Mukund Kalmanker, Global sjef for Data, Analyse & AI i Apexon – Intervju-serie

Mukund Kalmanker, Global sjef for Data, Analyse & AI i Apexon, bringer mer enn to tiår med erfaring i å lede store skala bedriftstransformasjonsinitiativer, med en karriere som omfatter senior ledelsesroller i Wipro hvor han bygget og skalert globale AI-praksiser, inkubert automatiseringsplattformer som HOLMES, og hjulpet å definere bedriftsteknologistrategi over industrier inkludert finansielle tjenester, telecom og helsevesen. Hans arbeid har konsistent fokusert på å oversette nye teknologier—spesielt AI, dataingeniør og automatisering—til praktiske forretningsresultater, kombinert med dypt teknisk ekspertise og en sterk rekord i bygging av globale lag, driving digitaliseringsstrategier og levering målbare operasjonelle effektiviteter for store bedrifter.

Apexon er et digitalt først teknologitjenestefirma som hjelper bedrifter å akselerere forretningstransformasjon ved å kombinere AI, dataanalyse og digital ingeniørarbeid for å skape intelligente, skalerbare systemer og kundeopplevelser. Gjennom sine integrerte kapasiteter over sky, automatisering og avansert analyse, arbeider selskapet med organisasjoner for å modernisere operasjoner, forbedre beslutningstaking og levere heldekkende digitale løsninger, spesielt i industrier som finansielle tjenester, helsevesen og life sciences.

Etter to tiår med å lede AI- og analyseinitiativer i selskaper som Wipro og nå Apexon, hva er erfaringen som har hatt størst innvirkning på din tilnærming til digital transformasjon?

Over de siste årene har det som har hatt størst innvirkning på min tilnærming, være erkjennelsen av at vellykket digital transformasjon ikke bare handler om teknologi—det handler om å tilpasse teknologien for å løse virkelige forretningsproblemer og tilpasse seg utvikling av menneskelig atferd. Det handler om å utnytte innovasjon som en strategisk hevel for å lede industrien og gjøre verden til et bedre sted å bo. Uansett om det handler om å hjelpe en bank med å møte regulatoriske behov eller en detaljhandelsmerke å gjenoppfinne sin kundeengasjement eller å muliggjøre en helseleverandør å ta raskere, datadrevne beslutninger, har jeg sett størst innvirkning når vi starter med sluttopplevelsen i mente. I min tidligere liv og nå i Apexon, har mine lag og jeg arbeidet tett med kunder over industrier for å omdanne Agentic AI, Gen AI, AI, ML, RPA og Data fra buzzwords til forretningsresultater—å låse opp innsikt, forbedre effektivitet, forbedre kundeopplevelse, hjelpe med å håndtere risiko og skape konkurransefordel for våre kunder. Den konstante samarbeid og fokus på resultater er hva som fortsatt former min tenkning.

Hva trakk deg til Apexon, og hvordan stemmer selskapets nåværende tilnærming til data, analyse og AI overens med din personlige visjon for fremtidens bedriftsteknologi?

Hva som trakk meg til Apexon, er selskapets klare forpliktelse til å hjelpe kunder å omfavne innovasjon med et formål. Innovasjonskultur og en vekstmentaltitet er innarbeidet i hver person som er tilknyttet Apexon, og det vises i måten vi lærer, innovrer og skyver grenser sammen. Med dypt kompetanse i Data & AI kombinert med dybde i ingeniørarbeid og en skarp fokus på regulerte industrier som BFSI & Helse, ser Apexon ikke på data eller AI som isolerte kapasiteter—det behandler dem som grunnleggende verdier for å hjelpe med å konstruere Intelligente Bedrifter, å bygge skalerbare, IP-drevne forretningsløsninger og plattformer. Dette stemmer overens med min overbevisning om at fremtidens bedriftsteknologi ligger i å skape intelligente systemer som ikke bare er adaptive, men også skalerbare, gjentakbare og bygget for langvarig verdi.

På Apexon, er det en bevisst fokus på å oversette fremtredende teknologi til meningsfulle forretningsresultater—uansett om det handler om å låse opp konkurranseinsikt, muliggjøre smartere automatisering eller drive kunde-sentrerte opplevelser. Denne konvergensen av AI med en IP-først-mentaltitet er nettopp der jeg tror bedriftstransformasjon er på vei—and jeg er spennende å hjelpe med å forme denne fremtiden her.

