Mukund Kalmanker, Global Head of Data, Analytics & AI at Apexon – Interview Series

Mukund Kalmanker, Global Head of Data, Analytics & AI at Apexon, beschikt over meer dan twee decennia ervaring met het leiden van grootschalige 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 de ondernemingsbrede technologie-strategie in verschillende industrieën, waaronder financiële dienstverlening, telecom en gezondheidszorg. Zijn werk heeft zich consistent gericht 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 digital-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 leiding te hebben gegeven aan AI- en analytics-initiatieven bij bedrijven zoals Wipro en nu Apexon, welke ervaring heeft uw aanpak van digitale transformatie het meest gevormd?

In de afgelopen jaren is mijn aanpak het meest gevormd door de realisatie dat succesvolle digitale transformatie niet alleen over technologie gaat – het gaat over het afstemmen van die technologie op het oplossen van echte wereldwijde bedrijfsproblemen en het afstemmen op evoluerende menselijke gedragingen. Het gaat over het benutten 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 dat zijn klantbetrokkenheid opnieuw wil inbeelden, of het mogelijk maken van een zorgverlener om sneller, op gegevens gebaseerde beslissingen te nemen, ik heb de 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 over 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 ondersteunen en concurrentievoordeel creëren voor onze klanten. Die constante samenwerking en focus op resultaten is wat mijn denken blijft vormen.

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

Wat me aantrok bij Apexon, is de duidelijke toewijding van het bedrijf om klanten te helpen innovatie met een doel te omarmen. Innovatiecultuur en een groeimindset zijn ingebed in elke persoon die met Apexon is verbonden, 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, gekoppeld aan 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 assets om Intelligent Enterprises te helpen engineereren, om schaalbare, IP-gedreven bedrijfsoplossingen en -platforms te bouwen. Dit sluit nauw 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.

Bij 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 denk dat ondernemingsbrede transformatie naartoe gaat – en ik ben enthousiast om dat te helpen vormgeven.

Hoe helpen intelligente stoffen bij het opbouwen van een verbonden onderneming, en wat ziet de werkelijke implementatie ervan?

Intelligente stoffen zijn geen product of platform. Ze zijn een architecturale verschuiving. Ze verbinden de punten tussen bedrijfsunits, systemen, data en beslissingen, zodat intelligentie niet iets is waar je af en toe naar luistert, maar altijd aan staat. Dit verandert organisaties van data-gedreven in echt intelligentie-gedreven.

Komend bij de werkelijke impact – denk aan een retailer die 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 clinici nog steeds testresultaten bekijken. Of banken die data kunnen combineren over meerdere transacties om complexe anti-witwasactiviteiten te identificeren. De kracht ligt in het weven van intelligentie rechtstreeks in de workflow, niet erna. Dat is hoe ondernemingen echt verbonden worden – intelligentie wordt gegenereerd in elk deel van de organisatie en deze intelligentie wordt door de hele organisatie gebruikt.

Hoe gebruikt Apexon generative 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 herdefiniëren van hoe software wordt gepland, gebouwd en getest. Bij Apexon is Copilot ingebed in de hele engineering-levenscyclus – van het opstellen van gebruikersverhalen en het verfijnen van vereisten tot het genereren van testcases en het voorspellen van fouten. Het helpt teams sneller te werken met grotere nauwkeurigheid.

Als voorbeeld werken we met een zorgverlener samen om Copilot-adoptie te stimuleren en te koppelen aan Agentic-kaders om de software-engineering-levenscyclus volledig opnieuw in te beelden om 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 toezichthouders 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 generative AI niet alleen output levert, maar een strategisch voordeel.

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

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

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

In industrieën zoals gezondheidszorg, financiën of telecom, wat is één voorbeeld waarin Apexon’s 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 behulp van een AI-gebaseerd kader. Door gegevensinname te automatiseren, gefragmenteerde bronnen te standaardiseren en een real-time risico-engine te implementeren, hebben we handmatige inspanning met 90% verminderd en evaluaties met 4x versneld. Geïntegreerde predictieve waarschuwingen en compliance-tracking hebben regelgevingsboetes met 30% en financiële blootstelling met 40% verminderd. Gebouwd op een cloud-native, microservices-architectuur, heeft de oplossing niet alleen nauwkeurigheid en snelheid verbeterd, maar heeft de klant ook gepositioneerd voor schaalbare, op gegevens gebaseerde risicobeheer in een snel veranderende regelgevingsomgeving.

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

Bij Apexon zien we Agentic AI als de volgende grote sprong 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 eind-tot-eind kader, AgentRise, gebouwd om dit tot leven te brengen. AgentRise combineert een Agentic AI-brein, multi-agent orkestratie, human-in-the-loop toezicht en ondernemingsbrede observatie.

