Fred Laluyaux, medgrunnlegger og CEO av Aera Technology – Intervju-serie

Fred Laluyaux, medgrunnlegger, president og CEO av Aera Technology, er en erfaren bedriftsprogramvare-eksekutiv som har bygget og ledet selskaper på krysningspunktet mellom analytics, automatisering og beslutning. Før han grunnla Aera, var han CEO i Anaplan og hadde flere ledende roller i SAP, som omfattet finans, ytelsesstyring, risiko, salg og bedriftsutvikling. Tidligere i sin karriere arbeidet han i ledende stillinger i Business Objects og ALG Software, og grunnla Transcribe Technologies, noe som ga ham tiår med erfaring med å skale globale programvareselskaper og omgjøre komplekse data til forretningsresultater.

Aera Technology utvikler AI-drevet beslutningsintelligens-programvare som er designet for å hjelpe store bedrifter å operere med større hastighet og presisjon. Selskapets plattform analyserer kontinuerlig data fra hele organisasjonen og dens ytre miljø, og omgjør innsikt til anbefalte og automatiserte handlinger i sanntid. Ved å fokusere på beslutninger i stedet for dashboards, har Aera som mål å hjelpe organisasjoner å gå fra reaktiv analyse til proaktiv, kontinuerlig forbedring av operasjoner.

Du har grunnlagt og ledet flere bedriftsprogramvareselskaper, fra dine tidlige dager med å bygge Transcribe Technologies til å lede Anaplan og nå med å grunnlegge Aera Technology. Hva var problemet du så i store bedrifter som overbeviste deg om at beslutningsintelligens måtte eksistere som sin egen kategori, og hvorfor var 2017 det rette øyeblikket å bygge Aera?

Jeg har arbeidet med dette problemet i over et tiår — lenge før Aera eksisterte. Tilbake i 2010, mens jeg var i SAP, skrev jeg en artikkel om hva jeg trodde ville bli den største utfordringen for store bedrifter: å ta og utføre beslutninger raskt nok til å holde tritt med digitaliseringen av økonomien.

Tre krefter kolliderte — volum, kompleksitet og hastighet. Beslutninger ble flyttet til en mye finere kornstørrelse, nærmere påvirkningspunktet, men bedriftene var fortsatt strukturert som dypte pyramider av mennesker, verktøy og prosesser som enkeltvis ikke kunne skaleres.

Det virkelige spørsmålet ble: hvordan bringer man teknologiens kraft ned til det transaksjonelle nivået? Ikke bare innsikt eller dashboards, men maskiner som utfører beslutninger, kontinuerlig lærer av alle beslutninger som er tatt, og med mennesker i kontroll.

Som for 2017, var vi tidlige. Markedet var ikke fullt ut klar, og nei heller var vi. Dette er naturen til en startup: du starter med en klar visjon og bygger tidlig så du er klar når markedet modnes. I Aeras tilfelle tok det noen år. Og COVID-19 hjalp ikke. Men det har vært fascinerende å se at vår grunnleggende visjon har forblett tro mot sin opprinnelige formulering, mens både plattformen og markedet har utviklet seg til et punkt hvor Aera nå leder beslutningsintelligens-kategorien og arbeider med noen av verdens største organisasjoner.

Det er mye diskusjon i dag rundt AI-agenter, men du har vært tydelig på at innsikt alene er ikke nok. Hvordan forklarer du forskjellen mellom analytics, AI-basert anbefaling og virkelig beslutningsintelligens til CIO-er som prøver å kutte gjennom støyen?

Tradisjonell analytics og business intelligence-verktøy forteller deg hva som skjedde. AI kan hjelpe med å forutsi hva som kan skje. AI-basert anbefaling foreslår alternativer, men de avhenger fortsatt av mennesker for å bestemme og handle.

Beslutningsintelligens går utover statiske dashboards eller enkeltvis anbefalinger. Den opererer som en kontinuerlig læringsloop for å akselerere og forbedre beslutninger — ved å bruke data, analytics, AI og automatisering til å evaluere avveininger, simulere scenarier og utføre og overvåke handlinger i sanntid, i tråd med forretningsmål.

Mens AI kan hjelpe team med å forutsi etterspørsel eller optimalisere arbeidsflyter, bestemmer beslutningsintelligens hvordan man skal handle på disse innsiktene. Den balanserer kostnad, risiko, servicenivåer og operasjonelle begrensninger på tvers av bedriften i skala.

Aera beskrives ofte som å muliggjøre det selvstyrende bedrift. I praktiske termer, hva ser dette ut som innenfor en stor organisasjon, og hvilke beslutninger er realistisk klare for denne typen automatisering i dag?

