Afsheen Afshar, grunnlegger av Pilot Wave Holdings – Intervju-serie

Afsheen Afshar, grunnlegger av Pilot Wave Holdings, er en veteran innen datavitenskap og investeringsledelse med en karriere som omfatter seniortillinger i Goldman Sachs, J.P. Morgan og Cerberus Capital Management, der han hjalp til å bane vei for storstilte datavitenskaps- og AI-initiativer innen finansielle institusjoner. Med en teknisk basis rotfestet i nevrovitenskap og maskinlæringsforskning ved Stanford University, har Afshar bygget en karriere i skjæringspunktet mellom avansert analyse, private equity og operasjonell transformasjon, med fokus på å bruke AI til virkelig forretningsytelse. Hos Pilot Wave samler han investeringskompetanse, operasjonell ledelse og dypt teknisk kunnskap for å identifisere, kjøpe og skala selskaper med datadrevne strategier og moderne teknologi.

Pilot Wave Holdings er en akvisisjons- og vekstplattform som fokuserer på å transformere små og mellomstore bedrifter gjennom kunstig intelligens og avansert teknologi. Selskapet utnytter egenutviklede AI-systemer for å analysere drift, avdekke ineffektiviteter og drive ytelsesforbedringer gjennom porteføljebedriftene. Ved å kombinere praktisk operasjonell involvering med moderne data-infrastruktur, har Pilot Wave som mål å modernisere tradisjonelle bedrifter som historisk sett har manglet tilgang til avanserte verktøy, og posisjonere dem for skalerbar, langvarig vekst i en økonomi som stadig blir mer teknologidrevet.

Du har hatt banebrytende AI-lederroller i selskaper som JPMorgan og Cerberus, og senere grunnla Pilot Wave Holdings for å bringe AI inn i tradisjonelle industrier. Hva var den avgjørende innsikten eller frustrasjonen som ledet deg til å gå fra å bygge AI innen store institusjoner til å kjøpe og transformere selskaper direkte?

Det avgjørende problemet var behovet for empowerment til å kunne bevege seg raskt. Innen store institusjoner, selv når folk er enige om muligheten, er det vanligvis for mange lag mellom å identifisere problemet og faktisk gjøre noe med det. AI lykkes vanligvis ikke fordi det tekniske arbeidet er umulig, men fordi organisasjonen er for langsom, for politisk eller for fragmentert til å handle med hastighet. Jeg ønsket å arbeide i en miljø hvor strategi, drift og teknologi kunne bli alignert raskt. Å kjøpe og bygge selskaper direkte skaper denne type empowerment. Hvis du faktisk ønsker å endre hvordan et bedrift drives med hastighet og vilje, er det viktig å være eieren.

Mye av industrien feirer fremdeles suksessfulle piloter, men den virkelige verdien kommer fra produksjonssystemer. Hvorfor bryter AI-initiativer så ofte sammen ved overgangspunktet, og hva skiller organisasjoner som suksessfullt operationaliserer AI fra de som bremses?

Mange piloter er designet for å lykkes, noe som er nettopp hvorfor mange selskaper lurer seg selv. De skjer i rene miljøer, med ekstra oppmerksomhet, begrenset omfang og ingen av friksjonen som viser seg i produksjon. Det dypere problemet er ofte en empati-luke. Teknologer tar ofte ikke tiden eller har rett og slett ikke ønsket om å lære operatørens erfaring, så de bygger noe som fungerer i teorien eller i en demo, men som ikke passer virkeligheten i jobben. Selskapene som operationaliserer AI suksessfullt er de som tar den menneskelige arbeidsflyten alvorlig fra begynnelsen og bygger for uordenheten i virkelig drift i stedet for å prøve å unngå den. Alle sier at de ønsker produksjonsverdi, men mange team er fortsatt optimering for pilot-applaus.

