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 åpen kildekode-innovasjon og sikre bedriftsløsninger. En erfaren produkt- og teknologidirektør, bringer David mer enn to tiår med erfaring fra områder som cybersikkerhet, utviklerplattformer og bedriftsprogramvare.

Nylig var David Chief Product Officer i GitLab, der han ledet den globale produktorganisasjonen i å levere en omfattende, AI-nativ DevSecOps-plattform med over 50 millioner registrerte brukere verden over. I løpet av sine seks år i selskapet, hjalp han med å transformere GitLab fra et høyvoksende startup til et børsnotert, bransje-definerende ledende selskap i DevOps-plattform-kategorien.

Anaconda er en ledende åpen kildekode-plattform for datavitenskap, maskinlæring og kunstig intelligens, bygget rundt Python-programmeringsspråket og bredt brukt av både enkeltutviklere og store bedrifter. Opprinnelig lansert i 2012, tilbyr den en omfattende miljø som inkluderer verktøy for kode, pakkehåndtering via Conda, og tilgang til tusenvis av forhåndsbygde biblioteker som NumPy, pandas og TensorFlow, som gjør det mulig for brukerne å 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 årsaker og sikre åpen kildekode-pakker til å bygge, styre og distribuere applikasjoner over sky og lokale miljøer. Med titall millioner brukere og adopsjon over en stor prosent av Fortune 500-selskaper, har det blitt et grunnleggende lag for moderne AI-utvikling, med vekt på åpen kildekode-innovasjon, skalerbarhet og sikre, reproduserbare arbeidsflyter.

Du tilbrakte nesten seks år i GitLab, over tre som deres Chief Product Officer, og hjalp med å skale en AI-nativ DevSecOps-plattform til titall millioner brukere. Hvordan har denne erfaringen formet dine prioriteringer nå som CEO av Anaconda, og hva føles fundamentalt annerledes om 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 skale 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 harmonisere produktverdi med langsiktig forretningspåvirkning.

Andre er 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 reell verdi raskt er avgjørende, men du må likevel være nøye med hvordan du skalerer. Dette henger tett sammen med den tredje søylen: kundeobsession og å møte brukerne der de er. Jeg har tilbrakt karrieren min med å bygge utvikler- og sikkerhetstverktøy, og som en tidligere utvikler selv, vet jeg hvor mye god (eller dårlig) verktøy kan påvirke produktivitet og tilfredshet.

Og til slutt, åpenhet med formål. Denne kjernverdien til Anaconda har gjort det mulig for alle parter å 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, operasjoner og resultater. Jeg er fortsatt 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 alle dimensjoner av bedriften. Disse er prinsippene jeg sikter å bygge videre på her.

Hva motiverte deg personlig til å tre 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 spennende 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 æra!

Andre var samfunnet. Jeg tror dypt på kraften i åpen kildekode-samfunnet. Veldig få selskaper har et samfunn så bredt og engasjert som Anacondas.

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 kildekode og AI, og å være en del av noe så meningsfullt og innflytelsesrikt, har oss alle ekte spennende.

Og til slutt, muligheten. Dette er hva som til slutt avgjorde for meg. Anaconda befinner seg i sentrum av å gjøre AI mer tilgjengelig, hjelpe bedrifter med å bygge, sikre, distribuere og overvåke AI i 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 kildekode driver majoriteten av moderne AI-utvikling, men mange bedrifter sliter fortsatt med å stole på det i skala. Hvorfor tror du åpen kildekode 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, slik at bare noen få kan se den. Dette er som en struts som stikker hodet sitt i sanden for å skjule seg. Åpen kildekode-programvare er motsatt av det. Åpen kildekode er transparent, inviterer alle til å bidra og gir organisasjoner over hele verden en høyere sett øyne for å sikre at koden er sikker og fungerer som forventet.

