Preetpal Singh, Dyrektor Zarządzający Grupy w Xebia – Seria Wywiadów

Preetpal Singh jest Dyrektorem Zarządzającym Grupy w Xebia, gdzie kieruje globalnymi inicjatywami skupionymi na budowaniu i modernizowaniu cyfrowych platform, aplikacji przedsiębiorstw i systemów opartych na danych. Z ponad 26-letnim doświadczeniem we wszystkich branżach, takich jak usługi finansowe, opieka zdrowotna, produkcja, konsumpcja i wysokich technologii, pracował na styku realizacji technologicznej i transformacji biznesowej. Jego kariera obejmuje dostawę inżynieryjną, przywództwo w podejściu do rynku i dużą zmianę operacyjną, z ciągłym naciskiem na przekształcanie wschodzących technologii w systemy, które działają niezawodnie w środowiskach produkcyjnych.

Xebia jest globalną firmą inżynieryjną, która projektuje, buduje i modernizuje cyfrowe produkty i platformy dla przedsiębiorstw na całym świecie. Firma łączy inżynierię oprogramowania, modernizację chmury i danych, sztuczną inteligencję generatywną oraz inteligentną automatykę, aby pomóc organizacjom rozwijać skalowalne aplikacje, nowoczesne architektury i zintegrowane możliwości AI. Z zespołami działającymi w wielu regionach, Xebia współpracuje z przedsiębiorstwami, aby wprowadzić nowe technologie do podstawowych systemów i platform skierowanych do klientów, zapewniając, że innowacje są wspierane przez silne podstawy inżynieryjne.

Spędziłeś ponad 26 lat na prowadzeniu inicjatyw technologicznych, sprzedażowych i transformacji biznesowej w wielu branżach. Jak ta podróż ukształtowała Twoje podejście do innowacji i wzrostu dzisiaj?

Z czasem stałem się bardziej skupiony na trwałości niż nowości. Na początku mojej kariery byłem przyciągany przez samą moc technologiczną. Z doświadczeniem, zacząłem zwracać większą uwagę na to, co dzieje się po fazie pilotażu, kiedy systemy muszą integrować się z platformami dziedzictwa, przechodzić przeglądy zgodności i wykonywać się spójnie pod rzeczywistymi obciążeniami. We wszystkich branżach, punkt zwrotny zawsze wydaje się następować, kiedy obiecująca inicjatywa przechodzi do produkcji. Własność staje się krytyczna. Złożoność integracji pojawia się. Tolerancja ryzyka jest testowana. To tam transformacja dojrzewa lub zatrzymuje się.

Dzisiaj podejście do innowacji z praktycznej perspektywy. W Xebia, priorytetem jest budowanie i modernizowanie platform, które leżą u podstaw operacji. Myślimy o długoterminowej utrzymaniu, audytowalności i skalowalności od samego początku, ponieważ wzrost trwa tylko wtedy, gdy podstawowe systemy są zaprojektowane tak, aby wytrzymać presję w czasie.

Gdzie przedsiębiorstwa mają największe trudności podczas wykonywania AI?

Wyzwania zwykle pojawiają się, gdy AI przechodzi poza eksperymenty i do systemów operacyjnych. Budowanie modelu to jeden kamień milowy, ale wbudowanie go w procesy underwritingu, systemy ERP lub platformy roszczeń wprowadza inny poziom złożoności.

W jednym scenariuszu wdrożeniowym model działał dobrze w środowiskach testowych. Gdy został połączony z żywym przepływem transakcji, pytania dotyczące rejestrowania inspekcji, uprawnień do zastępowania i mechanizmów wycofywania spowolniły wdrożenie. Zespoły ds. zgodności potrzebowały śladów. Zespoły ds. ryzyka wymagały wyjaśnienia dotyczącego ścieżek eskalacji. Te szczegóły operacyjne ostatecznie określiły harmonogram.

Inicjatywy AI zyskują impet, gdy potoki danych są ustrukturyzowane, monitorowanie produkcji jest na miejscu, a odpowiedzialność jest wyraźnie określona. Organizacje, które planują te rzeczywistości wcześnie, tendencję do łatwiejszego skalowania.

Jak odróżniasz automatyzację, która poprawia wydajność i transformację, która zmienia biznes?

Automatyzacja ukierunkowana na wydajność zwykle upraszcza kroki w ramach istniejącego procesu. Szeroka transformacja pojawia się, gdy zespoły ponownie rozważają, jak sam proces jest zorganizowany.

Zobaczyłem przypadki, w których organizacje przygotowywały się do automatyzacji łańcuchów zatwierdzeń, które obejmowały ponad tuzin punktów dotyku. Gdy logika decyzyjna została zaprojektowana ponownie i punkty kontrolne walidacji zostały skonsolidowane, przepływ pracy stał się znacznie prostszy. Wpływ wykraczał poza czas cyklu; wpłynął na odpowiedzialność i dystrybucję ryzyka.

Gdy upraszczasz przepływ decyzyjny z biznesem najpierw, automatyzacja staje się łatwiejsza, a zyski pozostają.

Co odróżnia transformację w branżach o wysokim stopniu regulacji?

Branże o wysokim stopniu regulacji mają tendencję do wbudowania uwag dotyczących zarządzania bezpośrednio w projekt systemu. W branżach takich jak usługi finansowe i opieka zdrowotna, śledzenie i wyjaśnialność są wymaganiami przed wdrożeniem, a nie po.