Når vi snakker om det selvstyrende bedrift, handler dette ikke om autonomi uten kontroll. Fra dag én var vår visjon å gå fra mennesker som tar og utfører beslutninger støttet av maskiner, til maskiner som utfører beslutninger guidet av mennesker — med klart intensjon, begrensninger og ansvar.

I praksis opererer Aera som en beslutningsagent. Den forstår kontinuerlig data, detekterer utløsere, vurderer avveininger, anbefaler handlinger og utfører beslutninger direkte i bedriftssystemer. Ved å bruke Aera, behøver mennesker ikke å håndtere dashboards; de styrer beslutninger, ofte gjennom en enkel godkjenn-eller-avvis-interaksjon.

Beslutningene som er klare for denne typen automatisering i dag er høyt volum og gjentakende — lager-omfordeling, prioritering av kjøpsordre, parameterendringer — hvor hastighet betyr mye og manuell koordinering skaper mest ineffektivitet.

Du har arbeidet tett med globale bedrifter på tvers av forsyningskjede, finans og operasjoner. Hvor ser CIO-er den raskeste og mest tangibile avkastning fra beslutningsintelligens, enten i form av arbeidskapital, servicenivåer eller avfallreduksjon?

CIO-er ser den raskeste og mest tangibile avkastning fra beslutningsintelligens hvor beslutninger er høyt volum, gjentakende og begrenset av kostnad, kapasitet eller servicenivå-avveininger. I forsyningskjede og operasjoner inkluderer dette ofte lager-omfordeling, prioritering av kjøpsordre og logistikk. Dette er hvor automatisert utføring i skala driver målbare gevinster i arbeidskapital, servicenivåer og avfallreduksjon.

For eksempel bruker et globalt life sciences-selskap beslutningsintelligens for å kontinuerlig overvåke etterspørsel og justere kjøpsordre — automatisk å be om leverandør-avbestillinger eller reduksjoner, validerer svar og bekrefter endringer. Denne funksjonaliteten leverer over millioner i årlig avfallreduksjon, samt reduserer lastebil-mil og tilhørende drivhusgassutslipp.

Mange selskaper sliter allerede med å operasjonalisere AI-modeller i skala. Hva er de vanligste hindringene du ser når organisasjoner prøver å gå fra innsiktsgenerering til automatisert beslutningsutføring?

Utfordringer oppstår ofte når team starter med å eksperimentere med enkeltvis AI-verktøy. De kan automatisere en enkelt arbeidsflyt, men sliter med å operasjonalisere beslutninger konsistent på tvers av bedriften. Uten en komposabel, formål-bygget beslutningsplattform er disse innsatsene vanskelige å styre, skalerer eller tilpasse når forhold endrer seg.

En annen vanlig hindring er mangelen på klarhet rundt hvor beslutningstaking bryter sammen. Selskaper investerer i AI og prediksjon, men ikke å identifisere hvorfor lager bygges, prognoser savner eller logistikk underpresterer. Fragmentert synlighet på tvers av beslutninger forverrer problemet.

Team som lykkes starter med en klar, høy-impakt brukstilfelle hvor avveininger er forstått, bygger tillit gjennom anbefalinger og utføring, og automatiserer gradvis. Deretter kan de skalerer når beslutninger kontinuerlig tilpasser og forbedrer seg over tid.

Agentisk AI blir en buzzword på tvers av industrien. Hvordan ser du på at agenter passer inn i beslutningsintelligens-plattformer, og hvor må bedrifter være forsiktige med autonomi versus menneskelig tilsyn?

I beslutningsintelligens legger agenter mest verdi når de er innbygget i et overvåket beslutningssystem — ikke opererer i isolasjon. Med Aera Decision Cloud-plattformen arbeider agenter som koordinerte team, hver bidrar med en spesifikk funksjonalitet: simulerer scenarier; integrerer sanntids-signaler; validerer mulighet; vurderer finansiell påvirkning; og utfører handlinger — alle orkestrert rundt en enkelt beslutning.

Hvor bedrifter må være forsiktige er autonomi uten styring. I praksis er agent-basert beslutning alltid guidet av mennesker. Menneskelige team setter parametrene og målene, overvåker ytelse, tester antagelser og håndterer datakvalitet fra et kontrollrom-miljø. Systemet kan kjøre kontinuerlig, men mennesker styrer hvordan beslutninger utvikler seg. Denne balansen er det som gjør agentisk AI skalerbar, pålitelig og trygg i bedriften.

Tillit er kritisk når beslutninger påvirker omsetning, kunder eller overholdelse. Hvordan sikrer Aera at beslutninger er forklarbare, granskbare og forsvarbare, spesielt i regulerte miljøer?

Tillit starter med transparens. For hver beslutning fanger Aera den fulle konteksten — dataene som brukes, anbefalingen, logikken bak den, beslutningen tatt og resultatet. Mens systemet kjører og fornyer, overvåker og måler det beslutningens resultater for å kontinuerlig forbedre beslutningstaking.

