Amit Sharma, CEO i założyciel CData – seria wywiadów

Amit Sharma, CEO i założyciel CData Software, jest ekspertem technologicznym, który poprowadził CData od jej wczesnej fazy start-upu do tego, aby stała się globalnym liderem w dziedzinie łączności i integracji danych. Z karierą obejmującą role inżyniera oprogramowania w Infosys i Elixar, architekta technicznego w /n Software, a później CTO w CData, zbudował głęboką wiedzę w dziedzinie dostępu do danych przedsiębiorstw i infrastruktury. Od czasu objęcia stanowiska CEO w 2014 roku, poprowadził misję CData, aby uprościć sposób, w jaki organizacje łączą, integrują i wykorzystują dane w systemach, co pomogło umieścić firmę jako podstawową warstwę nowoczesnego przepływu danych.

CData Software jest wiodącym dostawcą rozwiązań dostępu do danych i łączności. Jego produkty danych samousługowych i platformy łączności zapewniają powszechny dostęp do danych na żywo w setkach powszechnie używanych aplikacji lokalnych i chmurowych. Miliony użytkowników na całym świecie polegają na CData, aby wspierać zaawansowaną analitykę, przyspieszać adopcję chmury i budować bardziej połączone, oparte na danych organizacje. Zaprojektowane, aby być dostępnym dla każdego użytkownika, dostępnym w dowolnej aplikacji i skalowalnym dla przedsiębiorstw wszystkich rozmiarów, CData zmienia sposób, w jaki firmy dostęp do danych i ich wykorzystanie.

Zacząłeś swoją karierę w Indiach w Infosys, a później przeszedłeś do amerykańskiego oprogramowania przedsiębiorstw. Jaki wczesny lesson z tego okresu nadal kształtuje sposób, w jaki prowadzisz dzisiaj?

Mój czas w Infosys dał mi wczesny dostęp do wymagań dużej skali technologicznej przedsiębiorstw — złożoności, potrzeby niezawodności i tego, jak duże organizacje podejmują problemy techniczne. To ukształtowało głęboki szacunek dla struktury i jakości przedsiębiorstwa. Ale gdy przeszedłem do amerykańskiego start-upu, odkryłem, że dobrze radzę sobie z prędkością, elastycznością i możliwością bezpośredniego wpływu. Dzisiaj ten podwójny background kieruje tym, jak prowadzę CData Software: nalegam na standardy i solidność na poziomie przedsiębiorstwa, jednocześnie promując szczupły, dynamiczny kulturę, która ceni prostotę, rzeczywistą użyteczność i szybką realizację.

Po ponad dekadzie jako CEO CData, jaki zmianę myślenia lub podejścia uważasz za najważniejszy w skalowaniu firmy od jej wczesnych dni do globalnego przedsiębiorstwa?

Największa zmiana dla mnie była przejście od myślenia jak budowniczy technologii do myślenia jak budowniczy organizacji. We wczesnych dniach mój focus był prawie całkowicie na produkcie; upewnienie się, że jest elegancki, niezawodny i rozwiązuje prawdziwe problemy. Gdy CData rosło, musiałem nauczyć się, że dobre oprogramowanie samo w sobie nie wystarcza; potrzebujesz dobrych ludzi, silnych liderów i procesów, które skalują się bez spowalniania. To oznaczało wcześniejsze inwestowanie w rekrutację, uprawnienia zespołów i budowanie powtarzalnych systemów w sprzedaży, wsparciu i operacjach, jednocześnie chroniąc naszą kulturę inżynierską. Zmiana myślenia polegała na zrozumieniu, że moja praca nie polegała tylko na tworzeniu dobrego oprogramowania, ale na tworzeniu środowiska, w którym dobre oprogramowanie mogło być budowane w sposób ciągły przez rosnący zespół globalny.

CData od dawna koncentruje się na „uproszczeniu dostępu do danych, wszędzie”. Jak zmieniła się ta misja, gdy branża przechodzi w kierunku aplikacji AI?

Od samego początku nasza misja w CData polegała na tym, aby uczynić dane powszechnie dostępnymi za pomocą znajomych, standardowych interfejsów, ponieważ wierzyliśmy, że największą przeszkodą w innowacjach nie jest magazynowanie ani obliczenia, ale dostęp. Ta podstawowa idea nie zmieniła się, ale kontekst tak. Gdy organizacje przechodzą od analityki do chmury, a teraz do AI, koszt fragmentowanego, niespójnego dostępu do danych wzrasta tylko. To, co ewoluowało, to nasza odpowiedzialność: nie chodzi już tylko o łączenie aplikacji z danymi, ale o upewnienie się, że dane są godne zaufania, na żywo i użyteczne w coraz bardziej złożonych i rozproszonych środowiskach. W erze AI dostęp sam w sobie nie wystarcza. Dane muszą być natychmiast użyteczne bez tygodni niestandardowego inżynierii.