Pracowałem z zespołami, które włączyły bramki walidacji modelu do potoków CI/CD i ustanowiły szczegółowe standardy logowania od samego początku. Ścieżki eskalacji i ramy monitorowania zostały określone wcześnie w dyskusjach architektonicznych. Ta dyscyplina kształtuje bardziej odporny system i przygotowuje organizacje do zwiększonej autonomii w środowiskach napędzanych przez AI.

Jak zapewniasz, że inwestycje w AI są zgodne z wymiernymi wynikami biznesowymi?

Zachęcam zespoły kierownicze do określenia przesunięcia operacyjnego, które oczekują. Mogłoby to oznaczać skrócenie czasu wdrożenia, zwiększenie pojemności usług bez proporcjonalnego wzrostu zatrudnienia lub obniżenie wskaźników błędów w przetwarzaniu roszczeń.

Instrumentacja odgrywa krytyczną rolę. Platformy, które dostarczamy, obejmują śledzenie dla przepustowości, opóźnienia, dokładności decyzji i wskaźników adopcji. Gdy te wskaźniki są widoczne w pulpitach produkcyjnych, liderzy biznesu mogą połączyć inwestycje technologiczne z wynikami operacyjnymi. Jak strategiczne partnerstwa przyspieszają AI na dużą skalę?

Inicjatywy przedsiębiorstw AI obejmują infrastrukturę, platformy danych, architekturę aplikacji i bezpieczeństwo. Współrzędne wykonanie na tych warstwach wymaga głębi i wyrównania. Partnerstwa tworzą impet, gdy są bezpośrednio połączone z możliwościami inżynieryjnymi i wykonaniem operacyjnym.

Nasze rozszerzone partnerstwo z partnerami, takimi jak Google Cloud, Anthropic i inni, obejmuje rozwój powtarzalnych rozwiązań branżowych i ustanowienie globalnego Centrum Doskonałości w celu wsparcia dostawy na dużą skalę. Struktury takie redukują tarcie integracyjne i zapewniają spójność, gdy wdrożenia rozszerzają się na regiony i jednostki biznesowe.

Jakie nieporozumienia widzisz wokół gotowości AI?

Wiele organizacji postrzega udane pilotaże jako dowód gotowości. W praktyce, gotowość pojawia się w środowiskach danych, warstwach integracji, protokołach zarządzania i modelach odpowiedzialności.

Stabilność produkcji i dojrzałość zarządzania kształtują długoterminowy sukces tak samo, jak wydajność modelu. Model może działać dobrze w testach, ale gdy działa w pełnym przepływie transakcji, opóźnienie, monitorowanie i obsługa awarii stają się krytyczne. Zespoły potrzebują wyraźnych procedur wycofywania, wykrywania dryfu, standardów logowania i określonej własności, gdy model jest na żywo.

Gdy systemy AI przechodzą z ról doradczych do ról decyzyjnych, wyjaśnialność wokół władzy zastępowania i ścieżek eskalacji staje się niezbędna. Gdy te barierki są zbudowane w architekturze wcześnie, skalowanie staje się znacznie łatwiejsze.

Jak liderzy powinni myśleć o balansowaniu innowacji i ryzyka, gdy AI staje się wbudowana w operacje?

Odpowiedzialny AI jest zbudowany w systemie od samego początku i utrzymywany przez aktywny nadzór. Wyraźne kryteria dotyczące tego, gdzie systemy mogą działać niezależnie i gdzie nadzór ludzki pozostaje niezbędny, pomaga zapobiec niejasności później.

Ciągłe monitorowanie jest równie ważne, ponieważ wzorce danych zmieniają się, a krajobrazy regulacyjne ewoluują. Systemy AI wymagają okresowego kalibrowania i przeglądu, aby utrzymać wyrównanie z oczekiwaniami biznesowymi i zgodności.

Jak utrzymujesz wyrównanie między wykonaniem inżynieryjnym a strategią wykonawczą?

Wyrównanie staje się łatwiejsze, gdy ludzie są szczerzy co do kompromisów. Jeśli chcesz poruszać się szybciej, są implikacje techniczne. Jeśli dajesz systemom więcej autonomii, będziesz potrzebować silniejszego monitorowania. Jeśli dostosujesz głęboko, będziesz robił wybory dotyczące tego, jak łatwo będzie to utrzymać później.

Żadne z tego nie jest złe. Po prostu musi być jawne. Gdy te rzeczywistości są omawiane na początku, ambicja i dyscyplina nie konkurują ze sobą. Liderzy mogą przystąpić do działania, inżynierowie mogą budować odpowiedzialnie, a każdy rozumie, na co się zgadza. Ten rodzaj transparentności buduje zaufanie i utrzymuje postęp stabilny w czasie.

Gdzie przedsiębiorstwa powinny skoncentrować swoje strategiczne inwestycje w ciągu najbliższych kilku lat?

Dostosowywanie się będzie oddzielać liderów od reszty. Zwykle sprowadza się to do silnych podstaw: czystych danych, skalowalnej infrastruktury chmury, dyscyplinowanego wdrożenia i wyraźnej widoczności tego, jak systemy działają.

Spółki, które inwestują w tę podstawę i budują odpowiednie partnerstwa ekosystemowe wokół niej, mogą dostosować się do zmian rynków i regulacji. W długiej perspektywie, przewaga pochodzi z budowania operacji i architektury, które mogą poradzić sobie z każdą falą, jaka nadchodzi.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Xebia.