David DeSanto, CEO av Anaconda – Intervju-serie

David DeSanto er administrerende direktør i Anaconda, der han leder selskapets misjon om å gi verdens datavitenskapelige og AI-samfunn mulighet til å bruke åpne innovasjoner og sikre bedriftsløsninger. En erfaren produkt- og teknologidirektør, David har mer enn to tiår med erfaring fra cybersikkerhet, utviklerplattformer og bedriftsprogramvare.

For nylig var David Chief Product Officer i GitLab (GTLB ), der han ledet den globale produktorganisasjonen i å levere en omfattende, AI-nativ DevSecOps-plattform med mer enn 50 millioner registrerte brukere verden over. Under hans seks år i selskapet, hjalp han med å transformere GitLab fra et høyvoksende startup til et børsnotert, bransje-definerende leder av DevOps-plattform-kategorien.

Anaconda er en ledende åpen kildekode-plattform for datavitenskap, maskinlæring og kunstig intelligens, bygget rundt Python-programmeringsspråket og mye brukt av både enkeltutviklere og store bedrifter. Opprinnelig lansert i 2012, gir den en omfattende miljø som inkluderer verktøy for kode, pakkehåndtering gjennom Conda, og tilgang til tusenvis av forhåndsbygde biblioteker som NumPy, pandas og TensorFlow, som muliggjør at brukerne kan utvikle, teste og distribuere AI-modeller effektivt.

Over tid har Anaconda utviklet seg til en fullstendig bedrifts AI-plattform som hjelper organisasjoner med å håndtere hele AI-livssyklusen – fra åpne kildekodemoduler til bygging, styring og distribusjon av applikasjoner over sky og lokale miljøer. Med titall millioner brukere og adopsjon over en stor prosent av Fortune 500-selskaper, har den blitt et grunnleggende lag for moderne AI-utvikling, med vekt på åpne innovasjoner, skalerbarhet og sikre, reproduserbare arbeidsflyter.

Jeg tilbrakte nesten seks år i GitLab, over tre som deres Chief Product Officer, og hjalp med å skalerer en AI-nativ DevSecOps-plattform til titall millioner brukere. Hvordan har denne erfaringen formet dine prioriteringer nå som CEO av Anaconda, og hva føles grunnleggende forskjellig med å lede et selskap sammenlignet med å lede produkt?

Min tid i GitLab forsterket noen prinsipper som nå er sentrale for hvordan jeg nærmer meg Anaconda. Først er ansvarlig vekst – å skalerer team, produkter og omsetning på en måte som er varig. I GitLab, vokste vi til å betjene titall millioner brukere, og å se GitLab Ultimate stå for over halvparten av selskapets omsetning, viste hvor viktig det er å tilpasse produktverdien med langsiktig forretningspåvirkning.

For det andre er det en holdning til resultater og effektivitet over prosess og struktur. Det er greit å levere noe som er godt nok og viser retning for å få kundetilbakemelding i gang. Å levere virkelig verdi raskt er avgjørende, men du må likevel være tankefull om hvordan du skalerer. Dette henger tett sammen med den tredje søylen: kundebesettelse og å møte brukerne der de er. Jeg har tilbrakt hele karrieren med å bygge utvikler- og sikkerhetsverktøy, og som en tidligere utvikler selv, vet jeg hvor mye god (eller dårlig) verktøy kan påvirke produktivitet og tilfredshet.

Og for det fjerde er det gjennomsiktighet med formål. Denne kjerneverdien til Anaconda har gjort at alle parter kan delta og samarbeide om å gjøre selskapet og tilbudene bedre. Jeg ser frem til å bygge videre på denne verdien for å sikre at vi gir vårt samfunn det de trenger for å være suksessfulle.

Som CEO er du ansvarlig for hele systemet – strategi, kultur, drift og resultater. Jeg er fremdeles dypt koblet til produktet, men jeg tenker bredere og lengre tid. Jeg må sikre at selskapet vokser ansvarlig, støtter sine mennesker og leverer verdi til våre kunder over hele forretningsområdet. Disse er prinsippene jeg ønsker å bygge videre på her.

Hva motiverte deg personlig til å gå inn i CEO-rollen i Anaconda, og hva overbeviste deg om at dette var riktig plattform for å bygge neste kapittel i bedrifts AI?

Jeg forteller alle at det var fire grunner til at jeg var spesielt glad for å bli med i Anaconda som CEO. Først var teknologien. Som utvikler har jeg vært kjent med og brukt Anaconda i lang tid. Jeg vet hvor kraftig det er og kan være. Plattformen muliggjør allerede så mye, og grunnlaget teamet har bygget, vil gi oss mulighet til å forme hva som kommer neste i AI-nativ æraen!

For det andre var samfunnet. Jeg tror dypt på kraften i åpen kildekodesamfunnet. Veldig få selskaper har et samfunn så bredt og engasjert som Anacondas.