Hvordan hjelper intelligente tekstiler med å bygge en tilkoblet bedrift, og hva ser den virkelige implementeringen ut som?

Intelligente tekstiler er ikke et produkt eller en plattform. De er en arkitektonisk skift. De kobler punktene mellom forretningsenheter, systemer, data og beslutninger, så at intelligensen ikke er noe du taper inn iblant; det er alltid på. Dette gjør organisasjoner fra å være data-drevne til å være sannt intelligence-drevne.

Når det gjelder virkelig innvirkning—tenk på en detaljhandelskjede som justerer leveringskjedeoperasjoner i sanntid basert på flere faktorer som kjøpeatferd, forstyrrelser i leveringslinjer, geopolitiske utviklinger, endring av vær eller lokale katastrofer. Eller et sykehus som fremhever behandlingsanbefalinger mens klinikerne fortsatt gjennomgår testresultater. Eller banker som kan sye sammen data over flere transaksjoner for å identifisere komplekse anti-pengetvettelser. Kraften ligger i å veve intelligensen direkte inn i arbeidsflyten, ikke legge den til etterpå. Det er hvordan bedrifter blir sannt tilkoblede—intelligensen genereres i noen del av organisasjonen og denne intelligensen forbrukes av hele organisasjonen.

Hvordan bruker Apexon generative AI-verktøy som Copilot for å drive verdi for kunder, og i hvilke områder har du sett den sterkeste tilpasningen?

Vi ser på verktøy som GitHub Copilot ikke bare som kodehjelpere, men som katalysatorer for å gjenoppfinne hvordan programvare planlegges, bygges og testes. På Apexon, er Copilot innbygget over hele ingeniør-livssyklusen—fra å utkaste brukerhistorier og finpusse krav til å generere testtilfeller og forutsi feil. Det hjelper lagene våre å flytte raskere med større nøyaktighet.

Som et eksempel arbeider vi med en helseleverandør for å drive Copilot-tilpasning og kombinere det med Agentic-rammeverk for å fullstendig gjenoppfinne programvareingeniør-livssyklusen for å bringe mer effektivitet i ingeniørarbeid. For en annen kunde hjelper vi med å tilpasse Gen AI og Agentic-rammeverk for å forbedre datakvalitet og sette kraften i hendene på brukerne som interagerer direkte med regulatorer for å møte overholdelsesbehov.

Tilpasningen har vært sterkest i områder hvor hastighet, personlig tilpasning og skala betyr mest—intelligent dokumentbehandling, konversasjons-AI og hyper-automatisering. Disse er rom hvor generativ AI leverer ikke bare utgang, men en strategisk fordel.

Hvordan påvirker akademiske samarbeid med institusjoner som IIT Madras og Imperial College London din AI-forskning og talentutviklingsstrategi?

Våre samarbeid med IIT Madras og Imperial College London spiller en nøkkelrolle i å forme både vår forskningsagenda og hvordan vi bygger fremtidige talenter. Vi er ikke bare med å finansiere prosjekter—vi arbeider tett med ledende forskere for å utforske grenseområder som Agentic AI, multi-agent-systemer & AGI. Disse samarbeidene gir oss dypere innsikt i flere nye områder—as eksempel, hvordan store språkmodeller oppfører seg og utvikler seg gjør dem kontekstuelle i forskjellige domener.

De tjener også som motorer for talentutvikling. Gjennom fellesprogrammer, skaper vi praktiske læringsmuligheter som broer akademisk dybde med bedriftsrelevant. Det er en to-veisk ekschange—vi får tilgang til fremtredende tenkning, og studenter engasjerer seg med virkelige problemer. Denne synergien er kritisk for å skale våre AI-, data- og digital ingeniør-kapasiteter.

I industrier som helse, finansielle tjenester eller telecom, hva er et eksempel hvor Apexons AI- eller analyse-løsning betydelig forbedret operasjonell effektivitet eller låste opp nye forretningsmodeller?

Et godt eksempel er vårt arbeid med en ledende nordamerikansk finansiell institusjon for å modernisere sin risikovurderingsprosess ved hjelp av en AI-drevet ramme. Ved å automatisere datainntak, standardisere fragmenterte kilder og deployere en sanntids-risikomotor, reduserte vi manuell innsats med 90% og akselererte vurderinger med 4x. Integerte prediktive varsler og overholdelsessporing hjalp til å kutte regulatoriske straffer med 30% og finansiell eksponering med 40%. Bygget på en sky-basert, mikrotjenestearkitektur, løsningen forbedret ikke bare nøyaktighet og hastighet, men også posisjonerte kunden for skalerbar, datadrevet risikostyring i en raskt endrende regulatorisk miljø.

