Rajan Sethuraman, CEO LatentView Analytics – Wywiad

Rajan Sethuraman, CEO LatentView Analytics, to doświadczony menedżer, którego kariera obejmuje doradztwo, przywództwo w dziedzinie talentów i transformację przedsiębiorstw, z doświadczeniem w Accenture i KPMG przed dołączeniem do LatentView. Jego awans z Chief People Officer na CEO odzwierciedla silny nacisk na rozwój talentów, projektowanie organizacji i skalowalne modele operacyjne, które teraz kształtują jego podejście do AI i analizy. Z głębokim doświadczeniem w rekrutacji, nauce i strategii biznesowej, konsekwentnie koncentrował się na wyrównywaniu ludzi, kultury i technologii w celu osiągnięcia mierzalnych wyników, kulminując w prowadzeniu LatentView przez jego IPO i globalną ekspansję, jednocześnie umieszczając AI jako zdolność biznesową, a nie jako samodzielną funkcję.

LatentView Analytics to globalna firma analityki danych i transformacji cyfrowej, która pomaga przedsiębiorstwom wykorzystywać dane, sztuczną inteligencję i zaawansowaną analitykę, aby poprawić podejmowanie decyzji i napędzać wzrost. Firma świadczy usługi takie jak inżynieria danych, analityka predykcyjna i doradztwo oparte na AI w różnych branżach, w tym usługach finansowych, detalu i technologii, współpracując z klientami z listy Fortune 500 na całym świecie. Jego podstawowa wartość leży w przekształcaniu surowych danych w działania, które umożliwiają firmom optymalizację operacji, przewidywanie trendów i tworzenie przewagi konkurencyjnej w coraz bardziej gospodarce.

Zacząłeś swoją karierę w doradztwie i przywództwie talentów w Accenture i KPMG, zanim zostałeś CEO LatentView Analytics, gdzie poprowadziłeś firmę przez jej IPO i pierwszą akwizycję. Jak Twoje doświadczenie w rozwoju talentów i strategii organizacyjnej ukształtowało sposób, w jaki skalujesz AI i analitykę dzisiaj?

Moja wczesna kariera koncentrowała się głównie na talentach, rozwoju przywództwa i budowaniu organizacji, które mogą się skalować. To doświadczenie nadal kształtuje, jak myślę o AI dzisiaj. Technologia sama w sobie nie skaluje organizacji. To, co się liczy, to jak zespoły ją przyjmują, jak przywódcy wyznaczają cele i jak wyraźnie zdefiniowany jest biznesowy problem. W LatentView spędzamy dużo czasu na pomocy organizacjom w budowaniu modelu operacyjnego, umiejętności i kultury niezbędnych do przekształcenia analityki i AI w codzienne podejmowanie decyzji.

Ponieważ z tego powodu skłaniam się ku myśleniu o AI przez pryzmat gotowości organizacyjnej. Skalowanie AI wymaga silnej ekspertyzy branżowej, fundamentów danych i zespołów, które mogą przetłumaczyć spostrzeżenia na działania. Moim celem zawsze było budowanie tych zdolności razem, zamiast traktowania AI jako wyizolowanej zdolności.

Mówiłeś o minimalizmie AI — priorytecie klarowności, ciekawości i kultury nad pogoń za każdą nową tendencją GenAI. Jak wygląda minimalizm AI w praktyce dla liderów przedsiębiorstw?

Minimalizm AI zaczyna się od skupienia. Liderzy przedsiębiorstw nie muszą ścigać się za każdym nowym modelem lub zdolnością, jaka pojawia się. Potrzebują one niewielkiej liczby istotnych problemów, w których AI może poprawić decyzje lub produktywność w mierzalny sposób. Mogłoby to być podejmowanie decyzji dotyczących cen, planowania łańcucha dostaw lub tego, jak wiedza przenosi się w organizacji. Rozpoczęcie od dobrze zdefiniowanego problemu pomaga zespołom zbudować zaufanie i nauczyć się, co to jest odpowiedzialne skalowanie.

To również oznacza wbudowanie AI w rzeczywiste przepływy pracy, zamiast traktowania go jako izolowanego eksperymentu. Kiedy zespoły widzą, jak technologia pomaga im rozwiązywać codzienne problemy, przyjęcie tendencji do wzrostu jest naturalne. Ciekawość i eksperymentowanie są nadal ważne, ale działają najlepiej, gdy są zakotwiczone w jasnym poczuciu celu.

Wiele organizacji spieszy się z wdrożeniem generatywnej AI, nie wzmacniając wcześniej swoich fundamentów danych. Jakie są sygnały ostrzegawcze, że firma buduje na niestabilnym gruncie?