Vi kaller dette auto-beslutningslæring. Basert på beslutningens ytelse beregner Aera tillitsverdier for anbefalinger — forklarer grunnårsaker, avveininger og forventet påvirkning. En bruker kan se en anbefaling med en klar rasjonalitet og en 92% tillitsverdi.

Dette tilnærmet er autonomt, men overvåket. Gjennom plattformens Beslutningsintelligensnettverk, som tjener som et sentralt kontrollrom, har brukere full synlighet på tvers av beslutninger, handlinger og resultater. De kan overvåke ytelse, teste antagelser, håndtere datakvalitet og justere logikk over tid.

Basert på dine samtaler med CIO-er, hvordan utvikler rollen til mennesker seg når beslutningsintelligens-systemer modnes, og hvilke ferdigheter blir viktigere når maskiner tar på seg mer operasjonelle beslutninger?

Som beslutningsintelligens modnes, forsvinner ikke rollen til mennesker — den flytter oppover verdikjeden. Vi ser en overgang fra mennesker som manuelt utfører beslutninger til mennesker som designer, styrer og forbedrer beslutninger.

I mange forbrukervare-selskaper utvikler tradisjonelle planlegger-roller seg allerede til beslutningsanalytikere som fokuserer på å overvåke resultater, forstå avveininger og forbedre beslutningslogikk over tid. Ved siden av dem definerer beslutningsarkitekter intensjon, begrensninger og retningslinjer som guider hvordan maskiner handler.

De viktigste ferdighetene blir dommen, systems-nivå-tenkning og evnen til å ramme rett beslutninger. Mennesker forblir fast i kontroll, styrer hvordan beslutninger tas av maskiner, men ikke hver enkelt handling.

Gartners første Magic Quadrant for Beslutningsintelligens-plattformer signaliserer at denne kategorien går inn i hovedstrømmen. Hva er de funksjonalitetene du tror vil skille ledende leverandører fra etterlatte over de neste årene?

Etter å ha blitt navngitt som en leder i den første Gartner Magic Quadrant for Beslutningsintelligens-plattformer, ser vi ledelse definert av sterk utføring og evnen til å levere komprehensive, komposabile funksjonaliteter på tvers av hele beslutningslivssyklusen. I Gartners tilhørende Critical Capabilities-forskning ble Aera også anerkjent for sin ytelse på tvers av nøkkel-beslutningsbrukstilfeller — inkludert beslutningsanalyse, beslutningsingeniør, beslutningsvitenskap og beslutningsforvaltning — som vurderer hvor godt plattformene kan modellere, operasjonalisere, styre og kontinuerlig forbedre beslutninger i bedriftsskala.

Vi tror at ledende leverandører også vil bli skilt ut av hvor effektivt de integrerer avanserte AI-teknikker, inkludert generativ og agentisk AI, i overvåkede, bedrifts-klare beslutningssystemer. Dette krever formål-bygde plattformer som er komposabile, tilgjengelige for bedriften gjennom lavkode- og naturligspråk-grensesnitt, og styrt i skala for å møte sikkerhets- og reguleringkrav. Til slutt vil de sterkeste leverandørene innbygge beslutningsintelligens som en operasjonslag som kontinuerlig lærer og forbedrer seg, ikke bare et annet program teamene må håndtere.

For organisasjoner som erkjenner gapet mellom innsikt og handling, hvordan hjelper Aeras plattform dem med å lukke denne løkken i praksis, og hva ser en vellykket første distribusjon vanligvis ut som for en CIO som ønsker å drive målbare forretningspåvirkning?

Å lukke gapet mellom innsikt og handling starter med å operasjonalisere beslutninger i dag-til-dag-operasjoner. Aeras plattform muliggjør at CIO-er behandler beslutninger som kontinuerlige prosesser: overvåker resultater; tester avveininger; og forbedrer ytelse over tid. Dette er ofte forankret i et beslutnings-senter for utmerkhet, virtuelt eller fysisk, hvor team styrer og finjusterer hvordan beslutninger tas og utføres.

Aera samler data, analytics, forretningsregler, AI og automatisering i en enkelt komposabel plattform for å drive beslutninger som flyter fra innsikt til utføring og læring. Den komposabile arkitekturen tillater IT å beholde tilsyn og sikkerhet, mens det tillater bedriftsteam å definere, tilpasse og utvikle beslutningsflyter. Mens resultater fanges, forbedrer beslutninger kontinuerlig og frigjør team til å fokusere på dommen, strategi og unntak.

En vellykket første distribusjon viser ofte målbare resultater på ett høyt-impakt-beslutningsbrukstilfelle på 10-12 uker, utfører og kontinuerlig forbedrer beslutninger fra ende til ende. Dette skaper en gjentakbar mal for bedriftsskala.

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