Hvilke nye teknologier eller AI-trender er du mest fokusert på som neste store grense for bedriftsinnovasjon?

På Apexon ser vi Agentic AI som neste store sprang i Bedriftsintelligens i nær fremtid. I motsetning til tradisjonell AI som reagerer på påminnelser, kan Agentic AI-systemer autonomt tolke dynamisk kontekst, sette og forfølge mål, samarbeide over systemer og kontinuerlig forbedre seg gjennom tilbakemelding. Vi har bygget et heldekkende rammeverk, AgentRise, for å bringe dette til live. AgentRise kombinerer en Agentic AI-hjerne, multi-agent-koordinering, menneske-i-løkken-overvakning og bedriftsgradert overvåkbarhet.

Resultatet er AI som ikke bare assisterer, men autonomt utfører komplekse forretningsarbeidsflyter, fra dokument-triage i helsevesenet til sanntids-unntakshåndtering i finansielle tjenester.

Hva som skiller vår tilnærming fra andre, er fokuset på skalerbar, tillitlig intelligens. Vi utnytter modulære komponenter, prompt-ingeniørarbeid og sikre integrasjoner for å deployere Agentic AI med hastighet og pålitelighet. Det er ikke bare innovasjon—det er AI innbygget i forretningsflyten, opererende trygt i skala og leverer konkrete resultater. Når disse systemene modnes, tror vi de vil være ryggraden i adaptive, selv-utviklende bedrifter over regulerte og høy-impakt-industrier.

Vi sporer også fremgang i Narrow AI, Kunstig Generell Intelligens og Kvantekomputering—but hva som spenner oss mest, er hvordan disse teknologiene konvergerer for å muliggjøre bedrifter som ikke bare er intelligente, men også adaptive, autonome og i stand til selv-styrt utvikling.

Hva er de største utfordringene organisasjoner møter når de går over fra legacy datasystemer til moderne analyse-arkitekturer?

Organisasjoner møter vanligvis fire store utfordringer når de går over fra legacy-systemer til moderne analyse-arkitekturer.

Første er tilpasning og verdi-realiserings. Legacy-plattformer former ofte dypere innarbeidede måter å arbeide på, gjørendes endringsforvaltning kritisk. Organisasjoner må sikre at nye analyse-plattformer leverer konkrete forretningsresultater som omfatter omsetningsvekst, operasjonell effektivitet og forbedret risikostyring, i stedet for å bli ren teknisk oppgradering.

Den andre er teknologimodernisering og kapasitetsbygging. Mange bedrifter opererer komplekse legacy-estater som omfatter hovedrammer, på-premise-systemer og tidlige sky-miljøer. Modernisering av disse miljøene krever nøye rasjonalisering og gjen-arkitektur, samt bygging av ferdigheter, talent og operasjonell modenhetsnivå nødvendig for å opprettholde moderne data-, analyse- og AI-plattformer.

Tredje er data- og AI-klarhet. Modernisering er ikke bare om å flytte data til en ny plattform. Organisasjoner må sikre at data er forberedt for avansert analyse og AI ved å styrke datakvalitet, styring, avstamning, personvern og etiske sikkerhetsskranke så at innsikt og AI-modeller kan være tillitlige og skalerbare.

Til slutt er det organisatorisk skift. Etterhvert som plattformene utvikler seg mot mer autonome og agentic AI-kapasiteter, må selskapene tilpasse sine driftsmodeller, arbeidsstyrkeferdigheter og kultur for å muliggjøre effektivt samarbeid mellom mennesker og intelligente systemer.

Hvordan sikrer du at digitale opplevelser og AI-løsninger forblir sentrert rundt menneskelige behov i stedet for bare tekniske resultater?

Jeg tror at grunnlaget for sannt innvirkende digitale og AI-løsninger er en klar skift i mentalitet, fra å spørre hva teknologien er i stand til å spørre hvordan den kan meningsfullt skape forretningsverdi og tjene mennesker og samfunn.

