Chetan Alsisaria, CEO og medgrunnlegger, Polestar Analytics – Intervju-serie

Chetan Alsisaria, CEO og medgrunnlegger er en ledende ekspert innen bedriftsteknologi som spesialiserer seg på data, analyser og AI-drevet transformasjon. Etter tidlige roller i Deloitte, PwC og EY, var han med å grunnlegge Polestar Analytics i 2012 og har siden da utviklet det til et globalt AI- og dataselskap. Han leder salg, strategiske allianser, tjensteutvikling og teknisk levering, samt fungerer som leder for CAIO Circle, en samfunn for AI-ledere som fokuserer på å fremme ansvarlig og praktisk AI-tilpasning. I tillegg var han med å grunnlegge Xumane Equity, noe som reflekterer hans bredere fokus på innovasjon over bedriftssystemer og plattformer.

Polestar Analytics er et globalt AI- og dataselskap som hjelper bedrifter med å omdanne fragmentert data til handlebare innsikter gjennom sin egenutviklede 1Platform. Ved å samordne dataingeniørarbeid, analyser, AI og forretningsprosesser i ett økosystem, muliggjør selskapet at organisasjoner kan forbedre beslutningstaking, optimalisere drift og skalerer AI-tilpasning. Med en sterk fokus på bransjespesifikke brukstilfeller og målbare resultater, har Polestar utviklet seg fra et konsulentselskap til et plattformdrevet bedrift som leverer forenklet, intelligensdrevet løsninger i bedriftsstorrelse.

De grunnla Polestar Analytics i 2012 etter roller i Deloitte, PwC og EY. Hva var gapet i bedriftsdata og analyser som du så på den tiden, og hvordan har den opprinnelige visjonen utviklet seg til dagens AI-drevne 1Platform?

Du vet, når Ajay, Amit og jeg startet Polestar Analytics tilbake i 2012, var ironien slående; bedrifter druknet i data, men sultet etter beslutninger. Alle samlet inn alt, men gapet mellom å ha data og å gjøre noe meningsfullt med det, var enormt. Det var problemet vi satte oss fore å løse.

I fremtiden, og ærlig talt, har problemet ikke forsvunnet, det har bare endret form. Volumet er større, innsatsen er høyere, og nå har du også agenter i blandingen sammen med mennesker som må gjøre mening av alt sammen. Det har faktisk gjort vår opprinnelige visjon klarere, ikke mer uklar.

Vårt motto, Data til resultater, forenklet!, er virkelig tråden som kobler 2012 til i dag. Vi startet med data-levering; å få riktig data til riktig person på riktig tid. Deretter kom AI og forsterket hva som var mulig. Nå med 1Platform, skyver vi videre; forenkle og maksimere resultater, ikke bare for mennesker, men også for agentene som stadig tar eller informerer beslutninger.

Hva er spennende er hvordan vårt økosystem har modnet til å støtte dette. Våre dyptgående integrasjoner med Microsoft, Databricks og Anaplan hjelper med å bringe data, forretningsbrukstilfeller og planlegging sammen. Og 1Platform sitter over alt dette, naturlig i disse miljøene, ikke boltet på.

Så, utviklingen ser ut som følger: data-levering → AI-forsterkede innsikter → forenklede, agent-klare resultater. Jakten på eksellense er den samme. Hastigheten som vi kan komme dit, er hva som har endret seg eksponentielt.

Polestar Analytics stiller seg som et dataselskap og AI-konvergens. Hva ser konvergens ut som i praksis for store bedrifter som håndterer fragmenterte systemer og siloede data?

Det meste av tiden er fragmentering ikke et teknisk problem, det er et menneske- og prosessproblem. Det er som om du har en finansavdeling som kjører på Anaplan, en driftsavdeling som bor i Excel, en dataingeniøravdeling som bygger rørledninger på Azure, og alle trekker i forskjellige retninger med forskjellige definisjoner av samme måling. Ingen mengde AI fikser et tillitsproblem hvis grunnlaget er ødelagt.

Så, når vi snakker om konvergens, mener vi å løse det grunnleggende problemet først. Før du kan legge intelligens på toppen, må du ha data som er rent, styrt og kritisk tilgjengelig. Ikke bare for dine analytikere, men også for dine agenter.

I praksis ser konvergens med 1Platform ut som følger: vi river ikke ut og erstatter hva bedrifter har bygget. Vi går naturlig inn i miljøene de allerede bor i, som Databricks, Microsoft og Anaplan, og vi syr data- og intelligenslaget over dem. Din planleggingsdata i Anaplan snakker med din operasjonelle data i Databricks, og din Microsoft-økosystem er der beslutninger faktisk dukker opp for mennesker og agenter å handle på.

