Amit Sharma, CEO og grunnlegger av CData – Intervju-serie

Amit Sharma, CEO og grunnlegger av CData Software, er en teknisk leder som har ledet CData fra tidlige startfasen til å bli en global leder innen datakobling og -integrering. Med en karriere som omfatter roller som programvareingeniør i Infosys og Elixar, teknisk arkitekt i /n Software, og senere CTO i CData, har han bygget dypt ekspertise innen bedriftsdata-tilgang og -infrastruktur. Siden han ble CEO i 2014, har han ledet CData’s misjon om å forenkle hvordan organisasjoner kobler, integrerer og utnytter data på tvers av systemer, og hjulpet med å posisjonere selskapet som en grunnleggende lag i moderne data-bevegelse.

CData Software er en ledende leverandør av data-tilgangs- og -koblingsløsninger. Deres selvbetjeningsdata-produkter og koblingsplattformer leverer universell tilgang til live-data på tvers av hundrevis av vidt brukte lokale og sky-applikasjoner. Millioner av brukere verden over avhenger av CData for å støtte avansert analyse, akselerere sky-adoptsjon og bygge mer sammenkoblede, data-drevne organisasjoner. Designet for å være forbruker-vennlig for alle brukere, tilgjengelig innen alle applikasjoner og skalerbart for bedrifter av alle størrelser, definerer CData om hvordan bedrifter tilgår og bruker data.

Du startet din karriere i India hos Infosys og gikk senere over til amerikansk bedriftsprogramvare. Hva var den første læringen fra denne fasen som fortsatt former hvordan du leder i dag?

Min tid hos Infosys ga meg tidlig eksponering for kravene til stor-skala bedriftsteknologi — kompleksiteten, behovet for pålitelighet og hvordan store organisasjoner nærmer seg tekniske problemer. Det dannet en dypt respekt for struktur og bedrifts-grad av kvalitet. Men når jeg gikk over til en amerikansk startup, oppdaget jeg at jeg trivdes på hastighet, fleksibilitet og evnen til å gjøre direkte innvirkning. I dag leder det doble bakgrunnen hvordan jeg leder CData Software: Jeg insisterer på bedrifts-grad av standarder og robusthet, samtidig som jeg fremmer en lean, rask-bevegende kultur som verdsetter enkelhet, virkelighets-tilgjengelighet og rask gjennomføring.

Etter mer enn et tiår som CEO av CData, hva var den viktigste endringen i tankegang eller tilnærming som var nødvendig for å skale selskapet fra tidlige dager til en global bedrift?

Den største endringen for meg var å gå fra å tenke som en bygger av teknologi til å tenke som en bygger av en organisasjon. I tidlige dager var fokuset mitt nesten utelukkende på produktet; å sikre at det var elegant, pålitelig og løste virkelige problemer. Da CData skalerte, måtte jeg lære at great software alene ikke er nok; du trenger great mennesker, sterke ledere og prosesser som skaler uten å slowe deg ned. Det betydde å investere tidligere i rekruttering, å gi teamene myndighet og bygge gjentakende systemer på salg, support og operasjoner, samtidig som jeg beskyttet vår ingeniør-kultur. Tankegangs-endringen var å realisere at jobben min ikke bare var å lage great teknologi, men å skape en miljø hvor great teknologi kunne bygges konsekvent av en voksende globalt team.

CData har lenge fokusert på “å forenkle tilgang til alle data, overalt”. Hvordan har denne misjonen utviklet seg når industrien går dyptere inn i AI-naturlige applikasjoner?