For det tredje var menneskene. Det er sjeldent å finne denne nivået av ledelse på ett sted. Ledelsesgruppen er usedvanlig og deres lidenskap er ekte. Vi bygger fremtiden med åpen kilde og AI, og å være en del av noe så meningsfullt og påvirkende, har oss alle ekte glad for å være med.

Og for det fjerde var muligheten. Dette er hva som til slutt avgjorde for meg. Anaconda befinner seg i sentrum av å gjøre AI mer tilgjengelig, og hjelper bedrifter med å bygge, sikre, distribuere og overvåke AI i stor skala. Når du kombinerer verdensklasse-teknologi, et livlig samfunn og et team som dette, får du en sjelden mulighet til å forme hvordan AI og datavitenskap bygges og brukes. Det var det som trakk meg inn.

Åpen kilde står for majoriteten av moderne AI-utvikling, men mange bedrifter har fortsatt vanskelig for å stole på det i stor skala. Hvorfor tror du at åpen kilde forblir den mest kraftfulle grunnlaget for AI, og hvor tror du det er mest misforstått?

Det er en vanlig misforståelse at den mest sikre koden er koden som er skjult, bare noen utvalgte mennesker kan se den. Dette er som en struts som stikker hodet sitt i sanden for å skjule seg. Åpen kildekodemodul er motsatt. Åpen kildekodemodul er gjennomsiktig, inviterer alle til å bidra og gir organisasjoner over hele verden en høyere sett med øyne som sikrer at koden er sikker og fungerer som forventet.

Vi har ikke sett en teknologi som har modnet så raskt som AI har gjort. For AI å fortsette å akselerere, trenger du moderne kode som beveger seg så raskt som mulig. Åpen kildekodemodul gjør dette, og det er derfor det er grunnlaget for moderne AI-utvikling.

I Anaconda, bygger vi på dette. Våre kjernekapasiteter og Python-økosystem er åpen kildekodemodul, fordi det er den beste måten for team å komme i gang og innovere raskt. Over dette, legger vi til bedriftskvalitetskapasiteter, som gir organisasjoner styring, sikkerhet og pålitelighet de trenger for å bruke åpen kildekodemodul i stor skala.

AI-feilrater i bedrifter forblir høye, spesielt med generative AI-piloter. Hva er, ifølge deg, de grunnleggende årsakene til at disse initiativene stopper, og hvordan kan infrastrukturvalg påvirke langsiktig suksess?

Mange organisasjoner har kjørt piloter. Noen har solide bevis for konseptprosjekter, og andre har en håndfull internbygde verktøy som virkelig sparer team tid. Men veldig få har flyttet AI til virkelig produksjon som kjører over hele bedriften. Det er en stor forskjell på “vi eksperimenterer” og “dette er hvordan vi jobber nå”. Det gapet er der de fleste selskaper er fastende – og det er ikke fordi teknologien ikke fungerer.

Demonstrasjonen ser nesten alltid bra ut, men problemet viser seg når du prøver å gjenta demonstrasjonen i bedrifts skala. Plutselig, har du å gjøre med datasikkerhets-spørsmål, sikkerhetsproblemer, pålitelighetsproblemer og et grunnleggende tillitsproblem: Vil denne applikasjonen fungere pålitelig og holde våre data sikre? Disse problemene viser seg ikke i demonstrasjonen og blir derfor en ettertanke for selskaper.

Barrieren til AI-suksess er ikke evne, men infrastruktur og prosessmodning. Organisasjonene som kommer frem, er ledet av de som velger å investere i moderne grunnlag hvor tillit og hastighet samexisterer og hvor innbygget sikkerhet og styring akselererer fremfor å hindre. Fragmenterte verktøykjeder og miljøer tvinger deg til å velge mellom de to, men moderne, samlet infrastruktur og moderne AI-prosesser lar deg ha begge. I dag, å fjerne flaskenakker, skaper din konkurransefordel. Dette er ikke bare en teknisk ambisjon; det er en forretningsimperativ til å konkurere og overleve i dagens marked. Suksess vil øke for de som investerer i sikkerhet og styring fra grunnlaget.

Du har ledet team over cybersikkerhet, produkt og utviklerplattformer. Hvordan bringer du denne sikkerhets-først-holdningen inn i Anacondas strategi rundt avhengighetsstyring, miljø-reproduserbarhet og forsyningskjede-risiko?

Min vei inn i sikkerhet startet i helsevesenet, der jeg så eksakt hva som gikk for “sikker” på den tiden. Jeg ble fullstendig innhyllet i sikkerhet og det ble en lidenskap. Når AI-arbeidsbelastninger, -modeller, -agenter og -integreringer blir mer komplekse, multipliseres sikkerhetsrisiko raskere enn styring kan holde tritt. Og selv når sikkerhetsrisiko er håndtert, blir miljøet selv et hinder.

