Sathya AG, Senior Principal Architect bij Google – Interview Serie

Sathya AG is een technologie-evangelist, auteur van “Enterprise-Grade Hybrid and Multi-Cloud Strategies“, en Senior Principal Architect bij Google (Retail Strategic Industries), met meer dan 19 jaar ervaring in enterprise-architectuur en AI. Een wereldwijde thought leader die erkend is met de Top AI Influencer Award en Google’s President’s Award, hij is de auteur van Enterprise-Grade Hybrid and Multi-Cloud Strategies en een Advisory Board Member voor de CAIO Circle. Hij is een Fellow van de British Computer Society (FBCS), Senior Member van IEEE, en Stanford LEAD-alumnus. Een gewilde spreker op AI Forward, Google Next, en NRF, Sathya geeft ook les in AI/ML aan onderbedeelde gemeenschappen.

Disclaimer: De gedachten die hieronder worden gedeeld en de meningen die worden uitgedrukt, zijn van de auteur en weerspiegelen niet noodzakelijkerwijs de meningen, posities of standpunten van zijn werkgever of enige organisatie waarmee hij is geaffilieerd.

U hebt meer dan een decennium bij Oracle (ORCL ) gewerkt voordat u overstapte naar een senior architectuurrol bij Google, waar u nu samenwerkt met grote retail-ondernemingen. Hoe is uw visie op enterprise AI veranderd nu bedrijven zijn overgestapt van traditionele data-moderniseringsprojecten naar generatieve AI en agente AI-initiatieven?

Terug in de Oracle-dagen, als enterprise-architect, was mijn kernfocus altijd gericht op het bouwen van de fundamenten, zeer complexe systemen die organisaties nodig hebben om hun bedrijf te runnen. We losten massive integratie-, governance- en Master Data Management-uitdagingen op om ervoor te zorgen dat het bedrijf een enkele, zeer robuuste bron van waarheid had. Traditionele data-modernisering was fundamenteel gericht op passieve observatie, het ontwerpen van semantische lagen en datapipelines die vertrouwde inzichten leverden aan menselijke besluitvormers.

De evolutie van Generatieve en Agente AI heeft het architectuurparadigma volledig veranderd van passieve observatie naar een autonoom systeem van actie. Nu is de lens verschoven naar of we een systeem kunnen laten handelen namens ons (en, correct, zonder toezicht), op grote schaal. Dat is een veel hogere lat voor gegevenskwaliteit, context en controle, omdat nu een verkeerde gegevensveronderstelling niet alleen een verkeerde dashboard oplevert, maar ook een verkeerde actie. Een agent die inventory-gegevens verkeerd leest, levert niet alleen verkeerde informatie, maar plaatst ook een verkeerde bestelling.

Dit is waar rigoureuze enterprise-architectuur kritiek en fundamenteel wordt voor AI-systemen. Om autonome systemen veilig te bouwen, moeten we de kloof tussen deterministische enterprise-systemen en probabilistische AI naadloos overbruggen. De architectuurgesprekken die ik nu leid, gaan over het bouwen van een vertrouwd gegevensweefsel, ervoor zorgen dat real-time autonome redenering wordt begrensd door strikte governance, robuuste observatie en dezelfde transactie-integriteit die we altijd van enterprise-systemen hebben geëist.

U hebt betoogd dat veel AI-projecten falen, niet vanwege het model, maar vanwege gegevens- en architectuurkeuzes die veel eerder zijn gemaakt. Wat zijn de meest voorkomende vroege architectuurkeuzes die stilzwijgend AI-projecten later ondermijnen?

De een die ik het meest zie, is bedrijven die een warehouse of lake behandelen als de enige bron van waarheid, terwijl het eigenlijk alleen maar een enkele bestemming is. Ze pompen alles naar één plek en nemen aan dat dit het ‘één versie van de waarheid’-probleem oplost, maar dat doet het niet, het centraliseert alleen de meningsverschillen. Als drie bron-systemen elk een actieve klant op een andere manier definiëren, geeft het kanaliseren ervan naar één warehouse één verkeerd antwoord in plaats van drie.

Daarnaast is er de valkuil van het bouwen voor exact wat er voor je ligt. Een pipeline wordt perfect afgestemd op één dashboard, werkt geweldig, en vervolgens moet het zes maanden later voor een nieuw model opnieuw worden opgebouwd in plaats van uitgebreid.

En de een die altijd terugkomt om mensen te bijten, is het overslaan van lineage en metadata omdat het eruitziet als overhead waar niemand om heeft gevraagd. Het heeft geen payoff; totdat iemand vraagt waarom het model een specifieke oproep deed en er geen manier is om het te traceren. Dat verandert in een dure oplossing in plaats van een goedkope ontwerpbeslissing.

