Rajan Sethuraman, CEO van LatentView Analytics – Interviewreeks

Rajan Sethuraman, CEO van LatentView Analytics, is een ervaren uitvoerend directeur wiens carrière zich uitstrekt over 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, organisatieontwerp en schaalbare bedrijfsmodellen, die nu zijn aanpak van AI en analytics vormgeven. Met diepe ervaring in werving, leren en bedrijfsstrategie heeft hij consistent gefocust op het aligneren van mensen, cultuur en technologie om meetbare resultaten te stimuleren, wat uiteindelijk leidde tot het leiden van LatentView door zijn beursgang en wereldwijde expansie, terwijl hij AI positioneerde 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 benutten om besluitvorming te verbeteren en groei te stimuleren. Het bedrijf biedt diensten zoals data-engineering, predictieve analytics en AI-gedreven consulting in verschillende industrieën, waaronder financiële dienstverlening, detailhandel en technologie, en werkt met Fortune 500-clients wereldwijd. De kernwaarde ligt in het transformeren van ruwe data in actiegerichte inzichten die bedrijven in staat stellen om 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 organisatiestrategie uw manier van schalen van AI en analytics beïnvloed?

Mijn vroege carrière was sterk gericht op talent, leiderschapsontwikkeling en het opbouwen van organisaties die konden schalen. Die ervaring beïnvloedt nog steeds hoe ik over AI denk. Technologie alleen schaalt een organisatie niet. Wat ertoe doet, is hoe teams het adopteren, hoe leiders zich eromheen aligneren en hoe duidelijk het bedrijfsprobleem wordt gedefinieerd. Bij LatentView besteden we veel tijd aan het helpen van organisaties bij het opbouwen van het bedrijfsmodel, vaardigheden en cultuur die nodig zijn om analytics en AI om te zetten in dagelijkse besluitvorming.

Omdat van dat, denk ik vaak aan 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 is altijd gericht op het opbouwen van die capaciteiten samen, in plaats van AI te behandelen als een geïsoleerde capaciteit.

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

AI-minimalisme begint met focus. Ondernemingsleiders hoeven niet elk nieuw model of capaciteit na te jagen dat verschijnt. Ze hebben een klein aantal betekenisvolle problemen nodig waar AI besluitvorming of productiviteit op een meetbare manier kan verbeteren. Dat kan gaan om prijsbeslissingen, supply chain-planning of hoe kennis zich verplaatst over de organisatie. Het starten met een goed gedefinieerd probleem helpt teams om vertrouwen op te bouwen en te leren wat verantwoord schalen eigenlijk betekent.

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 om dagelijkse problemen op te lossen, neemt de adoptie van nature toe. Nieuwsgierigheid en experimenten zijn nog steeds belangrijk, maar ze werken het beste wanneer ze verankerd zijn in een duidelijk gevoel van doel.

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

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 leeft, wie de eigenaar is of welke metrics het bedrijf eigenlijk vertrouwt, is dat meestal een teken dat de fundamenten nog niet klaar zijn. 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 gegenereerd voor wereldwijde klanten. Wat onderscheidt bedrijven die AI met succes operationaliseren van die die vastzitten in pilotmodus?

De bedrijven die AI met succes schalen, behandelen het als een bedrijfsdiscipline, niet als een innovatieproject aan de zijlijn. Ze wijzen executive-eigendom toe, 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 pilot die aandacht krijgt en een capaciteit die daadwerkelijk 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, voorraadresultaten of leverancierszichtbaarheid. AI die is gekoppeld aan metrics die het bedrijf al belangrijk vindt, heeft een veel betere kans om gefinancierd, beheerd en geadopteerd te worden op grote schaal.

Hoe benaderen wij het schalen van AI op een verantwoorde manier binnen een grote organisatie, terwijl governance, beveiliging en verantwoordelijkheid worden gehandhaafd?

Verantwoord schalen begint met het erkennen dat AI-beslissingen uiteindelijk invloed hebben op echte klanten, werknemers en bedrijfsresultaten. Dat betekent dat governance geen afterthought 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. Businessleiders, technologieteams en risico- of compliancegroepen moeten allemaal betrokken zijn. AI-systemen profiteren ook van transparantie over hoe uitvoer wordt gegenereerd en waar menselijke beoordeling nog essentieel is. Met guardrails ingesteld vanaf het begin, kunnen organisaties adoptie uitbreiden terwijl ze vertrouwen behouden.

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

Met een onderneming is het gesprek meestal over versnelling. Zij hebben al betekenisvolle data-assets, dus wij focussen op het prioriteren van high-value use cases, het verbeteren van toegankelijkheid en het integreren van AI in workflows waar het bedrijf snel op kan handelen. Dat kan betekenen enterprise-kennisopslag, connected planning in supply chain of domeinspecifieke modellen die besluitvormingssnelheid over functies heen verbeteren.

Voor ondernemingen die eerder in de reis zitten, is het startpunt anders. Wij besteden meer tijd aan data-gereedheid, 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 beloven aan een bedrijf dat nog geen vertrouwde data, gemeenschappelijke KPI’s of executive-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-era 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 zien waar AI echt kan helpen en waar het waarschijnlijk niet gebruikt zou moeten worden.

Externe inhuur tendeert naar meer gespecialiseerde vaardigheden, zoals data-engineering, machine learning-architectuur en AI-governance, die diepe expertise vereisen die organisaties mogelijk niet altijd in-house hebben. De bedrijven die dit goed doen, combineren deze specialisten met business-teams die de context en de beslissingen begrijpen die moeten worden verbeterd.

Culturele weerstand vertraagt vaak transformatie. Welke leiderschapsgedragingen hebben u het meest effectief gevonden in het opbouwen van vertrouwen en momentum rond AI-adoptie?

Duidelijke communicatie van leiders maakt een groot verschil. Werknemers willen begrijpen waarom nieuwe technologieën worden geïntroduceerd en hoe ze verbonden zijn met de bedrijfsstrategie. 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 engageren zich veel meer openlijk met verandering wanneer ze echte kansen zien om nieuwe vaardigheden op te bouwen en te groeien samen met de technologie.

Naarmate AI wordt geïntegreerd in besluitvormingsprocessen, hoe moeten raden en executive-teams performance-metrics en verantwoordelijkheid opnieuw denken?

AI verandert hoe beslissingen worden genomen, dus leiderschapsteams moeten verder kijken dan traditionele projectmetrics. De echte vraag wordt of AI de kwaliteit en snelheid van beslissingen in gebieden die ertoe doen voor het bedrijf, 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 in een apart dashboard van bedrijfsprestaties zitten voor een lange tijd.

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 jaren zal AI meer zichtbaar worden in dagelijkse bedrijfsbeslissingen. Veel bedrijven hebben tijd besteed aan het experimenteren met pilots en proof-of-concepts. De volgende stap is ervoor zorgen dat die capaciteiten daadwerkelijk ondersteunen hoe teams plannen, vraag prognoses maken, supply chains beheren of marketingbeslissingen nemen.

Werk zal ook evolueren naarmate AI capabeler wordt. Naarmate routine-taken meer geautomatiseerd worden, zullen banen verschuiven naar 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 dagelijkse operaties.

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