Rajan Sethuraman, CEO of LatentView Analytics – Intervju-serie

Rajan Sethuraman, CEO of LatentView Analytics, er en erfaren leder med en karriere som spenner over konsulentvirksomhet, talentledelse og bedriftstransformasjon, med ledelsesstillinger i Accenture og KPMG før han ble med i LatentView. Hans utvikling fra Chief People Officer til CEO reflekterer en sterk vekt på talentutvikling, organisasjonsdesign og skalerbare driftsmodeller, som nå former hans tilnærming til AI og analytics. Med dyptgående erfaring i rekruttering, læring og forretningsstrategi, har han konsistently fokusert på å tilpasse mennesker, kultur og teknologi for å drive målbare resultater, kulminert i å lede LatentView gjennom sin IPO og globale utvidelse mens han posisjonerer AI som en forretningskapasitet snarere enn en selvstendig funksjon.

LatentView Analytics er et globalt data-analyse- og digitalt transformasjonsselskap som hjelper bedrifter å utnytte data, kunstig intelligens og avansert analyse for å forbedre beslutningstaking og drive vekst. Selskapet tilbyr tjenester som dataingeniørarbeid, prediktiv analyse og AI-drevet konsulentvirksomhet over industrier som finansielle tjenester, detaljhandel og teknologi, og arbeider med Fortune 500-kunder over hele verden. Dets kjerneverdi ligger i å transformere rådata til handlebare innsikter som gjør det mulig for bedrifter å optimalisere drift, forutse trender og skape konkurransefordel i en stadig mer kompleks økonomi.

Du begynte din karriere i konsulentvirksomhet og talentledelse hos Accenture og KPMG før du ble CEO i LatentView Analytics, der du ledet selskapet gjennom sin IPO og første oppkjøp. Hvordan har din bakgrunn i talentutvikling og organisasjonsstrategi formet måten du skalerer AI og analytics i dag?

Min tidlige karriere fokuserte tungt på talent, lederutvikling og bygging av organisasjoner som kunne skaleres. Den erfaringen fortsetter å forme hvordan jeg tenker om AI i dag. Teknologi alene skalerer ikke en organisasjon. Det som betyr noe, er hvordan teamene adopterer det, hvordan lederne stiller seg til det, og hvordan forretningsproblemet er definert. Hos LatentView bruker vi mye tid på å hjelpe organisasjoner bygge den driftsmodellen, ferdighetene og kulturen som trengs for å gjøre analytics og AI til en del av hverdagsbeslutningene.

Fordi det, tenderer jeg til å tenke om AI gjennom linsen til organisatorisk beredskap. Skalering av AI krever sterk domeneekspertise, datafundamenter og team som kan oversette innsikter til handling. Min fokus har alltid vært på å bygge disse kapasitetene sammen, snarere enn å behandle AI som en isolert kapasitet.

Du har snakket om AI-minimalisme — prioritering av klarethet, nysgjerrighet og kultur over å jage hver ny GenAI-trend. Hva ser AI-minimalisme ut som i praksis for bedriftsledere?

AI-minimalisme begynner med fokus. Bedriftsledere trenger ikke å forfølge hver ny modell eller kapasitet som dukker opp. De trenger et lite antall meningsfulle problemer hvor AI kan forbedre beslutninger eller produktivitet på en målbart måte. Dette kan være prisbeslutninger, forsyningskjedeplanlegging eller hvordan kunnskap flyttes over organisasjonen. Å starte med et godt definert problem hjelper teamene bygge tillit og lære hva ansvarlig skaleringsvirksomhet faktisk ser ut som.

Dette betyr også å innbygge AI i virkelige arbeidsflyter i stedet for å behandle det som en isolert eksperiment. Når teamene ser teknologien hjelpe dem med å løse hverdagsproblemer, tenderer tilpasningen til å vokse naturlig. Nysgjerrighet og eksperimentering er fortsatt viktige, men de fungerer best når de er forankret i en klar forståelse av formålet.