Wanneer u samenwerkt met Fortune 500-ondernemingen, welke signalen geven aan dat een organisatie echt klaar is om AI te schalen buiten pilots?

Eerlijk gezegd, kan ik dat meestal binnen de eerste paar gesprekken zien. Het verschil tussen een organisatie die experimenteert met AI en een die klaar is om het op enterprise-schaal te operationaliseren, komt neer op een paar duidelijke signalen. Ik kijk meestal naar gereedheid in drie hoofdcategorieën: Strategische Overtuiging, Business Integratie en Operationele Volwassenheid.

Hier zijn de signalen die echte gereedheid tot schalen aangeven:

1. Strategische Alignement & Executive Overtuiging

Een Duidelijke AI-Strategie, Niet Alleen AI-Begeerte: Het leiderschap van de organisatie toont echte overtuiging met betrekking tot hun AI-strategie. Dit is gemakkelijk te herkennen door een paar leidende vragen te stellen over hoe AI in kaart wordt gebracht op hun bedrijfsdoelstellingen. Als ze de precieze businesswaarde (bijv. omzetgroei, margeverbetering of klantervaring) kunnen articuleren in plaats van alleen “generatieve AI willen gebruiken”, zijn ze klaar.

Gealloceerde Enterprise-Financiering: Ze zijn verder gegaan dan geïsoleerde R&D-begrotingen. Er is een toegewijd, cross-functioneel budget toegewezen, niet alleen voor AI-projecten, maar ook voor veranderingsbeheer, infrastructuur en voortdurende MLOps.

2. Probleem-Oplossing Fit & Business Integratie

Oplossing van de Juiste Problemen: Een belangrijk rode vlag is het verwarren van standaard workflow-automatisering of robotische procesautomatisering (RPA) met AI en het force-fit van AI op een legacy-proces. Klaar om te schalen organisaties begrijpen het unieke waardepropositie van AI. Ze focussen op use-cases waar AI een paradigma-shift in capaciteit biedt, in plaats van alleen een technologiebox aan te vinken op een legacy-proces.

Business Unit-Eigendom: Dit is een stillere signaal, maar vaak de grootste belemmering voor schalen. Als AI-opwinding geheel binnen een geïsoleerd “innovatielab” leeft met geen enkel belang bij de daadwerkelijke business-eenheden, zullen pilots falen om van de grond te komen. Echte gereedheid wordt gesignaleerd wanneer business-stakeholders actief meewerken aan de oplossing en de uiteindelijke business-uitkomst bezitten, in plaats van een proof-of-concept over de muur naar operaties te gooien.

3. Operationele Volwassenheid & Governance

Day-One Security & Compliance Engagement: Een gebrek aan betrokkenheid van security- en governance-teams, of het proberen om een kritische AI-use-case af te schermen van hen om “sneller te bewegen”, is een recept voor implementatiefalen. Volwassen organisaties brengen InfoSec, juridisch en data-governance op tafel op Dag 1. Ze zien deze teams als kritieke faciliteerders die de noodzakelijke guardrails bouwen om veilig te schalen, in plaats van obstakels.

Uiteindelijk behandelen organisaties die AI succesvol schalen het niet als een IT-wetenschappelijk experiment, maar als een transformatieve business-capaciteit met de juiste sponsoring, de juiste guardrails en de juiste business-alignement.

Wat ziet een AI-klaar gegevensfundament er eigenlijk uit, vooral voor ondernemingen met gefragmenteerde gegevens over ERP, CRM, commerce, cloud en legacy-systemen?

De meeste ondernemingen hebben geen gegevensvolume-probleem, maar een gegevensvertrouwensprobleem. Dit wordt verergerd met AI bovenop. Het gaat minder om een glanzend nieuw platform en meer om een handvol onopvallende eigenschappen die waar zijn over systemen heen.

Bijvoorbeeld, dezelfde klant, product of winkel moet als dezelfde entiteit worden erkend, ongeacht of het in een legacy-ERP, een moderne CRM of een commerce-platform zit. Als uw systemen het niet eens kunnen worden over wie een klant is, werken uw AI-persoonlijkheids- en forecasting-modellen met gebroken gegevens, wat resulteert in een gehallucineerd beeld. U kunt geen klantlevenswaarde voorspellen als uw AI één klant als drie verschillende personen behandelt.

Tweede, gegevensversheid die overeenkomt met het besluit, niet standaard ingesteld op wat het bron-systeem toevallig doet. Nachtelijke inventory-updates zijn prima voor langetermijnplanning en nutteloos voor real-time-fulfillment; een echte fundament ondersteunt beide snelheden zonder alles te plat te maken naar de langzaamste.