Fra begynnelsen har vår misjon på CData vært å gjøre data universelt tilgjengelig ved å bruke familiære, standardiserte grensesnitt, fordi vi trodde at den største flasken til innovasjon ikke var lagring eller beregning, men tilgang. Denne grunnideen har ikke endret seg, men konteksten har. Da organisasjoner flytter fra analyse til sky og nå inn i AI, har kostnadene av fragmentert, inkonsistent data-tilgang bare økt. Hva som har utviklet seg er vår ansvar: det er ikke lenger bare om å koble applikasjoner til data, men om å sikre at data er pålitelig, sanntid og brukbar på tvers av komplekse og distribuerte miljøer. I AI-æraen er tilgang alene ikke nok. Data må være umiddelbart brukbar uten uker med tilpasset ingeniør-arbeid.

Da AI-naturlige applikasjoner blir normen, har vår misjon utvidet seg til å gjøre data AI-klar som standard. Det betyr å aktivere konsistent semantikk, høy-ytelses-kobling, styrings-bevisst tilgang og sanntid-integrering på tvers av strukturerte og SaaS-datakilder, så modeller og agenter kan arbeide med fersk, pålitelig informasjon, ikke skjøre punkt-integreringer eller stale kopier. I praksis fokuserer vi på å eliminere friksjonen mellom hvor data bor og hvor AI-systemer opererer, så team kan gå fra eksperimentering til produksjon raskere. Vi ser oss selv ikke bare som en koblings-leverandør, men som en grunnleggende data-lag for AI-drevne bedrifter som stille powersystemene som gjør intelligente applikasjoner mulige.

Med generativ AI akselererende, hva betyr “AI-klar data” virkelig for deg, og hvor ser du at organisasjoner misforstår denne ideen mest?

Til meg betyr “AI-klar data” data som er tilgjengelig, pålitelig, aktuell og forståelig for både mennesker og maskiner uten lag med tilpasset rørledning. Det er ikke bare om å flytte data inn i en innsjø eller lager. Det er om å sikre at systemer, modeller og agenter kan konsistent tilgå riktig data på riktig tidspunkt gjennom standardiserte, styrte grensesnitt. AI-klarhet avhenger mindre av hvor data lagres og mer av om det kan oppdages, spørrings, tillitsfull og integrert i sanntid. Uten denne grunnlaget slutter selv de mest avanserte modellene å operere på ubestemt eller stale informasjon.

Der jeg ser at organisasjoner misforstår konseptet, er i å anta at sentralisering automatisk betyr klargjøring. Team ofte tror at når data konsolideres inn i en enkelt plattform, er de “AI-klare”, når i virkeligheten de har bare skapt en ny silo. Andre overinvestere i verktøy uten å adresse datakvalitet, semantikk og kobling, de uglamorøse problemene som gjør eller ødelegger virkelige AI-systemer. AI feiler ikke på grunn av modeller; det feiler på grunn av rotete, utilgjengelige eller foreldede data. Organisasjonene som vil vinne er de som behandler data-klarhet som en operasjonell disiplin, ikke en engangs-migreringsprosjekt.

Din nye forskning, The State of AI Data Connectivity: 2026 Outlook, viser at bare 6% av AI-ledere tror at deres data-infrastruktur er fullstendig klar for AI. Hvorfor tror du at klarhetsgapet er så stort, og hva forteller dette oss om industrien nåværende retning?

Gapet er så stort fordi de fleste organisasjoner investerte i å samle og lagre data lenge før de investerte i å gjøre det brukbart for AI. Over de siste ti årene har selskaper bygget innsjøer, lager og rørledninger, men de sjeldent bygde en samlet tilgangslag som sikrer at data er konsistent, sanntid og tilgjengelig på tvers av systemer. Som følge oppdager ledere at når de begynner å deployere AI i virkelige arbeidsflyter, deres underliggende infrastruktur ikke kan støtte hastigheten, skalaen eller påliteligheten AI krever. 6%-tallet reflekterer ikke en mangel på ambisjon, men snarere virkeligheten at AI eksponerer svakheter som alltid har vært der, men ikke var like viktige i tradisjonell analyse.