Vi begynner med å grunnlegge hver initiativ i sannt menneskelige resultater som bedre beslutninger, større inklusjon, sterkere tillit og enklere opplevelser. Dette krever dyp engasjement med brukere, kontinuerlig lytting og design av løsninger rundt hvordan mennesker faktisk tar i bruk og interagerer med digitale opplevelser. Vi har medvilje innbygget menneske-sentrert design, gjennomsiktighet og ansvar i våre plattformer.

I høy-impakt-domener særlig, må AI operere med sterk menneskelig overvakning og klare etiske sikkerhetsskranke, sikrer at det forbedrer menneskelig dømmekraft i stedet for å erstatte den. Like viktig, må suksess måles ikke bare gjennom ytelsesmetrikker, men også gjennom tilpasning, brukertillit og langvarig verdiskapning.

Når det gjøres godt, går fordelene langt utover enkeltorganisasjoner. Menneske-sentrert AI har potensialet til å utvide tilgang til muligheter, styrke institusjoner og forbedre livskvalitet i skala. Det kan hjelpe med å bygge mer resilient økonomi, rettferdigere systemer og bedre informerte samfunn. Til slutt, må vårt mål være å utvikle AI som ikke bare er intelligent, men også ansvarlig, inkluderende og formål-orientert. Teknologi som forsterker menneskelig potensial og bidrar positivt til fremtiden vi former sammen.

Hvordan vurderer du suksessen til Gen AI-utplasseringer på Apexon—er det bestemte KPI-er eller rammeverk du bruker for å måle effektivitet over forskjellige kunde-miljø?

På Apexon har vi etablert robuste rammeverk, støttet av en portefølje av IP, løsninger og akseleratorer, for å hjelpe både våre lag og våre kunder å måle effektiviteten av GenAI- og Agentic AI-utplasseringer.

Først fokuserer vi på forretningsinnvirkning. Dette begynner med klart definerte domene- eller prosess-nivå-mål, men ultimate centerer på å måle strategiske resultater som forbedret kundeopplevelse, omsetningsvekst, kost-optimisering, operasjonell effektivitet og sterkere risikostyring. Vårt eget M4-rammeverk støtter dette ved å tilby en strukturert utførelsesmodell for analyse-engasjement. M4 tilbyr en bevist strategi og forutsigbare skritt for data-modernisering, hjelper organisasjoner å kartlegge brukstilfeller, modernisere data-arkitekturer og gå over til sky-basert analyse-miljøer mens AI-initiativene forblir tett knyttet til målbare forretnings-KPI-er.

Andre, vi vurderer tilpasning og verdi-realiserings. AI-utplasseringer skaper meningsfull innvirkning bare når de er tillitlige, vidt akseptert og effektivt forsterker menneskelige kapasiteter. På Apexon, har vår egen bedrifts-GenAI-tilpasning tjent som en praktisk modell for kunder. Vi begynte med å muliggjøre ansatte over hele organisasjonen med GenAI- og Agentic AI-kapasiteter, utruste dem med verktøy, retningslinjer og veiledning for ansvarlig bruk, samtidig som vi sporet forretningsresultatene de leverte. Styringsrammeverk, retningslinjer og KPI-er vi utviklet gjennom denne reisen, hjelper nå våre kunder å akselerere og skale GenAI-tilpasning.

Tredje, vi måler teknisk ytelse. Våre akseleratorer innen Genysys-plattformen muliggjør kontinuerlig overvåking av nøkkel-operasjonelle metrikker som svar-nøyaktighet, hallusinasjons-rater, kost per inferens, skalerbarhet og generell system-ytelse. Genysys, Apexons egen GenAI-plattform, konsoliderer kapasitetene til flere store språkmodeller i et samlet miljø med sømløs integrasjon over mer enn ti LLM-er. Dette lar organisasjoner velge den mest passende modell for forskjellige brukstilfeller mens de beholder synlighet i ytelse, pålitelighet og kost-effektivitet over utplasseringer.

Til slutt, vi vurderer styring og risiko. Vårt bedrifts-sikkerhetsrammeverk, en del av AgentRise-tilbudet, hjelper organisasjoner å håndtere kritiske områder som styring, risiko og overholdelse. Gitt vår dypt arbeid med regulerte industrier, hjelper vi kunder å vurderer forklarbarhet, overvåkbarhet, data-avstamning, personvernsikkerhet og tilpasning til ansvarlig AI-standarder for å sikre at AI-systemer er både skalerbare og tillitlige.

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