Mange organisasjoner rusjer inn i generativ AI uten å styrke sine datafundamenter først. Hva er advarselstegnene på at et selskap bygger på usikker grunn?

En ting jeg ofte legger merke til, er når AI-samtalen beveger seg mye raskere enn data-samtalen. Hvis lederne snakker om copiloter og generative modeller, men det fortsatt er forvirring om hvor nøkkeldata bor, hvem eier det, eller hvilke metrikker bedriften faktisk stoler på, er det vanligvis et tegn på at grunnlaget ikke er klart ennå. AI-systemer avhenger tungt av pålitelig og godt styrt data. Uten det, blir det vanskelig for mennesker å stole på utgangene.

Et annet signal er når selskaper har mange piloter i gang, men svært få som påvirker virkelige beslutninger. Generativ AI kan produsere imponerende demonstrasjoner, men den virkelige testen er om den blir en del av hvordan organisasjonen opererer.

Siden du ble CEO, har du drevet målbare resultater for globale kunder. Hva skiller selskaper som operasjonaliserer AI med hell fra de som blir stående i pilotmodus?

Selskaper som skalerer AI med hell, behandler det som en driftsdisciplin, ikke som et innovasjons-sideprosjekt. De tildeler ledelsesansvar, kobler brukstilfeller til målbare forretningsresultater og designer for integrasjon fra begynnelsen. De investerer også i det mindre glamorøse arbeidet, som data-pipelines, styring, prosessgjenoppbygging og brukeradopsjon. Det er vanligvis forskjellen på en pilot som får oppmerksomhet og en kapasitet som faktisk endrer hvordan beslutninger tas.

Hos LatentView har vi sett at selskaper beveger seg raskere når de foranker AI i et forretningsproblem som allerede betyr noe for bedriften, som forbedring av planleggingsnøyaktighet, lagerresultater eller leverandørvisibilitet. AI som er knyttet til metrikker som bedriften allerede bryr seg om, har en mye bedre sjans til å bli finansiert, styrt og adoptert i skala.

Hvordan nærmer du deg skaleringsproblematikken med AI på en ansvarlig måte over en stor organisasjon samtidig som du opprettholder styring, sikkerhet og ansvar?

Ansvarlig skaleringsproblematikk starter med å anerkjenne at AI-beslutninger til slutt påvirker virkelige kunder, ansatte og forretningsresultater. Det betyr at styring ikke kan være et ettertanke. Organisasjoner trenger klare politikker rundt data-tilgang, modell-overvåking og overvåking når systemer er i produksjon.

I praksis er de mest effektive styringsmodellene tverrfaglige. Forretningsledere, teknologiteam og risiko- eller compliance-grupper må alle være involvert. AI-systemer har også nytte av gjennomsiktighet rundt hvordan utgangene genereres og hvor menneskelig dømmekraft fortsatt er essensiell. Med retningslinjer etablert tidlig, kan organisasjoner utvide adopsjon mens de opprettholder tillit.

LatentView arbeider med bedrifter på svært ulike nivåer av digital maturitet. Hvordan forskjeller din AI-strategi når du rådgiver en organisasjon versus en som fortsatt er tidlig i sin analytics-reise?

Med en organisasjon, er samtalen vanligvis om akselerasjon. De har allerede meningsfulle data-tilganger, så vi fokuserer på å prioritere høyverdi-brukstilfeller, forbedre tilgjengelighet og innbygge AI i arbeidsflyter hvor bedriften kan handle raskt. Dette kan være bedrifts-kunnskaps-tilgang, koblet planlegging i forsyningskjeden eller domenespesifikke modeller som forbedrer beslutningshastighet over funksjoner.

For organisasjoner tidlig i reisen, er utgangspunktet annerledes. Vi bruker mer tid på data-beredskap, styring, BI-modernisering og kapasitetsbygging så selskapet kan støtte AI på en bærekraftig måte. I disse situasjonene, teller maturitetsvurdering og sekvensering mye. Du vil ikke ønske å love en agens-fremtid til en bedrift som fortsatt mangler pålitelige data, felles KPI-er eller ledelses-tilslutning til problemet det prøver å løse.