Hva data forteller oss om industrien er at vi er tidlig i AI-adoptions-kurven, ikke sent. Organisasjoner eksperimenterer aggressivt på applikasjons-laget, men de innser nå at suksess avhenger av å modernisere deres data-grunnlag under. Vi går inn i en korrektur-fase hvor fokuset skifter fra flotte piloter til operasjonell klargjøring—standardisert tilgang, styrt integrering og sanntid-kobling. Vinnerne vil ikke være selskapene som bygger de fleste bevis for konsept, men de som moderniserer deres data-infrastruktur raskt nok til å flytte disse eksperimentene inn i produksjon i skala.

Funnene viser også at 71% av AI-teamene bruker mer enn en kvart av sin tid på data-rørledning. I din mening, hva del av dette arbeidet er faktisk strategisk og ikke bare teknisk gjeld?

Noen del av “data-rørledning” er absolutt strategisk når det handler om å skape varig tilgang til data gjennom standardiserte grensesnitt og å designe for skalerbarhet og styring fra starten. Å investere i konsistent kobling, delt semantikk og pålitelig integreringsmønster er grunnleggende arbeid som betaler dividender på tvers av hver applikasjon og modell som kommer senere. Problemet er at de fleste team ikke gjør denne typen rørledning. De bygger enkelt-tilgangs-rørledninger, skriver skjøre koblinger og patcher integreringer som bare løser et problem en gang. Det er teknisk gjeld forkledd som fremgang.

Hva som er strategisk er alt som reduserer fremtidig friksjon: å eliminere tilpasset kode til fordel for standarder, å bygge gjenbrukbare data-tjenester og å koble systemer på måter som skalerer på tvers av team og bruksscenarier. Når rørledning blir usynlig og gjenbrukbar, stopper det å være en avgift på AI-team og blir en muliggjører. Det virkelige målet er ikke å bruke mindre tid på data. Det er å slutte å bruke tid på de samme data-problemene om og om igjen.

En slående datapunkt fra rapporten er at 46% av bedriftene nå krever sanntid-tilgang til seks eller flere datakilder for en enkelt AI-bruks-sak. Reflekterer dette hva du ser hos kundene dine, og hva gjør denne typen kobling så vanskelig?

Ja, det stemmer overens med hva vi ser hos kundene våre. Moderne AI-bruks-sak, enten det handler om prediktiv analyse, anbefalings-motorer eller autonome arbeidsflyter, avhenger sjelden av ett enkelt system. Bedrifter ofte trenger å kombinere ERP, CRM, SaaS-applikasjoner, strømmings-plattformer og legacy-databaser for å generere meningsfulle innsikter. Utfordringen er ikke bare antallet kilder; det er variasjonen, forskjellige protokoller, formater og oppdateringsfrekvenser, og forventningen om at denne data skal være tilgjengelig i sanntid for AI-modeller å forbruke.

Hva som gjør denne typen kobling så vanskelig er at tradisjonelle integrerings-tilnærminger aldri var designet for skalaen, hastigheten og påliteligheten AI krever. Enkelt-tilgangs-koblinger og batch-rørledninger kan bare ikke holde pace. Sanntid-tilgang krever standardiserte, styrte grensesnitt, konsistent semantikk på tvers av systemer og overvåking for å sikre datakvalitet og -tilgjengelighet. Uten denne grunnlaget bruker team mer tid på å slukke branner i rørledninger enn å bygge AI-løsninger, noe som bremser innovasjon og introduserer risiko. Organisasjonene som lykkes er de som behandler kobling som en strategisk evne, ikke bare en teknisk sysslor.

Rapporten understreker semantisk konsistens, kontekst og kobling som avgjørende egenskaper ved modent AI-data-infrastruktur. Hvordan bør organisasjoner tenke om å sekvensere disse prioritetene?