Wraz z tym, jak aplikacje AI stają się normą, nasza misja rozszerzyła się, aby objąć uczynienie danych gotowych do AI domyślnie. Oznacza to umożliwienie spójnej semantyki, wysokowydajnej łączności, świadomej dostępu i integracji w czasie rzeczywistym w strukturalnych i SaaS źródłach danych, tak aby modele i agenci mogli pracować z świeżymi, niezawodnymi informacjami, a nie kruchymi punktami integracji lub starymi kopiami. W praktyce koncentrujemy się na eliminowaniu tarcia między tym, gdzie dane mieszkają, a tym, gdzie systemy AI działają, aby zespoły mogły przechodzić od eksperymentów do produkcji szybciej. Widzimy siebie nie tylko jako dostawcę łączności, ale jako podstawową warstwę danych dla przedsiębiorstw AI, cicho napędzającą systemy, które umożliwiają inteligentne aplikacje.

Z przyspieszeniem AI, co „dane gotowe do AI” naprawdę oznaczają dla ciebie, a gdzie widzisz, że organizacje najbardziej nie rozumieją tej idei?

Dla mnie „dane gotowe do AI” oznaczają dane, które są dostępne, niezawodne, bieżące i zrozumiałe zarówno dla ludzi, jak i maszyn, bez warstw niestandardowych rur. Nie chodzi tylko o przeniesienie danych do jeziora lub magazynu. Chodzi o to, aby systemy, modele i agenci mogli stale dostępować odpowiednie dane we właściwym czasie za pomocą standardowych, zarządzanych interfejsów. Gotowość AI zależy mniej od miejsca, w którym dane są przechowywane, a bardziej od tego, czy mogą być odkryte, zapytane, zaufane i zintegrowane w czasie rzeczywistym. Bez tej podstawy nawet najbardziej zaawansowane modele kończą się na niepełnych lub starych informacjach.

Widzę, jak organizacje nie rozumieją tej koncepcji, zakładając, że centralizacja automatycznie oznacza gotowość. Zespoły często wierzą, że gdy dane są skonsolidowane w jednej platformie, są „gotowe do AI”, kiedy w rzeczywistości stworzyli nowy silos. Inni przeszacowują w toolingu, nie rozwiązując problemów jakości danych, semantyki i łączności, nieglamurujących problemów, które robią lub psują prawdziwe systemy AI. AI nie zawodzi z powodu modeli; zawodzi z powodu brudnych, niedostępnych lub przestarzałych danych. Organizacje, które wygrają, są tymi, które traktują gotowość danych jako dyscyplinę operacyjną, a nie jednorazowy projekt migracji.

Twoje nowe badanie, Stan łączności danych AI: perspektywa 2026, pokazuje, że tylko 6% liderów AI uważa, że ich infrastruktura danych jest w pełni gotowa do AI. Dlaczego uważasz, że luka gotowości jest tak duża, a co to mówi o bieżącej trajektorii branży?

Luka jest tak duża, ponieważ większość organizacji zainwestowała w zbieranie i przechowywanie danych zanim zainwestowała w to, aby uczynić je użytecznymi dla AI. W ciągu ostatniej dekady firmy zbudowały jeziora, magazyny i potoki, ale rzadko zbudowały spójną warstwę dostępu, która zapewnia, że dane są spójne, na żywo i dostępne w systemach. W rezultacie liderzy odkrywają, że gdy zaczynają wdrażać AI w prawdziwe przepływy pracy, ich podstawowa infrastruktura nie może obsłużyć prędkości, skali ani niezawodności, jakiej AI wymaga. Wskaźnik 6% nie odzwierciedla braku ambicji, ale raczej rzeczywistość, że AI ujawnia słabości, które zawsze były tam, ale nie miały większego znaczenia w tradycyjnej analityce.