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

Wat onze aanpak onderscheidt, is de focus op schaalbare, vertrouwde intelligentie. We benutten modulaire componenten, prompt-engineering en beveiligde integraties om Agentic AI te implementeren met snelheid en betrouwbaarheid. Het is niet alleen innovatie – het is AI die rechtstreeks in de bedrijfsflow is ingebed, veilig op schaal werkt en tastbare resultaten levert. Naarmate deze systemen volwassen worden, geloven we dat ze de ruggengraat zullen vormen van adaptieve, zelf-evoluerende ondernemingen in gereguleerde en hoge-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 zijn tot zelfgerichte evolutie.

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

Ondernemingen 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 change management kritiek is. Ondernemingen moeten ervoor zorgen dat nieuwe analytics-platforms tastbare bedrijfsresultaten leveren, zoals omzetgroei, operationele efficiëntie en verbeterd risicobeheer, in plaats van puur technische upgrades te worden.

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 herarchitecturering, 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-reediness. Modernisering is niet alleen maar het verplaatsen van data naar een nieuw platform. Ondernemingen moeten ervoor zorgen dat data is voorbereid op geavanceerde analytics en AI door datakwaliteit, governance, afkomst, privacy en ethische waarborgen te versterken, 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-mogelijkheden, 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 diensten aan mensen en de maatschappij kan bieden.

We beginnen met het gronden van elk initiatief in echte menselijke resultaten, zoals betere beslissingen, grotere inclusiviteit, sterker vertrouwen en eenvoudigere ervaringen. Dit vereist diepe betrokkenheid met gebruikers, voortdurend luisteren en het ontwerpen van oplossingen rondom hoe mensen digitale ervaringen daadwerkelijk adopteren en ermee interacteren. We embedden bewust human-centered design, transparantie en verantwoordelijkheid in onze platforms.

In hoge-impact domeinen, vooral, moet AI opereren met sterk menselijk toezicht en duidelijke ethische waarborgen, om ervoor te zorgen dat het menselijke oordeel versterkt in plaats van vervangt. Even belangrijk, succes moet worden gemeten niet alleen door prestatie-metrieken, maar ook door adoptie, gebruikersvertrouwen en langetermijnwaardecreatie.

Wanneer goed gedaan, gaan de voordelen verder dan individuele ondernemingen. Human-centered AI heeft het potentieel om toegang tot kansen uit te breiden, instellingen te versterken en de levenskwaliteit op grote schaal te verbeteren. Het kan helpen bij het opbouwen van meer veerkrachtige economieën, eerlijkere systemen en beter geïnformeerde samenlevingen.

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 in 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-doelstellingen, maar uiteindelijk draait het om het meten van strategische resultaten zoals verbeterde klantervaring, omzetgroei, kostenoptymalisatie, operationele efficiëntie en verbeterd risicobeheer. Ons proprietary 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 use cases kunnen in kaart brengen, data-architecturen kunnen moderniseren en overgangen naar cloud-gebaseerde analytics-omgevingen kunnen maken, terwijl ze ervoor zorgen dat AI-initiatieven blijvend zijn afgestemd op meetbare bedrijfs-KPI’s.

Ten tweede beoordelen we adoptie en waarde-realiseren. AI-implementaties creëren echte impact alleen 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 in staat stellen van medewerkers over de hele onderneming met GenAI- en Agentic AI-capaciteiten, door hen te voorzien van tools, beleid en richtlijnen voor verantwoord gebruik, terwijl we tegelijkertijd de bedrijfsresultaten die ze leverden, volgden. De governance-kaders, -beleid en -KPI’s die we tijdens deze reis hebben ontwikkeld, helpen nu onze klanten om GenAI-adoptie te versnellen en op te schalen.

Ten derde meten we technische prestaties. Onze accelerators binnen het Genysys-platform ermöglichen continue monitoring van sleuteloperationele metrics zoals responsnauwkeurigheid, hallucinatiesnelheden, kost per inferentie, schaalbaarheid en algehele systeemprestatie. Genysys, Apexon’s proprietary GenAI-platform, consolideert de capaciteiten van meerdere grote taalmodellen in een geïntegreerde omgeving met naadloze integratie over meer dan tien LLM’s. Dit stelt organisaties in staat om het meest geschikte model voor verschillende use cases te selecteren, terwijl ze zicht houden op prestaties, betrouwbaarheid en kostenefficiëntie over implementaties.

Tenslotte evalueren we governance en risico. Ons ondernemingsbrede guardrail-kader, onderdeel van de AgentRise-aanbod, helpt organisaties om kritieke gebieden zoals governance, risico en compliance aan te pakken. Gegeven onze diepe werkzaamheden in gereguleerde industrieën, helpen we klanten om uitlegbaarheid, auditeerbaarheid, data-afkomst, privacybescherming en afstemming met verantwoorde AI-standaarden te beoordelen, om ervoor te zorgen dat AI-systemen zowel schaalbaar als betrouwbaar zijn.

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