Gitt din dyptgående erfaring i talentrekruttering og læring, hvilke ferdigheter bør selskaper prioritere å utvikle internt i AI-æraen versus å ansette eksternt?

Internt, tror jeg at selskaper bør fokusere på å bygge bred AI- og data-litteratur. Ikke alle trenger å bli data-vitenskapsmenn, men mennesker over hele bedriften bør prioritere å grunne beslutninger på innsikter, stille bedre spørsmål og bruke AI-verktøy i sine daglige arbeidsflyter. Når denne praksisen sprenger seg over team, blir det mye enklere å identifisere hvor AI kan virkelig hjelpe og hvor det kanskje ikke bør brukes.

Eksternt, tenderer ansettelsene til å være mer spesialiserte. Ferdigheter som dataingeniørarbeid, maskinlæring-arkitektur og AI-styring krever dyp ekspertise som organisasjoner kanskje ikke alltid har internt. Selskaper som gjør dette godt, kombinerer vanligvis disse spesialistene med forretnings-team som forstår konteksten og beslutningene som må forbedres.

Kulturell motstand sakter ofte transformasjon. Hvilke ledelses-atferd har du funnet mest effektive i å bygge tillit og momentum rundt AI-adoptsjon?

Klar kommunikasjon fra ledelsen gjør en stor forskjell. Ansatte ønsker å forstå hvorfor nye teknologier blir introdusert og hvordan de kobler seg til selskapets strategi. Å forklare formålet bak AI-initiativene og knytte dem til virkelige forretningsmål, hjelper med å bygge tillit over hele organisasjonen.

Læring er like viktig. Automatisering og AI former allerede mange arbeidsplasser, så selskaper må aktivt støtte ansatte i å utvikle nye ferdigheter. Mennesker engasjerer seg mye mer åpent med endring når de ser virkelige muligheter til å bygge nye ferdigheter og vokse sammen med teknologien.

Når AI blir innbygd i beslutningsprosesser, hvordan bør styreteam og ledere omtenke ytelsesmetrikker og ansvar?

AI endrer hvordan beslutninger tas, så ledelses-team må se beyond tradisjonelle prosjekt-metrikker. Den virkelige spørsmålet blir om AI forbedrer kvaliteten og hastigheten på beslutninger i områder som betyr noe for bedriften. Dette kan være bedre etterspørsels-prognoser, mer nøyaktige pris-beslutninger eller raskere responser på endringer i markedet.

Hvis disse resultater forbedres, gjør AI jobben sin. AI-ytelse kan ikke sitte i en separat dashboard fra forretnings-ytelse for veldig lenge.

Ansvar må også være tydeligere. Nogen eier fortsatt dataene, noen er ansvarlig for å overvåke modeller i produksjon, og noen avgjør til slutt. AI kan støtte disse beslutningene, men styring og overvåking forblir essensielle.

Over de neste tre til fem årene, hvilke endringer i bedrifts-ai-adoptsjon vil bety mest — og hva bør ledere begynne å gjøre nå for å holde seg foran?

Over de neste få årene, vil AI begynne å dukke opp mye mer innen hverdags-beslutningsprosesser. Mange selskaper har brukt tid på å eksperimentere med piloter og bevis på konsept. Neste skritt er å sikre at disse kapasitetene faktisk støtter hvordan team planlegger, forutser etterspørsel, håndterer forsyningskjeder eller tar markeds-beslutninger.

Arbeid vil også utvikle seg når AI blir mer kapabel. Når rutine-oppgaver blir mer automatisert, vil arbeidsplasser skifte mot å guide, tolke og arbeide sammen med AI-systemer. Organisasjoner som styrker sine data-fundamenter og hjelper ansatte bygge disse kapasitetene, vil tilpasse seg mye enklere når AI blir en del av hverdags-operasjoner.

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