Rajan Sethuraman, CEO van LatentView Analytics – Interviewreeks

Rajan Sethuraman, CEO van LatentView Analytics, is een ervaren uitvoerend directeur wiens carrière bestaat uit consulting, talentleiderschap en ondernemingsverandering, met leiderschapsrollen bij Accenture en KPMG voordat hij bij LatentView kwam. Zijn overstap van Chief People Officer naar CEO weerspiegelt een sterke nadruk op talentontwikkeling, organisatorisch ontwerp en schaalbare bedrijfsmodellen, die nu zijn aanpak van AI en analytics vormgeven. Met diepe ervaring in werving, leren en bedrijfsstrategie heeft hij zich altijd gericht op het afstemmen van mensen, cultuur en technologie om meetbare resultaten te bereiken, wat heeft geresulteerd in het leiden van LatentView door zijn beursgang en wereldwijde expansie, terwijl hij AI positioneert als een bedrijfsvaardigheid in plaats van een zelfstandige functie.

LatentView Analytics is een wereldwijd data-analyse- en digitale transformatiebedrijf dat ondernemingen helpt om data, kunstmatige intelligentie en geavanceerde analytics te gebruiken om besluitvorming te verbeteren en groei te stimuleren. Het bedrijf biedt diensten zoals data-engineering, predictieve analytics en AI-gedreven consulting in verschillende branches, waaronder financiële dienstverlening, detailhandel en technologie, en werkt met klanten van Fortune 500 over de hele wereld. De kernwaarde van het bedrijf ligt in het omzetten van ruwe data in actiegerichte inzichten die bedrijven in staat stellen om hun operaties te optimaliseren, trends te voorspellen en een concurrerend voordeel te creëren in een steeds veranderende economie.

U bent uw carrière begonnen in consulting en talentleiderschap bij Accenture en KPMG voordat u CEO van LatentView Analytics werd, waar u het bedrijf leidde door zijn beursgang en eerste overname. Hoe heeft uw achtergrond in talentontwikkeling en organisatorische strategie uw aanpak van AI en analytics beïnvloed?

Mijn vroege carrière was sterk gericht op talent, leiderschapsontwikkeling en het opbouwen van organisaties die konden groeien. Die ervaring beïnvloedt nog steeds hoe ik over AI denk. Technologie alleen zorgt er niet voor dat een organisatie groeit. Wat belangrijk is, is hoe teams het overnemen, hoe leiders zich daarop richten en hoe duidelijk het bedrijfsprobleem is gedefinieerd. Bij LatentView besteden we veel tijd aan het helpen van organisaties bij het opbouwen van het benodigde operationele model, vaardigheden en cultuur om analytics en AI om te zetten in dagelijkse besluitvorming.

Omdat ik altijd heb gefocust op het opbouwen van die capaciteiten, denk ik over AI door de lens van organisatorische gereedheid. Het schalen van AI vereist sterke domeinexpertise, datafundamenten en teams die inzichten kunnen vertalen in actie. Mijn focus ligt altijd op het opbouwen van die capaciteiten samen, in plaats van AI te behandelen als een geïsoleerde capaciteit.

U hebt het over AI-minimalisme gehad — het prioriteren van duidelijkheid, nieuwsgierigheid en cultuur boven het najagen van elke nieuwe trend in GenAI. Wat ziet AI-minimalisme er in de praktijk uit voor ondernemingsleiders?

AI-minimalisme begint met focus. Ondernemingsleiders hoeven niet elk nieuw model of elke nieuwe capaciteit na te jagen. Ze hebben een klein aantal betekenisvolle problemen nodig waar AI de besluitvorming of productiviteit op meetbare wijze kan verbeteren. Dat kan gaan om prijsbeslissingen, supply chain-planning of hoe kennis binnen de organisatie wordt overgedragen. Het starten met een duidelijk gedefinieerd probleem helpt teams om vertrouwen op te bouwen en te leren wat verantwoorde schaling werkelijk inhoudt.

Het betekent ook het integreren van AI in echte workflows in plaats van het te behandelen als een geïsoleerd experiment. Wanneer teams de technologie zien helpen bij het oplossen van dagelijkse problemen, neemt de adoptie van nature toe. Nieuwsgierigheid en experimenten zijn nog steeds belangrijk, maar ze werken het beste wanneer ze zijn verankerd in een duidelijk gevoel van doel.