Magien ligger ikke i noen av disse integrasjonene. Det ligger i den koblingslaget av 1Platform som gjør at alt føles som ett sammenhengende system istedenfor frakopplende verktøy. Det er hva konvergens ser ut som i praksis, en bevisst forenkling til kompleksiteten blir usynlig for bedriften.

Deres egenutviklede 1Platform har som mål å samordne data, AI og arbeidsflyter i ett enkelt system. Hvordan skiller denne tilnærmingen seg fra tradisjonelle BI-stabler eller moderne dataplatformer som Databricks eller Snowflake?

Databricks og Snowflake er kraftfulle plattformer, vi konkurrerer ikke med dem, vi er bygget på toppen av dem. Den distinksjonen er viktig. Databricks gir deg infrastruktur og beregning. Vi sitter over det og stiller en annen spørsmål: hva nå?

Tradisjonelle BI-stabler fikk mange ting rett for sin tid, men business intelligence har utviklet seg. I dag trenger forretningsbrukere mer enn dashboards. Du kan ha et vakkert designet dashboard med femten diagrammer, og likevel må noen tolke hva det betyr og bestemme hva å gjøre neste. Det gapet mellom innsikt og handling er nettopp der 1Platform opererer.

1Platform er ikke statisk, det utvikler seg kontinuerlig. Det svarer ikke bare på spørsmålene du bringer; det fremmer spørsmål du ikke engang tenkte å spørre. Det endrer forholdet mellom forretningsbrukere og deres data.

Vi har bygget lavkode- og ingen-kode-grensesnitt på toppen av Databricks og Azure som tillater rørledninger å bli spunnet opp i sekunder. Oppgaver som en gang tok dager for dataingeniører, kan nå utløses av forretningsbrukere. På toppen av det, muliggjør Agenthood AI at brukere kan lage og orchestrere agenter gjennom enkle dra-og-slip-grensesnitt uten dyp teknisk ekspertise.

Men den virkelige forskjellen er slutbrukeropplevelsen. Istedenfor å hoppe over flere dashboards, mottar brukerne naturlige språkinnsikter, kontekstuelle anbefalinger og agent-drevne fortellinger. KPI-er sitter ikke bare på en skjerm; agenter overvåker dem aktivt, markerer hva som betyr noe, og forklarer hvorfor. Forskjellen ligger ikke i dataplatformen selv, men i alt som skjer etter at data er klart.

Mange bedrifter sitter fast i det som ofte kalles AI-pilot-helvete. Hva er de største strukturelle eller organisatoriske hindrene som forhindrer AI fra å nå produksjon i stor skala?

Jeg kaller det pilot-kirkegården fordi de fleste prosjektene ikke bare stopper, de dør stille. De største hindrene er ikke tekniske, de er organisatoriske. Mennesker, prosesser og data.

Endringsledelse blir konsekvent undervurdert. Når du redesigner hvordan mennesker arbeider, utfordrer du hvordan de trekker ut verdi. Organisasjoner som lykkes, er de hvor ledelsen gjør AI-kompetanse synlig viktig. Når opprustning blir belønnet og prosess-omdesign blir støttet strukturelt, akselererer tilpasning.

Deretter er det J-kurve-problemet. AI-investeringer synker ofte før de stiger. Mange organisasjoner forventer ROI innen 90 dager, ser det ikke, og forlater forsøket. De som lykkes, committer seg til den fulle kurven.

Data-klarhet er en annen kritisk faktor. Dårlig data fører til selvsikker feil beslutninger. Før dataplane er pålitelig, blir AI i stor skala en belastning istedenfor en aktiv.

Til slutt betyr bruksfall-disiplin. Istedenfor å prøve å gjøre alt med AI, må organisasjoner fokusere på bruksfall som flytter virkelige forretningsmål, bevise dem, og deretter skalerer.

Ved Polestar Analytics, bringer vi data, AI og arbeidsflyt sammen på ett sted for å akselerere både problemoppdagelse og mulighetsidentifisering, og omdanner konvergens til en katalysator for endring.

Agensbasert AI blir en stor tema over hele industrien. Hvordan tenker Polestar Analytics på AI-agenter i bedriftsarbeidsflyter, og hva er de virkelige bruksfallene som får fremdrift?

For oss må agenter være integrert i både data-laget og forretningsarbeidsflytene for å skape virkelig verdi. En pris-agent, for eksempel, er ikke bare en LLM som sitter på et dashboard; den er integrert i data-infrastrukturen, forstår kontekst, og støtter virkelig beslutningstaking.

Over våre 100+ agenter, fungerer noen som assistenter mens andre er fullt automatiserte. Den sterkeste fremdriften er i områdene omsetningsvekststyring, inkludert prising, kampanjer og mediablanding, hvor beslutninger er hyppige og data-intensiv.

