Dominic Sartorio, visepresident for produktmarkedsføring i Denodo – Intervju-serie

Dominic Sartorio er visepresident for produktmarkedsføring i Denodo. Dominic har over 20 års erfaring i markedet for datamanagement og -styring, og har hatt ulike lederroller innen produkt og markedsføring i Informatica, Protegrity og andre ledende leverandører.

Denodo er en global leder innen datamanagement, og gir pålitelige AI-agenter og -applikasjoner. Denodo-plattformen, en prisbelønt løsning for logisk datamanagement, transformerer bedriftsdata til pålitelige innsikter for AI, analyse og selvbetjening. Organisasjoner verden over bruker Denodo for å levere AI-klare, forretningsklare data på en brøkdel av den tid det tar med tradisjonelle data-lakehouses, og oppnår opptil 4 ganger raskere tid til innsikt, 345 % ROI og 10 ganger bedre ytelse. Basert på innsikter fra 850 bedriftsledere, avslører Denodos AI Trust Gap-rapport hvorfor mange AI-prosjekter sliter med å gå utover pilotfasen, og hva organisasjonene må gjøre for å bygge pålitelige, produsjonsklare AI.

Du har hatt ledende roller i selskaper som Informatica, Protegrity, Infoworks og nå Denodo, alle fokusert på ulike lag av bedriftsdata-infrastruktur. Hvordan har din perspektiv på “pålitelig data” utviklet seg når AI har skiftet fra analyse til autonome og agente systemer?

Tidligere i min karriere var pålitelig data hovedsakelig om nøyaktighet, herkomst, sikkerhet og å gi analytikere tillit til dashboards og rapporter. Med agente AI er spillene mye høyere fordi systemene ikke bare tolker data, men kan også handle autonomt, utløse forretningsprosesser eller ta beslutninger med virkelig verdensomspennende virkning. Det betyr at pålitelig data nå må inkludere live operasjonell kontekst, konsistent forretningsbetydning og sikkerhetsbegrensninger for å kunne ha tillit til at agenter handler riktig og trygt.

Denodos AI Trust Gap-rapport fant at 66 % av organisasjonene sier at AI-data må være sanntids- eller nær-sanntidsdata for å være pålitelig. Hvorfor tror du at så mange bedrifter fortsatt sliter med å levere live operasjonell data til AI-systemer?

De fleste bedriftene var ikke arkitekturert for AI-agenter som trenger live situasjonsbevissthet på tvers av mange systemer. Deres data er spredt over applikasjoner, skyer, lagre, lakehouses, legacy-systemer og andre operasjonelle plattformer. De kan kopiere denne dataen til en sentral lagring eller data-lag for analyse og BI, men dette er ikke egnet for AI-agenter som trenger live situasjonsbevissthet. Når data kopieres, er det ikke lenger live. Det er mulig å strømme i sanntid, men dette blir svært dyrt svært raskt. Dette er nettopp der Denodos logiske datamanagement-tilnærming blir viktig, fordi den gir AI-systemer styrt tilgang til live data uten å kreve at bedriftene må kopiere og omplattformere alt hele tiden.

En av de mer slående funnene i rapporten er at bedrifts AI-initiativer nå trekker fra hundrevis av datakilder, med noen organisasjoner som får tilgang til over 1 000. Hvordan endrer dette nivået av fragmentering måten bedriftene tenker om AI-arkitektur på?

Ved dette nivået av fragmentering kan arkitekturen ikke avhenge av å konsolidere hver kilde fysisk før AI kan bruke den. Bedriftene trenger en abstraksjonslag som kan oppdage, integrere, styre og levere data på tvers av den distribuerte virkeligheten de allerede har. Ifølge min mening må datarkitekturen bli mer logisk, metadata-drevet og semantisk, så agenter kan finne riktig data i kontekst uten å være tett koblet til underliggende systemer.

Rapporten hevder at mange AI-feil egentlig er “datarkitektur-feil” snarere enn modellfeil. Tror du at industrien har brukt for mye tid på å besette seg med modeller samtidig som de har undervurdert viktigheten av data-infrastruktur?

Ja. Modeller er viktige, selvfølgelig, men mange feilede AI-prosjekter feiler ikke fordi modellen er uegnet; de feiler fordi modellen opererer med ufullstendig, stille, inkonsistent eller dårlig styrt data. Modellen fungerte godt i piloten, med en veldefinert og kurert datasett, men når den ble deployert i “den virkelige verden”, med dens distribuerte uorden, feiler AI-en med å produsere pålitelige resultater. Min erfaring har vært at bedriftene får mye bedre AI-resultater når de behandler datalaget som en førsteklasses del av AI-arkitekturen, ikke som en ettertanke.