Derde, een lineage-laag die u in staat stelt om te antwoorden “waar komt dit getal vandaan” in minuten, niet in een meerdere dagen durende onderzoek. De meeste gefragmenteerde ondernemingen hebben geen gebrek aan gegevens, maar wel aan een laag die de gegevens die ze al hebben, vertrouwd en traceerbaar maakt. Dat is het echte fundament, niet het gereedschap dat erbovenop wordt gemonteerd.

U bespreekt vaak de 5 Vs van gegevens: Volume, Snelheid, Variëteit, Waarheid en Waarde. Welke van deze wordt door ondernemingsleiders het meest onderschat wanneer ze gegevens voorbereiden voor AI?

Gegevenswaarheid, zonder twijfel, gevolgd door Gegevenswaarde.

Volume is een gegeven in de huidige big data-ecosysteem. Iedereen verdrinkt in gegevens. Variëteit en Snelheid krijgen een budget omdat ze zichtbaar zijn op een roadmap – nieuwe bronnen, pipelines en real-time feeds.

Waarheid is onzichtbaar totdat het iets kost – meestal produceert een model een overduidelijk verkeerd output, en iemand traceert het terug naar dubbele klantrecords of een veld dat drie teams op drie verschillende manieren invullen.

Tenslotte wordt waarde op een andere manier onderschat – leiders nemen aan dat als gegevens bestaan, ze waarde hebben, zonder te vragen of ze daadwerkelijk een beslissing veranderen. De meeste ondernemingen hebben een klein deel van hun gegevens dat daadwerkelijk werk doet en niemand heeft in kaart gebracht welk deel dat is.

In retail specifiek, kunnen AI-use-cases zich uitstrekken tot personalisatie, forecasting, inventory, supply chain, klantenservice en winkeloperaties. Waar ziet u de grootste kloof tussen AI-ambitie en gegevensgereedheid?

Terwijl AI-ambitie gelijkmatig over retail is verdeeld, is gegevensgereedheid zeer asymmetrisch.

Personalisatie en forecasting hebben de meest redelijke gereedheid – retailers hebben jarenlang transactie- en browsingsgegevens verzameld.

De grotere kloof is supply chain en omnichannel, vooral de verbinding tussen online en fysieke winkels. Omnichannel is uiterst complex omdat het een retailer dwingt om twee van de moeilijkste gegevensproblemen in real-time op te lossen: eenheid van klantidentiteit en vloeibare inventory. De meeste retailers hebben real-time e-commerce-inventory, maar alleen periodieke, soms einde-dag, zichtbaarheid in winkel-niveauvoorraden.

Klantenservice en winkeloperaties zijn nog in de vroege stadia. Ambitie is hoog, maar de onderliggende operationele gegevens, zoals personeelsbezetting, taakvoltooiing, real-time winkelcondities, zijn vaak het minst gedigitaliseerde deel van het bedrijf. Ambitie is gelijkmatig verdeeld over deze use-cases; gereedheid is dat niet.

Hoe moeten bedrijven hun legacy-gegevensinfrastructuur moderniseren zonder de kritieke systemen die het bedrijf nog elke dag nodig heeft, te verstoren?

Legacy-gegevensplatforms lijden vaak aan operationele bottlenecks, ernstige gegevenskwaliteitsproblemen en organisatorische schaalbeperkingen. De meest effectieve manier om dagelijkse operaties te beschermen tijdens een moderniseringsreis is om strikt te vermijden één enkele, hoge-risico big-bang-migratie. Het primaire doel van de gegevensplatformmodernisering moet zijn om gegevens demonstrabel nuttiger te maken voor organisatorische besluitvorming, in plaats van de inspanning te behandelen als een pure IT-platformwissel.

Om te voldoen aan de AI-tijdperk, moeten organisaties een data-medallion en data-mesh-architectuur aannemen. Deze strategie creëert een gestructureerde pipeline waarin gegevens progressief van raw naar business-ready worden geraffineerd, waardoor slechte kwaliteit gegevens uit besluitvorming worden voorkomen. Door gegevens te scheiden in afzonderlijke logische lagen, stellen organisaties duidelijke lineage vast, waardoor het gemakkelijk is om te traceren hoe informatie van bron naar bestemming verandert.

Door geverifieerde gegevens in toegankelijke producten te verpakken, empoweren organisaties hun teams om strategische, evidence-gebaseerde beslissingen te nemen in plaats van te vertrouwen op intuïtie. Cruciaal is dat deze aanpak het fundament van gegevensvertrouwen vestigt dat nodig is voor enterprise AI. Het bouwen van AI-agents op basis van gecureerde gegevensproducten zorgt ervoor dat modellen leren van veilige, nauwkeurige informatie in plaats van rommelige, ongeverifieerde datasets.

Governance wordt vaak toegevoegd nadat een AI-project al gaande is. Wat verandert er wanneer governance, privacy, security en gegevenskwaliteit worden behandeld als architectuurvereisten vanaf dag één?