Co dane mówią o branży, to, że jesteśmy na wczesnym etapie krzywej adopcji AI, a nie na późnym. Organizacje eksperymentują agresywnie na poziomie aplikacji, ale teraz zdają sobie sprawę, że sukces zależy od modernizacji ich podstawowej infrastruktury danych. Wchodzimy w fazę korekty, w której focus przenosi się z efektownych prototypów na gotowość operacyjną — standardowy dostęp, zarządzaną integrację i łączność w czasie rzeczywistym. Zwycięzcy nie będą firmami, które budują najwięcej prototypów, ale tymi, które modernizują swoją infrastrukturę danych wystarczająco szybko, aby przenieść te eksperymenty do produkcji na dużą skalę.

Wyniki pokazują również, że 71% zespołów AI spędza więcej niż jedną czwartą swojego czasu na „hydraulice danych”. Twoim zdaniem, jaka część tej pracy jest tak naprawdę strategiczna, a nie tylko dług techniczny?

Pewna ilość „hydrauliki danych” jest absolutnie strategiczna, gdy chodzi o tworzenie trwałego dostępu do danych za pomocą standardowych interfejsów i projektowania pod kątem skalowalności i zarządzania od samego początku. Inwestowanie w spójną łączność, współdzielone semantyki i niezawodne wzorce integracji jest podstawową pracą, która przynosi korzyści w każdej aplikacji i modelu, które następują później. Problem polega na tym, że większość zespołów nie robi tego rodzaju hydrauliki. Budują jednorazowe potoki, piszą kruche łączniki i łatają integracje, które rozwiązują problem tylko raz. To dług techniczny przebrany za postęp.

Co jest strategiczne, to wszystko, co redukuje przyszłe tarcie: eliminowanie kodu niestandardowego na rzecz standardów, budowanie ponownie używalnych usług danych i łączenie systemów w sposób, który skaluje w zespołach i przypadkach użycia. Gdy hydraulika staje się niewidoczna i ponownie używalna, przestaje być podatkiem na zespoły AI i staje się katalizatorem. Prawdziwy cel nie polega na tym, aby spędzać mniej czasu na danych. To aby przestać spędzać czas na tych samych problemach z danymi raz za razem.

Jeden uderzający punkt danych z raportu mówi, że 46% przedsiębiorstw wymaga dostępu w czasie rzeczywistym do sześciu lub więcej źródeł danych dla jednego przypadku użycia AI. Czy to odzwierciedla to, co widzisz u klientów, a co sprawia, że ten poziom łączności jest tak trudny?

Tak, to odpowiada ściśle temu, co widzimy u klientów. Współczesne przypadki użycia AI, takie jak analityka predykcyjna, silniki rekomendacji lub automatyczne przepływy pracy, rzadko polegają na jednym systemie. Przedsiębiorstwa często muszą łączyć ERP, CRM, aplikacje SaaS, platformy streamingowe i starsze bazy danych, aby wygenerować znaczące informacje. Wyzwaniem nie jest tylko ilość źródeł; jest to różnorodność, różne protokoły, formaty i częstotliwości aktualizacji, oraz oczekiwanie, że te dane będą dostępne w czasie rzeczywistym dla modeli AI do spożycia.

Co sprawia, że ten poziom łączności jest tak trudny, to to, że tradycyjne podejścia do integracji nie były zaprojektowane do skali, prędkości i niezawodności, jakiej AI wymaga. Pojedyncze łączniki i potoki partii po prostu nie mogą dotrzymać tempa. Prawdziwy dostęp w czasie rzeczywistym wymaga standardowych, zarządzanych interfejsów, spójnej semantyki w systemach, oraz monitorowania, aby zapewnić jakość i dostępność danych. Bez tej podstawy zespoły spędzają więcej czasu na gaszeniu pożarów w potokach niż na budowaniu rozwiązań AI, co spowalnia innowacje i wprowadza ryzyko. Organizacje, które odnoszą sukces, są tymi, które traktują łączność jako strategiczną zdolność, a nie tylko techniczne zadanie.

Raport podkreśla spójność semantyczną, kontekst i łączność jako cechy charakterystyczne dojrzałej infrastruktury danych AI. Jak organizacje powinny myśleć o sekwencjonowaniu tych priorytetów?

Gdy myślimy o sekwencjonowaniu, organizacje powinny zacząć od łączności. Jeśli dane nie są niezawodnie dostępne w systemach, wszystko inne staje się nieważne. Modele AI nie mogą się uczyć z tego, czego nie mogą dotknąć. Ustanowienie standardowych, zarządzanych połączeń we wszystkich krytycznych źródłach danych tworzy podstawę dla wszystkiego, co następuje. Bez tej warstwy zespoły budują kruche, jednorazowe potoki, które tworzą więcej pracy w przyszłości.