Denodo snakker ofte om semantisk konsistens og viktigheten av en universell semantisk lag. Når AI-agenter begynner å fatte beslutninger autonomt, hvor kritisk blir semantisk justering for å forhindre feil handlinger eller hallucinerte forretningslogikk?

Semantisk justering blir absolutt kritisk. Hvis ett system definerer “kunde”, “inntekt”, “risiko” eller “avhopping” annerledes enn et annet, kan en AI-agent produsere et teknisk plausibelt svar som likevel er feil i den gitte forretningskonteksten. En universell semantisk lag hjelper med å sikre at agenter opererer med konsistent forretningsbetydning, ikke bare rå data-tilgang.

Ditt AI & Big Data Expo-foredrag handlet om å gå fra AI-piloter til produksjon. I din erfaring, hva er de største grunnene til at bedrifter havner i “pilotfasen” og ikke klarer å skala AI til virkelige operasjonelle systemer?

Piloter fungerer ofte fordi de er smale, manuelt kurerte og isolerte fra den fulle kompleksiteten i bedriften. Produksjons-AI må håndtere live data fra mange kilder, sikkerhet, styring, ytelse, overvåkbarhet, skiftende forretningsregler og integrasjon i virkelige arbeidsflyter. Mange organisasjoner havner i “pilotfasen” fordi de bygger en imponerende demo, men ikke den styrede data-grunnlaget som trengs for å operere AI pålitelig i skala.

Rapporten nevner forutsigelser om at en betydelig prosent av agente AI-prosjekter kan bli kansellert de neste årene på grunn av eskalerende kostnader, uklar verdi eller utilstrekkelig risikostyring. Tror du at industrien går inn i en fase hvor bedrifter blir mye mer selektive om hvilke AI-prosjekter som overlever?

Ja, og jeg tror at det er sunnt. Den første bølgen av AI-eksperimentering var om mulighet; den neste bølgen vil være om operasjonell verdi, kostnadsdisciplin og tillit. Prosjektene som overlever, vil være de som er knyttet til målbare forretningsresultater og støttet av riktig data, styring og arkitektur.

Sikkerhet og styring dukker opp gjennom hele rapporten som gjentakende temaer, spesielt rundt “sikkerhetsbegrensninger” for agente AI. Hvordan bør organisasjoner balansere autonome AI-egenskaper med behovet for streng tilgangskontroll og overvåkbarhet?

Nøkkelen er ikke å behandle styring som noe som boltet på etter at AI-systemet er bygget. Tilgangskontroll, politikk-gjennomføring, herkomst og overvåkbarhet må være innbygget i datatilgangslaget selv, så AI-agenter bare ser og bruker data de er autorisert til å aksessere. Med Denodo kan de samme styringspolitikkene bli anvendt konsistent på tvers av distribuerte kilder, som er essensielt når AI opererer på tvers av hybrid- og multi-sky-miljøer.

Denodo stiller logisk datamanagement som en måte å forene tilgang på tvers av hybrid- og multi-sky-miljøer uten å måtte flytte data konstant. Når bedrifter i økende grad adopterer henting-basert AI-arkitektur, ser du “zero-copy”- eller logisk-først-arkitekturer som den lange trenden for bedrifts-AI?

Ja. Henting-basert AI avhenger av å få riktig data på riktig tidspunkt, ikke nødvendigvis flytte hver datasett til en enkelt repository på forhånd. En logisk-først, zero-copy-tilnærming er mye bedre tilpasset hvordan bedrifter faktisk opererer: data forblir distribuert, men AI kan aksessere det gjennom en styrt, semantisk, sanntids-lag. Det er retningen jeg tror bedrifts-AI må gå.

Ser du for deg de neste tre til fem årene, hva vil skille organisasjoner som vellykker å operasjonell pålitelig AI fra de som fortsatt havner i eksperimenteringsmodus?

Vinnerne vil være organisasjonene som erkjenner at AI ikke bare er en modellstrategi; det er en datastrategi, en styringsstrategi og en driftsmodellstrategi. De vil investere i live data-tilgang, semantisk konsistens, gjenbrukbar styring og arkitekturer som kan omfatte hele bedriften. De som fortsatt bygger isolerte piloter på fragmentert eller stille data, vil slite med å gå utover eksperimenteringsmodus.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Denodo eller laste ned Denodos AI Trust Gap-rapport