Ditt arbeid fokuserer på å integrere AI i sektorer som infrastruktur, produksjon og e-handel. Hvorfor er det å deployere AI i disse miljøene fundamentalt forskjellig fra å deployere det i digitalt-native eller programvare-først selskaper?

Forskjellen er at i mer tradisjonelle bedrifter er empati og det menneskelige elementet enda viktigere enn folk i AI-verdenen vanligvis ønsker å innrømme. I programvare-først miljøer kan team ofte flytte raskt og fikse problemer senere. I infrastruktur, produksjon og e-handel er arbeidet knyttet til fysiske systemer, reelle begrensninger og mennesker som vet umiddelbart når noe ikke passer måten bedriften faktisk drives. Det betyr at du ikke bare kan vise opp med en teknisk elegant løsning og forvente aksept. Hvis du ikke forstår operatørens erfaring, er din AI-strategi sannsynligvis allerede ødelagt. Disse miljøene avslører overfladisk tenkning svært raskt, noe som er en del av hvorfor de betyr så mye.

Du har argumentert for at AI-adoptsjon bør starte med forretningsprioriteter snarere enn verktøy. Hva ser det ut som i praksis, og hvordan bør ledelseslag reframme sin tilnærming til AI-transformasjon?

De fleste ledelseslag starter på feil sted. De begynner med en hva-kan-denne-teknologien-gjøre-for-oss-konversasjon fordi det høres spennende og aktuelt ut, når riktig sted å starte er hva er våre viktigste forretningsprioriteter. Når du vet det, kan du så snakke ærlig om de beste verktøyene for å håndtere disse prioritetene, og det trenger ikke alltid å være AI. Det høres selvinnlysende ut, men de fleste selskaper er fortsatt på jakt etter teknologi først og håper at forretningscasen vil noen gang dukke opp etterpå. Det er bakvendt og det fører til mye spill av tid. Hvis ledelsen ønsker reelle resultater, må de slutte å behandle AI-strategi som en handle-øvelse.

Hos Pilot Wave er du ikke bare rådgiver for selskaper, men omformer dem etter akvisisjon. Hva er de første strukturelle eller kulturelle endringene du implementerer for å gjøre AI-adoptsjon faktisk vellykket?

Det første er å finne både seniort og juniorsponsorer. Juniorsponsorene kjenner til dag-til-dag-realiteten og kan sikre at de lavere nivåene faktisk gjør det som trengs, mens seniorsponsorene sikrer at politikken minimeres og at innsatsen ikke blir kvalt stille. Mange selskaper lener for tungt på topp-støtte og undrer seg deretter over hvorfor ingenting endrer seg i praksis. Sannheten er at AI-adoptsjon vanligvis feiler enten fordi organisasjonen motsetter seg det på bakkenivå eller fordi ledelsen lar forstyrrelser bygge seg opp rundt det. Du trenger begge former for støtte på plass tidlig. Ellers blir initiativet et annet ledelses-talkingpunkt som aldri virkelig lander.

Ettersom AI-agenter blir mer kapable og infrastruktur blir stadig mer abstrahert, hvilke strategiske risikoer oppstår for selskaper som ikke kontrollerer sin egen data og AI-stakk?

Jeg ville argumentere for at selskaper alltid trenger grunnleggende kontroll. Det krever instrumentering av hver enkelt system, noe som er hvordan Pilot Wave tilnærmer systemdesign, fordi hvis du ikke kan se hva som skjer, måle det og sette guard-tiler rundt det, så tar du på deg risiko du ikke forstår. Det betyr ikke at du ikke bør delegere oppgaver, fordi delegasjon vil absolutt fortsette i skala, men delegasjon uten måling er ikke en gjennomførbar strategi. Mye av markedet blir forført av abstraksjon fordi det gjør ting enklere og raskere, men den komforten kan skjule reel systemisk sårbarhet. Hvis riktig instrumentering, måling og guard-tiler er på plass, kan den potensielle systemiske risikoen minimeres. Hvis de ikke er det, bygger du avhengighet før du har tjent tillit.