Jedną rzeczą, którą często zauważam, jest to, że rozmowa o AI porusza się znacznie szybciej niż rozmowa o danych. Jeśli liderzy mówią o pilotach i modelach generatywnych, ale nadal panuje zamieszanie, gdzie znajdują się kluczowe dane, kto je posiada lub jakie wskaźniki biznesu są naprawdę godne zaufania, to zwykle jest to znak, że podstawy nie są jeszcze gotowe. Systemy AI opierają się silnie na niezawodnych i dobrze zarządzanych danych. Bez tego ludzie mają trudności z zaufaniem do wyjść.

Innym sygnałem jest to, kiedy firmy mają wiele pilotów, ale niewiele z nich wpływa na rzeczywiste decyzje. Generatywna AI może produkować imponujące demonstracje, ale prawdziwy test polega na tym, czy staje się częścią tego, jak organizacja działa.

Od czasu objęcia stanowiska CEO, przyniosłeś mierzalny wpływ na globalnych klientów. Co odróżnia firmy, które z powodzeniem operacjonalizują AI, od tych, które pozostają w trybie pilotażowym?

Firmy, które z powodzeniem skalują AI, traktują je jako dyscyplinę operacyjną, a nie jako projekt innowacyjny. Przypisują one odpowiedzialność wykonawczą, łączą przypadki użycia z mierzalnymi wynikami biznesowymi i projektują je z myślą o integracji od samego początku. Inwestują również w mniej glamour pracy, takiej jak potoki danych, zarządzanie, projektowanie procesów i przyjęcie przez użytkowników. To zwykle jest różnicą między pilotażem, który przyciąga uwagę, a zdolnością, która naprawdę zmienia sposób podejmowania decyzji.

W LatentView widzieliśmy, że firmy rozwijają się szybciej, gdy kotwiczą AI w problemie biznesowym, który już jest istotny dla przedsiębiorstwa, takim jak poprawa dokładności planowania, wyników inwentarza lub widoczności dostawców. AI, który jest powiązany z metrykami, które biznes już dba, ma znacznie lepsze szanse na uzyskanie finansowania, zarządzania i przyjęcia na dużą skalę.

Jak podchodzisz do skalowania AI w sposób odpowiedzialny w całej dużej organizacji, utrzymując przy tym zarządzanie, bezpieczeństwo i odpowiedzialność?

Odpowiedzialne skalowanie zaczyna się od uznania, że decyzje AI ostatecznie wpływają na prawdziwych klientów, pracowników i wyniki biznesowe. To oznacza, że zarządzanie nie może być pomyślane jako coś, co robimy później. Organizacje potrzebują jasnych zasad dotyczących dostępu do danych, nadzoru modeli i monitorowania, gdy systemy są w produkcji.

W praktyce najskuteczniejsze modele zarządzania są międzyfunkcyjne. Liderzy biznesu, zespoły technologiczne i grupy ryzyka lub zgodności muszą być zaangażowane. Systemy AI również korzystają na transparentności, jak wygenerowane są dane wyjściowe i gdzie osąd ludzki pozostaje niezbędny. Z ustanowionymi barierami na wczesnym etapie, organizacje mogą rozszerzyć przyjęcie, utrzymując zaufanie.

LatentView współpracuje z przedsiębiorstwami na różnych poziomach dojrzałości cyfrowej. Jak Twoja strategia AI różni się, gdy doradzasz organizacji, a gdy jesteś w organizacji, która jest jeszcze na wczesnym etapie swojej analitycznej podróży?

W przypadku organizacji rozmowa jest zwykle o przyspieszeniu. Mają one już istotne aktywa danych, więc koncentrujemy się na priorytecie przypadków użycia o wysokiej wartości, poprawie dostępności i wbudowaniu AI w przepływy pracy, w których biznes może działać szybko. Mogłoby to oznaczać odbiór wiedzy przedsiębiorstwa, połączone planowanie łańcucha dostaw lub modele specyficzne dla domeny, które poprawiają szybkość decyzji we wszystkich funkcjach.

Dla organizacji, które są wcześniej w swojej podróży, punkt startu jest inny. Spędzamy więcej czasu na gotowości danych, zarządzaniu, modernizacji BI i budowaniu zdolności, aby firma mogła wspierać AI w zrównoważony sposób. W tych sytuacjach ocena dojrzałości i sekwencjonowanie mają ogromne znaczenie. Nie chcesz obiecywać agendy przyszłości firmie, która nadal brakuje zaufanych danych, wspólnych KPI lub wyraźnego porozumienia między menedżerami a problemem, które próbuje rozwiązać.