Gdy łączność jest na miejscu, spójność semantyczna staje się następnym priorytetem. Dane potrzebują wspólnego języka, aby informacje z wielu źródeł mogły być interpretowane poprawnie i łączone w sposób znaczący. Kontekst naturalnie następuje: zrozumienie nie tylko wartości, ale ich znaczenia w procesie biznesowym, czasie i relacjach zapewnia, że modele AI mogą dokonywać dokładnych, działających predykcji. Traktowanie tych elementów jako strukturalnej sekwencji — łączność najpierw, semantyka druga, kontekst trzeci — pozwala organizacjom budować infrastrukturę danych gotową do AI, która skaluje i wspiera niezawodną, produkcyjną inteligencję.

Dostawcy oprogramowania AI wymagają obecnie około trzykrotnie więcej zewnętrznych integracji niż tradycyjni dostawcy. Co powoduje tę rosnącą lukę, a co ujawnia o tym, dokąd zmierza oprogramowanie?
Luka rośnie z powodu natury samej AI: aplikacje AI prosperują na różnorodnych, danych w czasie rzeczywistym z wielu źródeł. W przeciwieństwie do tradycyjnego oprogramowania, które często działa w ramach jednego systemu lub pakietu, modele AI muszą spożywać, korelować i analizować informacje w systemach ERP, platformach CRM, aplikacjach SaaS, źródłach streamingowych i innych. Każda integracja jest niezbędna, aby dać AI wystarczający kontekst i pokrycie, aby wygenerować dokładne predykcje, rekomendacje lub zautomatyzowane działania.

Ten trend ujawnia, że oprogramowanie przechodzi od izolowanych aplikacji w kierunku połączonych, inteligentnych ekosystemów. Zwycięzcy nie będą produktami, które działają dobrze same w sobie. Będą to platformy, które mogą bezproblemowo dostępować i integrować dane, gdziekolwiek się znajdują. W praktyce oznacza to, że łączność, standardy i integracja w czasie rzeczywistym nie są już tylko przydatne; są to podstawowe zdolności dla oprogramowania AI, aby dostarczyć prawdziwą wartość.

Patrząc pięć lat do przodu, co uważasz za największą przeszkodę dla sukcesu AI — łączność, potoki w czasie rzeczywistym, modelowanie semantyczne, zarządzanie czy coś zupełnie innego?

Patrząc do przodu, uważam, że zarządzanie i bezpieczeństwo staną się największą przeszkodą dla sukcesu AI. Chociaż łączność i potoki w czasie rzeczywistym pozostają podstawowymi, AI może być tak skuteczna, jak dane, do których może uzyskać dostęp. Organizacje szybko zdają sobie sprawę, że niezarządzana AI jest niewykonalna i potencjalnie niebezpieczna. Gdy AI przechodzi z eksperymentów do produkcji i zaczyna wpływać na krytyczne decyzje biznesowe, ryzyko stronniczości, naruszeń zgodności, wycieku danych i błędów operacyjnych rośnie wykładniczo.

Wyzwaniem nie jest już tylko przenoszenie danych; jest to przenoszenie odpowiednich danych, z odpowiednimi kontrolami, do odpowiednich systemów, w sposób śledzalny i audytowy. Organizacje, które nie wbudują silnych ram zarządzania i protokołów bezpieczeństwa od samego początku, będą musiały stawić czoła rosnącemu naciskowi regulacyjnemu, ryzyku reputacyjnemu i w końcu systemom AI, którym nie można ufać ani skalować. Już widzimy wczesne oznaki: firmy wahają się przed wdrożeniem AI, ponieważ nie mogą zagwarantować pochodzenia danych, kontroli dostępu ani zgodności z ewoluującymi przepisami.

Najbardziej udane organizacje za pięć lat będą tymi, które traktują zarządzanie i bezpieczeństwo nie jako późne myśli, ale jako rdzeń AI. Tak, potrzebujesz łączności i potoków w czasie rzeczywistym, aby dane płynęły; ale bez zarządzania i bezpieczeństwa w miejscu, te dane stają się obciążeniem, a nie aktywem. Przyszłość AI nie jest tylko o prędkości czy skali; jest o zaufaniu, odpowiedzialności i odpowiedzialnym wdrożeniu na każdej warstwie stosu danych.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić CData Software.