Sikkerhet og etterlevelse med AI er utfordrende, spesielt å få virkelig visibilitet i risiko over utvikling og produksjon. Det er der vi fokuserer. Vi bygger dypere sikkerhetskapasiteter innen miljøstyring, ytterligere styring rundt AI-pakker utenfor Python-økosystemet, og hjelper med å redusere risiko med AI-modeller gjennom sikkerhetsskanning av deres holdning. Målet er enkelt: Hjelpe organisasjoner med å flytte raskere med AI samtidig som de beholder visibiliteten, personvernet og motstanden de trenger for å stole på det i stor skala.

Det er en økende skeptisisme rundt AI-avkastning, sammen med en økning i eksperimentering og “vibe-koding”. Hvordan skiller du mellom produktiv eksperimentering og bedrifts-klare AI-systemer som faktisk leverer målbare verdi?

Dette året kan faktisk være det første året hvor AI-avkastning måles godt. Alle i industrien behandler “effektivitet” som tid spart, men det er ikke den beste topp-KPI. Organisasjoner som tar tiden til å lage skreddersydd KPIer direkte knyttet til hva som er viktigst for dem, vil ha bedre resultater. Dette kan være reduksjon i tid i kode-gjennomgang for utviklingsteamet eller kvaliteten på lead-generering for markedsførings-teamet. Tid alene og måling av token-forbruk signaliserer ikke direkte effektivitet.

Anaconda befinner seg i sentrum av Python-basert AI-utvikling. Hvordan ser du på rollen til Python-miljøer utvikle seg når organisasjoner flytter fra eksperimentering til fullt styrt, produksjonsskala AI-systemer?

Python er det fremste språket for AI, og selv om jeg ikke forventer at dette endrer seg i nær fremtid, vil språk alltid ebbe og flom i popularitet. Organisasjoner trenger verktøy som utvikler seg og naturlig løser underliggende ytelses- og skalerbarhetsproblemer, som muliggjør at AI-agenter kan lage bedrifts-klare applikasjoner og tjenester. Jeg forventer at organisasjoner vil begynne å investere i universelle byggeklosser som akselererer AI-verdi og adopsjon. Det er det som vil plassere dem best for å navigere i den evoluerende leksikon av kode-språk som driver AI-infrastrukturen.

Du har arbeidet tett med regulerte industrier og sikkerhets-bevisste bedrifter tidligere. Hva ser bedrifts-klar AI-styring ut i praksis, utover policy-dokumenter og etterlevelse-sjekklister?

Bedrifts AI og AI-nativ applikasjoner er noe helt annet enn tradisjonell programvareutvikling. Når du behandler AI som tradisjonell utvikling, ender du opp med brutt sikkerhet og styring som vil stoppe innovasjon. Bedrifts AI trenger AI-nativ utviklingsprinsipper hvor AI-modellen er den primære komponenten som driver versjonering og alt annet rundt er sekundært.

AI-styring er forskjellen på å skalerer suksessfullt og å stoppe ut. Bedrifts-klar AI-styring er hva skjer når ansvarlige AI-nativ prinsipper oversettes til gjennomførbare plattform-kontroller, tydelig ansvar og kontinuerlig sporing og opphav av alle AI-komponenter. Det går utover policyer og sjekklister som fungerte i DevOps-praksis.

Med Anacondas nylige finansiering og bedrifts-utvidelse, hva er dine nærmeste vekst-prioriteter, og hvor investerer du mest aggressivt over de neste 12 til 18 månedene?

Vårt mål er klart: Anaconda vil være den foretrukne bedrifts AI-nativ utviklingsplattform for å bygge, sikre og distribuere AI-nativ applikasjoner og tjenester. Våre kunder fortsetter å endre seg for å møte deres behov, og vi endrer oss med dem. Dette er hvorfor vi ikke bare er et data-vitenskap-verktøy lenger, men en omfattende plattform for bedrifts AI. Hver investering, enten i produkt, partnerskap eller M&A, vil bli evaluert mot ett spørsmål: “Gjør dette oss nærmere å være plattformen bedrifter trenger for å være suksessfulle i den nye AI-native verden?” Vi er en kunde-obsedd bedrift, og alt vi gjør, er for våre kunder.

Som noen som har hjulpet med å skalerer en børsnotert utviklerplattform, hva har du lært om å bygge for praktikere samtidig som du også betjener CTO-er, CIO-er og Chief AI-offiserer på direktør-nivå?

Suksess kommer alltid tilbake til kunden og å støtte resultater de prøver å oppnå. Det høres enkelt ut, men det er lett for team å bli fanget opp i interne målinger (hvordan mange timer gikk inn i et prosjekt, om en lansering traff forhåndsdefinerte mål) i stedet for å stille et viktigere spørsmål: Gjør dette faktisk kundene mer suksessfulle? Ledere kan si at et nytt produkt er nødvendig når i virkeligheten, kan det bare være å forbedre det du allerede har (gjøre et produkt mer brukervennlig, for eksempel), og så får du resultatet du har vært ute etter. Hvis kundene er glade og suksessfulle, er vi alle glade og suksessfulle.

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