Det er en voksende gap mellom hvordan AI markedsføres og hvordan det fungerer i virkelige miljøer. Hva signaler bør tekniske ledere og operatører se etter for å skille meningsfulle AI-egenskaper fra overflatiske krav?

Spør alltid om virkelig verdi-måling. Jeg har vært religiøs om å måle verdi hele min karriere, ned til enkeltprosjekter, fordi uten den disiplinen blir det svært enkelt å forveksle begeistring med resultater. Hver innsats bør holdes til en ROI og spores. Hvis noen ikke kan forklare tydelig hvordan systemet påvirker omsetning, kostnad, gjennomstrømming, arbeids-effektivitet eller en annen virkelig forretnings-måling, så er det en god sjanse de selger teater. Industrien er blitt alt for komfortabel med å belønne polerte demonstrasjoner og vagt krav. Uten rigorøs verdi-måling, er det reell risiko for å kaste bort tid og penger.

Du har bygget og ledet store data-vitenskaps-organisasjoner. Hvordan ser du på rollen til AI-team som utvikler seg mens automatisering øker og agent-baserte systemer tar på seg mer ansvar?

AI vil ta på seg høyere og høyere nivå-oppgaver. Hos Pilot Wave utvikler vi allerede AI som kan ta inn noe som “øk min omsetning med 10 prosent” i stedet for “gjør om min nettside”, noe som er mye nærmere hvor mye AI ennå sitter i dag. Denne skiftet endrer rollen til AI-team på en alvorlig måte fordi arbeidet blir mindre om isolerte oppgaver og mer om hvordan systemer resonerer over faktiske forretnings-mål. Mange team er fortsatt tenkende for smalt om automatisering og undervurderer hvor raskt teknologien beveger seg oppover stakken. Tyngdepunktet vil skifte fra oppgave-eksekvering mot forretnings-delegering. Det er en mye større endring enn de fleste bedrifter forbereder seg på.

Mange bedrifter investerer tungt i AI, men sliter med å generere målbart ROI. Hva er de vanligste feil-mønstrene du har observert, og hvordan kan de unngås?

De fleste AI-innsatser, spesielt i store bedrifter, er fortsatt for fokusert på sexy dashboards, buzzwords og ting som er enkle å presentere internt, men har vanskelig å knytte til virkelig verdi. Selskaper bruker mye tid på å gjøre arbeidet se sofistikert ut i stedet for å gjøre det nyttig. Feil-mønsteret er vanligvis ikke mystisk, det er bare en mangel på disiplin rundt aksjonabel verdi-creasjon. Hvis det ikke er et klart økonomisk mål, ingen eier og ingen målings-ramme, bør innsatsen ikke fortsette. Å være religiøst fokusert på verdi-creasjon på hver stopp langs veien er kritisk. Ellers blir bedrifts-AI en svært dyr branding-øvelse.

Ser fremover, hvilke AI-egenskaper eller system-nivå-gjennombrudd bør ha størst innvirkning på fysisk-verden industrier over de neste fem til ti år?

Evnen til å gi svært høyt-nivå-mål til et AI-system og deleger majoriteten av bedriften, vil bli svært reell svært raskt. Det er den egenskapen som vil bety mest, fordi det flytter AI bort fra smal oppgave-eksekvering og inn i faktisk operasjonell gevinst. Som en konsekvens, vil mennesker fokusere mer på relasjon- og tillits-aspektene av bedrift, sammen med den faktiske fysiske naturen av arbeidet, enten det er bygging eller en annen felt-basert industri. Mange mennesker snakker fortsatt om AI som et produktivitets-lag som sitter på siden, men den synsvinkelen begynner å føles utdatert. Systemene blir mer og mer i stand til å ta på seg større ansvar. Fremtiden er svært spennende, men den vil også bli mye mer disruptiv enn mange etablerte ønsker å innrømme.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Pilot Wave Holdings.