Veel organisaties haasten zich om generatieve AI te omarmen zonder eerst hun datafundamenten te versterken. Wat zijn de waarschuwingssignalen dat een bedrijf op onstabiele grond bouwt?

Een ding dat ik vaak opmerk, is wanneer het AI-gesprek veel sneller gaat dan het data-gesprek. Als leiders praten over copilots en generatieve modellen, maar er nog steeds verwarring is over waar belangrijke data woont, wie de eigenaar is of welke metrieken het bedrijf werkelijk vertrouwt, is dat meestal een teken dat de basis nog niet klaar is. AI-systemen zijn sterk afhankelijk van betrouwbare en goed beheerde data. Zonder dat, wordt het moeilijk voor mensen om de uitvoer te vertrouwen.

Een ander signaal is wanneer bedrijven veel pilots hebben lopen, maar er maar weinig zijn die echte beslissingen beïnvloeden. Generatieve AI kan indrukwekkende demonstraties produceren, maar de echte test is of het onderdeel wordt van hoe de organisatie werkt.

Sinds u CEO bent geworden, heeft u meetbare impact gehad voor wereldwijde klanten. Wat onderscheidt bedrijven die AI succesvol operationeel maken van die welke blijven hangen in de pilootfase?

De bedrijven die AI succesvol schalen, behandelen het als een operationele discipline, niet als een innovatieproject aan de zijlijn. Ze geven executive-eigenaarschap, verbinden use cases met meetbare bedrijfsresultaten en ontwerpen voor integratie vanaf het begin. Ze investeren ook in het minder glamoureuze werk, zoals data-pipelines, governance, procesherontwerp en gebruikersadoptie. Dat is meestal het verschil tussen een piloot die aandacht krijgt en een capaciteit die werkelijk de manier verandert waarop beslissingen worden genomen.

Bij LatentView hebben we gezien dat bedrijven sneller bewegen wanneer ze AI verankeren in een bedrijfsprobleem dat al belangrijk is voor het bedrijf, zoals het verbeteren van de planningsnauwkeurigheid, de voorraadresultaten of de zichtbaarheid van de leverancier. AI die is gekoppeld aan metrieken waar het bedrijf al om geeft, heeft een veel betere kans om te worden gefinancierd, beheerd en geadopteerd op grote schaal.

Hoe gaat u te werk bij het verantwoord schalen van AI binnen een grote organisatie, terwijl u governance, beveiliging en verantwoordelijkheid in stand houdt?

Verantwoord schalen begint met het erkennen dat AI-beslissingen uiteindelijk invloed hebben op echte klanten, werknemers en bedrijfsresultaten. Dat betekent dat governance geen naslagwerk kan zijn. Organisaties hebben duidelijke beleidsregels nodig rond data-toegang, modeltoezicht en monitoring zodra systemen in productie zijn.

In de praktijk zijn de meest effectieve governance-modellen cross-functioneel. Zakelijke leiders, technologie-teams en risico- of compliance-groepen moeten allemaal betrokken zijn. AI-systemen profiteren ook van transparantie over hoe uitvoer wordt gegenereerd en waar menselijke oordeel nog steeds essentieel is. Met railingen ingesteld vanaf het begin, kunnen organisaties de adoptie uitbreiden terwijl ze vertrouwen behouden.

LatentView werkt met ondernemingen op verschillende niveaus van digitale volwassenheid. Hoe verschilt uw AI-strategie wanneer u een organisatie adviseert versus een organisatie die nog vroeg is in haar analytics-reis?

Met een organisatie is het gesprek meestal over versnelling. Ze hebben al waardevolle data-activa, dus we focussen op het prioriteren van hoogwaardige use cases, het verbeteren van toegankelijkheid en het integreren van AI in workflows waar het bedrijf snel op kan handelen. Dat kan betekenen enterprise-kennisopname, connected planning in de supply chain of domeinspecifieke modellen die de besluitvorming over functies heen verbeteren.

Voor organisaties die eerder in de reis zitten, is het startpunt anders. We besteden meer tijd aan data-klaarheid, governance, BI-modernisering en capaciteitsopbouw, zodat het bedrijf AI op een duurzame manier kan ondersteunen. In die situaties zijn volwassenheidsbeoordeling en sequencing erg belangrijk. U wilt niet een toekomst van agenten beloven aan een bedrijf dat nog steeds geen vertrouwde data, gemeenschappelijke KPI’s of uitvoerende alignering over het probleem dat het probeert op te lossen, heeft.