Alles verandert. Met de probabilistische aard van generatieve AI is governance uiterst kritiek, maar nog steeds het meest over het hoofd gezien aspect in veel organisaties.

Wanneer u deze elementen behandelt als dag-één-architectuurvereisten in plaats van een laatste-minuut-audit-controlelijst, verandert u van schadebeperking naar snelheid. Hier is wat verandert:

Ten eerste, voorkomt u de pijnlijke “rip-and-replace”-fase waarin volledig gebouwde AI-projecten worden geschrapt omdat ze compliance- of privacy-standaards schenden.

Volgende, zijn security en gegevenskwaliteit niet opgelapt; ze zijn ingebed in de pipeline. Uw modellen draaien op betrouwbare gegevens, waardoor outputs ontstaan die leiderschap en gebruikers daadwerkelijk vertrouwen.

Tenslotte, in plaats van tegen een reguleringsmuur aan te lopen wanneer u van proof-of-concept naar productie gaat, is het pad naar implementatie al vrijgemaakt en geautomatiseerd.

Kortom, governance is geen rem op innovatie, maar het stuur dat u toelaat om snel en veilig te rijden.

Als adviseur van de CAIO Circle, hoe denkt u dat de Chief AI Officer-functie moet evolueren, en waar moeten de verantwoordelijkheden beginnen en eindigen in relatie tot de CIO, CDO en business-unitleiders?

Als onderdeel van de CAIO Circle, heb ik een echt nuttig venster in dit, omdat de rol nu overal is vanwege het feit dat veel ondernemingen deze reactief hebben gecreëerd als reactie op generatieve AI-hype, in plaats van een duidelijke operationele kloof te vullen. Ik geloof dat dit snel zal settelen en het moet. Om effectief te werken, moet de executive-afbakening scherp zijn:

De CIO bezit de infrastructuur en systeembetrouwbaarheid. De CDO bezit gegevens als een ondernemingsasset (de kwaliteit, governance en toegankelijkheid). De CAIO bezit de vertalingslaag tussen ruwe AI-capaciteit en echte business-uitkomsten.

Die vertalingslaag betekent het nemen van expliciete eigenaarschap van het AI-portfolio, het bepalen van wat te bouwen, het identificeren van de gebieden van het bedrijf die kunnen worden verbeterd en beter bediend door AI-technologie en het dienen als de uiteindelijke autoriteit op waar AI moet en niet moet worden ingezet.

De grootste kloof in de meeste ondernemingen vandaag is het evalueren van risico- en waarde-uitwisselingen tussen concurrerende business-eenheden. Het blokkeren van een hoog-risico-AI-initiatief dat een enkele business-eenheid wanhopig graag wil, vereist iemand wiens incentives niet zijn gekoppeld aan de korte-termijndoelstellingen van die eenheid en die technisch genoeg is om het risico rechtstreeks te evalueren. Die onafhankelijke, technisch gefundeerde poortwachter is precies wat de CAIO-functie moet worden.

Kijkend naar de toekomst, wat zal het verschil maken tussen bedrijven die een duurzaam AI-voordeel behalen en diegenen die alleen experimenteren met de nieuwste AI-gereedschappen?

Het zal niet zijn degenen die toegang hebben tot de beste modellen. Modelcapaciteit convergeert snel en rauwe technologie zal niet langer een duurzame differentiator blijven.

In plaats daarvan zal de kern van langdurig AI-succes – of intern of klantgericht – neerkomen op één ding: Vertrouwen.

Vertrouwen is recht evenredig met de capaciteit van een organisatie om een AI-klaar fundament te bouwen en een omgeving te creëren waarin nieuwe capaciteiten kunnen worden getest, veilig geïmplementeerd en geschaald met snelheid. Concreet vereist dit drie dingen:

Een Betrouwbaar Gegevensfundament: Schoon, betrouwbaar gegevens zodat elke nieuwe use-case geen enorme, eenmalige schoonmaakprojecten vereist.

Agile Governance: Risico- en compliance-processen die snel genoeg zijn om de snelheid te volgen waarmee de onderliggende modellen evolueren.

Outcome-Driven Metrics: Een organisatiecultuur die AI meet op businesswaarde, niet op technische geavanceerdheid.

De bedrijven die nog steeds in “experimentatiemodus” zullen zitten over drie jaar, zullen degenen zijn die nooit dat fundament hebben gebouwd – ze zullen blijven herleren van dezelfde gegevens- en governancelessen op elk enkel AI-project.

De winnaars met een duurzaam voordeel zullen degenen zijn waar het tiende AI-use-case dramatisch goedkoper en sneller is om te implementeren dan de eerste, omdat het fundament goed is gebouwd vanaf het begin.

Bedankt voor het geweldige interview, lezers kunnen ook zijn boek Enterprise-Grade Hybrid and Multi-Cloud Strategies lezen.