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

I Anaconda, lener vi oss mot det. Våre kjerneevner og Python-økosystem er åpen kildekode, fordi det er den beste måten for team å komme i gang og innovere raskt. Over det, legger vi til bedriftsklasse-egenskaper, som gir organisasjoner styring, sikkerhet og pålitelighet de trenger for å bruke åpen kildekode i skala.

AI-feilrater i bedrifter forblir høye, spesielt med generative AI-piloter. Fra din perspektiv, hva er de grunnleggende årsakene til at disse initiativene stopper, og hvordan kan infrastrukturvalg gjøre eller ødelegge langsiktig suksess?

Mange organisasjoner har kjørt piloter. Noen har solide bevis for konsept-prosjekter, 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 arbeider nå”. Det gapet er der de fleste selskaper er fast – 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 datastyringsspørsmål, 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 prosessmodenhet. Organisasjoner som går foran, er ledet av de som velger å investere i moderne grunnlag hvor tillit og hastighet samexisterer og hvor innbygd sikkerhet og styring akselererer snarere enn hindrer. 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 flaskehalser, skaper din konkurransefordel. Dette er ikke bare et teknisk ambisjonsnivå; det er et forretningsimperativ for å konkurrere og overleve i dagens marked. Suksess vil øke hos 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 passerte for ‘sikret’ på den tiden. Jeg ble fullstendig dypt inn i sikkerhet og det ble en lidenskap. Når AI-arbeidsbelastninger, modeller, agenter og integrasjoner blir mer komplekse, multipliseres sikkerhetsrisiko raskere enn styring kan holde tritt. Og selv når sikkerhetsrisiko håndteres, 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 opprettholder visibiliteten, personvernet og motstandskraften de trenger for å stole på det i 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 målbart 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 det beste topline-KPI. Organisasjoner som tar tiden til å lage tilpassede KPI’er 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 markedsteamet. Tid alene og måling av token-forbruk signaliserer ikke direkte effektivitet.

Anaconda sitter 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 det endrer seg noen gang snart, ebber og floder språk alltid i popularitet. Organisasjoner trenger verktøy som utvikler seg og naturlig løser underliggende ytelses- og skalerbarhetsproblemer, som gjør det mulig for AI-agenter å suksessfullt lage bedrifts-klasse-applikasjoner og tjenester. Jeg forventer at organisasjoner kommer til å starte å investere i universelle byggeklosser som akselerer AI-verdi og adopsjon. Det er hva som vil plassere dem best for å navigere i den evoluerende leksikon av kode-språk som driver AI-infrastruktur-laget.

Du har arbeidet tett med regulerte industrier og sikkerhetsbevisste bedrifter i fortiden. Hva ser bedrifts-klasse AI-styring ut til å være i praksis, utenom politidokumenter og overholdelseslister?

Bedrifts-AI og AI-nativ applikasjoner er noe helt annerledes 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 skale suksessfullt og å stoppe. Bedrifts-klasse AI-styring er hva som skjer når ansvarlige AI-nativ prinsipper oversettes til gjennomførbare plattform-kontroller, tydelig ansvar og kontinuerlig sporing og avstamning av alle AI-komponenter. Det går utover politikker og lister som fungerte i DevOps-praksis.

Med Anacondas nylige finansiering og bedrifts-pushing, hva er dine nærmeste vekstprioriteringer, 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 utviklingsplattformen 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 et kunde-obsedd selskap, og alt vi gjør, er for våre kunder.

Som noen som har hjulpet med å skale et børsnotert utviklerplattform, hva har du lært om å bygge for praktikere samtidig som du betjener CTO-er, CIO-er og Chief AI-offiserer på ledelsesnivå?

Suksess kommer alltid tilbake til kunden og støtter resultater de prøver å oppnå. Det høres enkelt ut, men det er lett for team å bli fanget opp i interne målinger (hvor mange timer gikk med i et prosjekt, om en lansering treff predefinerte mål) snarere enn å spørre 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 hva du allerede har (gjøre et produkt mer brukervennlig, for eksempel), og da 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, bør besøke Anaconda.