Når det gjelder å sekvensere, bør organisasjoner starte med kobling. Hvis data ikke er pålitelig tilgjengelig på tvers av systemer, blir alt annet irrelevant. AI-modeller kan ikke lære fra det de ikke kan nå. Å etablere standardiserte, styrte koblinger på tvers av alle kritiske datakilder legger grunnlaget for alt som følger. Uten denne laget, ender team med å bygge skjøre, enkelt-tilgangs-rørledninger som skaper mer arbeid senere.

Når kobling er på plass, blir semantisk konsistens den neste prioritet. Data trenger et felles språk så informasjon fra multiple kilder kan tolkes riktig og kombineres meningsfullt. Kontekst følger naturlig: å forstå ikke bare verdier, men deres mening innenfor bedrifts-prosessen, tid og relasjoner, sikrer at AI-modeller kan gjøre nøyaktige, handling-utløsende prediksjoner. Å behandle disse elementene som en strukturert sekvens—kobling først, semantikk andre, kontekst tredje—tillater organisasjoner å bygge en AI-klar data-infrastruktur som skaler og støtter pålitelig, produksjons-klar intelligens.

AI-naturlige programvare-leverandører krever nå omtrent tre ganger flere eksterne integrasjoner enn tradisjonelle leverandører. Hva driver denne økende gapet, og hva avslører det om hvor programvaren er på vei?
Gapet øker på grunn av AI-selv: AI-naturlige applikasjoner trives på mangfoldig, sanntid-data fra multiple kilder. I motsetning til tradisjonell programvare, som ofte opererer innenfor ett enkelt system eller suite, trenger AI-modeller å innta, korrelere og analysere informasjon på tvers av ERP-systemer, CRM-plattformer, SaaS-applikasjoner, strømmings-kilder og mer. Hver integrasjon er essensiell for å gi AI tilstrekkelig kontekst og dekning til å generere nøyaktige prediksjoner, anbefalinger eller automatiserte handlinger.

Dette trendet avslører at programvaren beveger seg fra isolerte applikasjoner mot sammenkoblede, intelligente økosystemer. Vinnerne vil ikke være produktene som fungerer bra på egen hånd. De vil være plattformene som kan åpne og integrere data hvor det enn bor. I praksis betyr det at kobling, standardisering og sanntid-integrering ikke lenger er ønskelige, men grunnleggende evner for AI-naturlig programvare å levere virkelig verdi.

Om fem år, hva tror du vil bli den største flasken for AI-suksess—kobling, sanntid-rørledninger, semantisk modellering, styring eller noe annet?

Om fem år tror jeg styring og sikkerhet vil bli den største flasken for AI-suksess. Mens kobling og sanntid-rørledninger fortsatt er grunnleggende, har organisasjoner raskt innsett at ustyrte AI er uholdbar og potensielt farlig. Da AI flytter fra eksperimentering til produksjon og begynner å påvirke kritiske bedrifts-beslutninger, øker risikoen for bias, overholdelse-brudd, data-lekkasje og operasjonelle feil eksponentielt.

Utfordringen er ikke lenger bare om å flytte data; det handler om å flytte riktig data, med riktig kontroll, til riktig systemer, på en sporbar og auditerbar måte. Organisasjoner som ikke innarbeider sterke styrings-rammer og sikkerhets-protokoller fra starten, vil møte økende regulatorisk press, omdømme-risiko og til slutt, AI-systemer de ikke kan stole på eller skale. Vi ser allerede tidlige tegn: bedrifter tørr å deployere AI fordi de ikke kan sikre data-avstamning, tilgangskontroll eller overholdelse med utviklende regler.

De mest suksessfulle organisasjonene om fem år vil være de som behandler styring og sikkerhet ikke som ettertanke, men som kjerne-aktiverende av AI. Ja, du trenger kobling og sanntid-rørledninger for å få data flytende, men uten styring og sikkerhet på plass, blir data en byrde i stedet for en aktivum. Fremtiden for AI handler ikke bare om hastighet eller skala; det handler om tillit, ansvar og ansvarlig deployering på hver lag av data-stakken.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke CData Software.