Biorąc pod uwagę Twoje głębokie doświadczenie w pozyskiwaniu talentów i nauce, jakie umiejętności powinny firmy priorytetowo rozwijać wewnętrznie w erze AI, a które powinny zatrudniać na zewnątrz?

Wewnętrznie uważam, że firmy powinny skoncentrować się na budowaniu szerokiej literatury AI i analityki danych. Nie każdy musi zostać naukowcem danych, ale ludzie w całym biznesie powinni priorytetowo traktować podejmowanie decyzji opartych na spostrzeżeniach, zadawać lepsze pytania i używać narzędzi AI w codziennym przepływie pracy. Kiedy ta praktyka rozprzestrzenia się na zespoły, staje się znacznie łatwiejsze, aby zidentyfikować, gdzie AI może naprawdę pomóc i gdzie prawdopodobnie nie powinno być używane.

Na zewnątrz, zatrudnienia tendencja do bycia bardziej wyspecjalizowanymi, takimi jak inżynieria danych, architektura uczenia maszynowego i zarządzanie AI wymaga głębokiej ekspertyzy, której organizacje mogą nie zawsze posiadać wewnętrznie. Firmy, które robią to dobrze, łączą tych specjalistów z zespołami biznesowymi, które rozumieją kontekst i decyzje, które muszą się poprawić.

Odpór kulturowy często spowalnia transformację. Jakie zachowania liderów okazały się najbardziej skuteczne w budowaniu zaufania i impetu wokół przyjęcia AI?

Jasna komunikacja ze strony liderów ma duże znaczenie. Pracownicy chcą zrozumieć, dlaczego nowe technologie są wprowadzane i jak są one powiązane ze strategią firmy. Wyjaśnienie celu za inicjatywami AI i powiązanie ich z rzeczywistymi celami biznesowymi pomaga budować zaufanie w całej organizacji.

Uczenie się jest równie ważne. Automatyzacja i AI już zmieniają wiele, więc firmy muszą aktywnie wspierać pracowników w rozwijaniu nowych umiejętności. Ludzie angażują się znacznie bardziej otwarcie w zmiany, gdy widzą prawdziwe możliwości budowania nowych umiejętności i wzrostu wraz z technologią.

Gdy AI staje się wbudowane w procesy podejmowania decyzji, jak zarządy i zespoły wykonawcze powinny przemyśleć metryki wydajności i odpowiedzialność?

AI zmienia, jak decyzje są podejmowane, więc zespoły kierownicze muszą patrzeć poza tradycyjne metryki projektowe. Prawdziwe pytanie staje się, czy AI poprawia jakość i szybkość decyzji w obszarach, które mają znaczenie dla biznesu. Mogłoby to oznaczać lepsze prognozy popytu, bardziej dokładne decyzje dotyczące cen lub szybsze reakcje na zmiany na rynku.

Jeśli te wyniki się poprawiają, AI robi swoją robotę. Wyniki AI nie mogą siedzieć w oddzielnym pulpicie od wyników biznesowych przez długi czas.

Odpowiedzialność również musi być wyraźniejsza. Ktoś nadal posiada dane, ktoś jest odpowiedzialny za monitorowanie modeli w produkcji, a ktoś ostatecznie podejmuje decyzję. AI może wspierać te decyzje, ale zarządzanie i nadzór pozostają niezbędne.

W ciągu najbliższych trzech do pięciu lat, jakie zmiany w przyjęciu AI przez przedsiębiorstwa będą najważniejsze — i co liderzy powinni robić teraz, aby pozostać na czele?

W ciągu najbliższych kilku lat AI zacznie pojawiać się znacznie częściej w codziennych decyzjach biznesowych. Wiele firm spędziło czas na eksperymentowaniu z pilotami i koncepcjami dowodowymi. Następnym krokiem jest upewnienie się, że te zdolności naprawdę wspierają, jak zespoły planują, prognozują popyt, zarządzają łańcuchami dostaw lub podejmują decyzje marketingowe.

Praca również ewoluować będzie, gdy AI stanie się bardziej zdolne. Gdy rutynowe zadania staną się bardziej zautomatyzowane, role będą się przesuwać w kierunku kierowania, interpretowania i pracy obok systemów AI. Organizacje, które wzmocnią swoje podstawy danych i pomogą pracownikom zbudować te zdolności, będą się adaptować znacznie łatwiej, gdy AI stanie się częścią codziennych operacji.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić LatentView Analytics.