Gezien uw diepe ervaring in talentwerving en leren, welke vaardigheden moeten bedrijven prioriteren om intern te ontwikkelen in de AI-tijdperk versus extern in te huren?

Intern denk ik dat bedrijven moeten focussen op het opbouwen van brede AI- en data-literatuur. Niet iedereen hoeft een datawetenschapper te worden, maar mensen over het hele bedrijf moeten prioriteit geven aan het baseren van beslissingen op inzichten, betere vragen stellen en AI-hulpmiddelen in hun dagelijkse workflow gebruiken. Wanneer deze praktijk zich over teams verspreidt, wordt het veel gemakkelijker om te identificeren waar AI echt kan helpen en waar het waarschijnlijk niet moet worden gebruikt.

Extern zijn de inhuurders meestal meer gespecialiseerd. Vaardigheden zoals data-engineering, machine learning-architectuur en AI-governance vereisen diepe expertise die organisaties mogelijk niet altijd in huis hebben. De bedrijven die dit goed doen, combineren deze specialisten meestal met bedrijfsteams die de context en de beslissingen die moeten worden verbeterd, begrijpen.

Culturele weerstand vertraagt vaak transformatie. Welke leiderschapsgedragingen hebt u het meest effectief gevonden om vertrouwen en momentum op te bouwen rond AI-adoptie?

Duidelijke communicatie vanuit de leiding maakt een groot verschil. Werknemers willen begrijpen waarom nieuwe technologieën worden geïntroduceerd en hoe ze in verband staan met de strategie van het bedrijf. Het uitleggen van het doel achter AI-initiatieven en het koppelen ervan aan echte bedrijfsdoelen helpt vertrouwen op te bouwen over de hele organisatie.

Leren is net zo belangrijk. Automatisering en AI veranderen al veel banen, dus bedrijven moeten actief ondersteunen bij het ontwikkelen van nieuwe capaciteiten. Mensen gaan veel opener om met verandering wanneer ze echte kansen zien om nieuwe vaardigheden te ontwikkelen en samen te groeien met de technologie.

Terwijl AI wordt geïntegreerd in besluitvormingsprocessen, hoe moeten raden van bestuur en uitvoerende teams de prestatie-indicatoren en verantwoordelijkheid opnieuw evalueren?

AI verandert de manier waarop beslissingen worden genomen, dus leiderschapsteams moeten verder kijken dan traditionele projectmetrieken. De echte vraag wordt of AI de kwaliteit en snelheid van beslissingen in gebieden die voor het bedrijf van belang zijn, verbetert. Dat kan betekenen betere vraagprognoses, nauwkeurigere prijsbeslissingen of snellere reacties op marktveranderingen.

Als die resultaten verbeteren, doet AI zijn werk. AI-prestaties kunnen niet lang in een aparte dashboard van bedrijfsprestaties zitten.

Verantwoordelijkheid moet ook duidelijker zijn. Iemand is nog steeds eigenaar van de data, iemand is verantwoordelijk voor het monitoren van modellen in productie, en iemand neemt uiteindelijk de beslissing. AI kan die beslissingen ondersteunen, maar governance en toezicht blijven essentieel.

Over de komende drie tot vijf jaar, welke verschuivingen in de adoptie van ondernemings-AI zullen het meest van belang zijn — en wat moeten leiders nu beginnen te doen om voorop te blijven?

Over de komende paar jaar zal AI meer zichtbaar worden in dagelijkse bedrijfsbeslissingen. Veel bedrijven hebben tijd besteed aan het experimenteren met pilots en bewijzen van concept. De volgende stap is ervoor zorgen dat die capaciteiten werkelijk ondersteunen hoe teams plannen, vraag prognoses maken, supply chains beheren of marketingbeslissingen nemen.

Het werk zal ook evolueren naarmate AI capabeler wordt. Naarmate routine-taken meer geautomatiseerd raken, zullen banen zich meer richten op het begeleiden, interpreteren en samenwerken met AI-systemen. Organisaties die hun datafundamenten versterken en helpen bij het opbouwen van die capaciteiten bij werknemers, zullen zich veel gemakkelijker aanpassen naarmate AI onderdeel wordt van de dagelijkse operaties.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen LatentView Analytics bezoeken.