På ingeniør-siden, er overvåkings- og feilrettings-agenter allerede i bruk. FinOps-agenter har redusert ubrukte skytterkostnader med 35 prosent. Det er også en sterk tilpasning i formuen-styring.

Vi støtter både Microsoft- og Databricks-økosystemer og tilbyr en tilpasset agent-byggeplattform. Ikke alle agenter trenger å være LLM-basert; arkitekturen bør matche bruksfallet for å balansere skala og kostnad.

Styring er essensielt. Med agenter som samhandler med finansielle systemer eller kundedata, er sterke retningslinjer og menneskelig tilsyn bygget inn for å sikre pålitelighet i bedriftsstorrelse.

Med din nylige finansiering, dobler du ned på IP-utvikling. Hvor viktig er det å eie proprieterære plattformer sammenlignet med å bygge på toppen av eksisterende økosystemer i dagens AI-landskap?

Vi er dypt integrert med plattformer som Databricks, Microsoft og Anaplan, som gir infrastruktur og skala. Vi prøver ikke å erstatte dem.

Vårt fokus er på å eie intelligens-laget på toppen. Proprieterær IP tillater oss å kontrollere opplevelsen, innbygge domene-kunnskap og levere konsistent verdi i stor skala.

Vår differensiering kommer fra bransje-ekspertise. Enten det er PromoPulse AI for omsetningsvekststyring eller WealthPulse for finansielle tjenester, verdien ligger i å forstå virkelige bruksfall og beslutninger.

Proprieterær IP, for oss, er kodifiseringen av denne ekspertisen. Det er hva som gjør plattformen forsvarlig og virkelig nyttig.

De har jobbet tett med Fortune 1000-selskaper. Hvordan endrer forventningene rundt AI-avkastning seg når ledere krever målbare resultater istedenfor eksperimentering?

Skiftet er reelt, men eksperimentering har ikke forsvunnet. Det er bare forventet å flytte raskere og knytte til målbare resultater.

Ledere vurderer nå AI-avkastning gjennom bredere linser som beslutningshastighet, kunde-lojalitet, innovasjons-kapasitet og motstandskraft.

AI-avkastning eies ikke lenger av en enkelt leder. CTO fokuserer på infrastruktur og data, CFO ser på finansiell påvirkning, og COO betoner operasjonell effektivitet.

Organisasjoner som lykkes, aligner disse perspektivene tidlig og committer seg til langsiktige resultater.

Utvidelsesstrategien inkluderer Nord-Amerika og Europa. Hva er forskjellene du ser i AI-tilpasningsmoden og bedrifts-klarhet over disse regionene?

Forskjellen er mer om sinnstemning enn evne.

Nord-Amerika prioriterer hastighet og eksperimentering, drevet av konkurranse-press.

Europa betoner styring og etisk AI fra starten. Men det betyr ikke langsommere tilpasning. Bedrifter balanserer struktur med akselerasjon.

Begge regioner konvergerer mot skalerbar, ansvarlig AI innbygget i kjerne-operasjoner.

De grunnla nylig CAIO Circle for å bringe AI-ledere sammen. Hva er de mest presserende samtale-emnene blant Chief AI Officers nå, spesielt rundt styring og etikk?

CAIO Circle ble skapt for å gi AI-ledere en plass for åpne diskusjoner.

Den sentrale utfordringen er å balansere hastighet med langsiktig risiko. Tillit og forklarbarhet er store bekymringer, spesielt siden AI-systemer påvirker kritiske beslutninger.

Styring skifter fra policy-dokumenter til innbygde operasjonelle praksiser. Samtidig mangler mange organisasjoner fremdeles eksekveringsmodeller for å levere på sine AI-strategier.

De mest verdifulle innsiktene kommer ofte fra åpne peer-diskusjoner istedenfor formelle presentasjoner.

Seende fremover tre til fem år, forventer du at bedrifts-AI vil konsolidere seg i samordnede plattformer som deres, eller forbli et fragmentert økosystem av verktøy og leverandører? Hvor ønsker Polestar Analytics å posisjonere seg i den fremtidige?

Fragmentering vil sannsynligvis fortsette. Store plattformer som Databricks, Microsoft, Salesforce og Anaplan vil forbli sentrale spillere.

Hva bedrifter trenger, er et samordnende lag som kobler data, intelligens og arbeidsflyt sammen til noe handlebart. Det er rollen 1Platform er designet til å spille.

Fremtiden vil favorisere plattformer med dyp vertikal ekspertise. Generiske horisontale løsninger vil slite med å differensiere.

Virkelig verdi kommer fra å forstå bransjespesifikke behov og innbygge intelligens direkte i beslutningsarbeidsflyter.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Polestar Analytics.