AI-capaciteiten, moeten bedrijven hun operationele modellen, vaardigheden van de workforce en cultuur aanpassen om effectieve samenwerking tussen mensen en intelligente systemen te ermöglichen.

Hoe zorgt u ervoor dat digitale ervaringen en AI-oplossingen gericht blijven op menselijke behoeften in plaats van alleen technische resultaten?

Ik geloof dat de basis van echt impactvolle digitale en AI-oplossingen een duidelijke verschuiving in mindset is, van het vragen wat technologie kan doen naar het vragen hoe het waardevolle bedrijfsresultaten en dienstverlening aan mensen en de samenleving kan bieden.

We beginnen met het gronden van elke initiatief in echte menselijke resultaten, zoals betere beslissingen, grotere inclusiviteit, sterker vertrouwen en eenvoudigere ervaringen. Dit vereist diepe betrokkenheid met gebruikers, continue luisteren en het ontwerpen van oplossingen rondom hoe mensen digitaal adopteren en interageren. We integreren bewust human-centered design, transparantie en verantwoordelijkheid in onze platforms.

In high-impact domeinen, moet AI met sterke human oversight en duidelijke ethische waarborgen opereren, waardoor het menselijke oordeel versterkt in plaats van vervangt. Even belangrijk is dat succes niet alleen moet worden gemeten door prestatie-metrics, maar ook door adoptie, gebruikersvertrouwen en langetermijnwaardecreatie.

Als het goed wordt gedaan, gaan de voordelen verder dan individuele organisaties. Human-centered AI heeft het potentieel om toegang tot kansen te vergroten, instellingen te versterken en de kwaliteit van leven te verbeteren op grote schaal. Het kan helpen bij het opbouwen van meer veerkrachtige economieën, eerlijkere systemen en beter geïnformeerde samenlevingen. Uiteindelijk zou ons doel moeten zijn om AI te ontwikkelen die niet alleen intelligent is, maar ook verantwoord, inclusief en doelgericht.

Hoe evalueert u het succes van Gen AI-implementaties bij Apexon – zijn er specifieke KPI’s of kaders die u gebruikt om effectiviteit te meten over verschillende klantomgevingen?

Bij Apexon hebben we robuuste kaders ingesteld, ondersteund door een portfolio van IP, oplossingen en accelerators, om zowel onze teams als onze klanten te helpen de effectiviteit van GenAI- en Agentic AI-implementaties te meten.

Ten eerste focussen we op bedrijfsimpact. Dit begint met duidelijk gedefinieerde domein- of procesniveau-doelen, maar uiteindelijk centrerend op het meten van strategische resultaten zoals verbeterde klantervaring, omzetgroei, kostenoptimalisatie, operationele efficiëntie en sterker risicobeheer. Ons M4-kader ondersteunt dit door een gestructureerd uitvoeringsmodel voor analytics-engagements te bieden. M4 biedt een bewezen strategie en voorspelbare stappen voor data-modernisering, waardoor organisaties gebruikscases kunnen kaarten, data-architecturen moderniseren en overgaan naar cloud-gebaseerde analytics-omgevingen, terwijl ze ervoor zorgen dat AI-initiatieven blijvend zijn afgestemd op meetbare bedrijfs-KPI’s.

Ten tweede evalueren we adoptie en waarde-realiseren. AI-implementaties creëren alleen waardevolle impact wanneer ze worden vertrouwd, breed worden geadopteerd en effectief menselijke capaciteiten versterken. Bij Apexon heeft onze eigen ondernemingsbrede adoptie van GenAI gediend als een praktisch model voor klanten. We begonnen met het ermöglichen van GenAI- en Agentic AI-capaciteiten voor medewerkers over de hele organisatie, hen uit te rusten met tools, beleid en richtlijnen voor verantwoord gebruik, en tegelijkertijd de bedrijfsresultaten die ze leverden te volgen. De governance-kaders, beleid en KPI’s die we tijdens deze reis hebben ontwikkeld, helpen nu onze klanten om GenAI-adoptie te versnellen en te schalen.

Ten derde meten we technische prestaties. Onze accelerators binnen het Genysys-platform ermöglichen continue monitoring van sleuteloperationele metrics zoals responsnauwkeurigheid, hallucinatiesnelheden, kosten per inferentie, schaalbaarheid en algehele systeemprestaties. Genysys, Apexons eigen GenAI-platform, consolideert de capaciteiten van meerdere grote taalmodellen in een geïntegreerd milieu met naadloze integratie over meer dan tien LLM’s. Dit stelt organisaties in staat om de meest geschikte modellen voor verschillende use-cases te selecteren, terwijl ze zichtbaarheid behouden in prestaties, betrouwbaarheid en kostenefficiëntie over implementaties.

Tenslotte evalueren we governance en risico. Ons ondernemingsguardrail-kader, onderdeel van de AgentRise-aanbod, helpt organisaties om kritische gebieden zoals governance, risico en compliancy aan te pakken. Gezien onze diepe werkzaamheden met gereguleerde industrieën, helpen we klanten om uitlegbaarheid, auditability, data-afkomst, privacy-waarborgen en afstemming met verantwoorde AI-standaarden te evalueren, om ervoor te zorgen dat AI-systemen zowel schaalbaar als vertrouwd zijn.

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