Lakshmikant Gundavarapu, Diretor de Inovação da Tredence – Série de Entrevistas

Lakshmikant Gundavarapu é o Diretor de Inovação da Tredence. Com mais de três décadas no setor de TI, Lakshmikant é uma autoridade respeitada em transformação de IA e inovação digital.

Como ex-Diretor Global de Dados e IA da Microsoft (MSFT ) India, a liderança de Lakshmikant permitiu a transformação digital para 100+ clientes em 40 países. Na Microsoft, Lakshmikant defendeu a integração de bancos de dados de código aberto no Azure e forjou alianças estratégicas com fornecedores de soluções SaaS.

Com um talento para criar soluções de IA centradas no cliente, Lakshmikant se destaca em estabelecer parcerias estratégicas que impulsionam a inovação. Lakshmikant traz uma rica experiência, conhecimento técnico e habilidades de liderança para catalisar transformações impulsionadas por IA, demonstrando uma capacidade comprovada de traduzir tecnologias emergentes em soluções de negócios concretas.

Tredence é uma empresa de dados e IA que ajuda os negócios a transformar experimentos de análise em impacto real no mundo. Eles atuam em indústrias como varejo, CPG, tecnologia, finanças, saúde e viagens, oferecendo serviços em engenharia de dados, IA/ML, IA geradora, cadeia de suprimentos, experiência do cliente e modernização digital. Seu foco é combinar velocidade por meio de aceleradores, conhecimento profundo do domínio e parcerias sólidas para entregar soluções escaláveis e prontas para empresas.

Com seus anos na Microsoft India, quais experiências moldaram sua visão para a transformação de empresas impulsionada por IA que agora se manifestam na estratégia da Tredence?

Durante meu mandato na Microsoft, tive a oportunidade de trabalhar com empresas de vários setores, incluindo aviação e imóveis. É evidente que a IA pode criar um impacto real quando tem um propósito claro, é apoiada por dados confiáveis e é projetada para se integrar à tomada de decisões operacionais.

Por exemplo:

• Uma grande companhia aérea implementou a IA para prever falhas de motor, permitindo manutenção proativa e melhorando a segurança e a eficiência.
• Uma grande empresa imobiliária utilizou a IA para monitoramento preditivo de sistemas de prédios essenciais, resultando em redução de tempo de inatividade e otimização de cronogramas de manutenção.

Essas experiências me ensinaram que a tecnologia sozinha não transforma os negócios. É necessário um design cuidadoso, fundamentos de dados sólidos e mecanismos que traduzam insights em ações reais. Essa perspectiva agora impulsiona a abordagem da Tredence: desenvolvemos soluções de IA que são orientadas por propósito, informadas por dados e capazes de entregar resultados mensuráveis em toda a empresa.

A Tredence é frequentemente descrita como solucionadora do problema do “último quilômetro” em IA. Pode compartilhar exemplos onde essa transformação acelerada foi realizada para os clientes? 

Considere um grande varejista global. Ao unificar dados fragmentados de transações, programas de fidelidade, operações de cadeia de suprimentos e pontos de contato digitais, habilitamos aplicações de IA que impulsionaram o crescimento de receita, a retenção de clientes, a personalização de jornadas e a previsão de demanda. Aplicamos esses insights operacionalmente, transformando análises em resultados de negócios tangíveis.

Estudo de caso de varejo: a Tredence criou um sistema de personalização unificado que gerou US$ 58 milhões em receita e fechou uma lacuna de 54% nos KPIs. Isso foi além das insights do cliente e entregou personalização que impulsiona receita em escala.

No setor biofarmacêutico, a integração de conjuntos de dados de P&D, clínicos e comerciais permitiu que a IA otimizesse o recrutamento para testes, melhorasse o design de estudos e aumentasse o engajamento de médicos, acelerando o tempo de lançamento no mercado e impulsionando a receita.

Em todos os setores, desde a detecção de fraude bancária até a manutenção preditiva na fabricação, a lição permanece a mesma: a IA entrega valor apenas quando impulsiona decisões que importam para os negócios.

Estudo de caso bancário: a Tredence implantou copilotos de AML (anti-lavagem de dinheiro) com IA geradora que não apenas geraram insights sobre atividades suspeitas, mas também se integraram às operações diárias para aumentar a produtividade dos casos em 120% e reduzir os falsos positivos em 15%. Isso demonstra a tradução de detecção de IA para eficiência operacional.

As empresas frequentemente lutam para migrar de pilotos de IA para produção em escala. Quais são os principais obstáculos e como a Tredence ajuda a superá-los?

Muitas iniciativas de IA estagnam porque não são projetadas com um resultado de negócios claro, mesmo quando são tecnicamente fortes. Os desafios principais incluem:

1. Falhas de design com propósito : Insights podem ser interessantes, mas não resolvem problemas de negócios mensuráveis.
2. Limitações de dados : Dados fragmentados ou de baixa qualidade impedem a escalabilidade confiável.
3. Desafios operacionais : Sem implantação automatizada, monitoramento, retreinamento e governança, os modelos permanecem experimentais.

Na Tredence, abordamos esses desafios por meio de:

• Design orientado por resultados, garantindo que cada iniciativa de IA esteja diretamente ligada a resultados de negócios mensuráveis.
• Fundamentos de dados robustos, consolidando e enriquecendo conjuntos de dados para desempenho de modelo confiável.
• Frameworks operacionais prontos para produção, incluindo implantação automatizada, monitoramento e retreinamento para manter precisão, resiliência e conformidade.

Essa abordagem permite que as empresas transitem de experimentação para IA em escala que entrega impacto de negócios consistentemente.

Você recentemente anunciou Milky Way, uma constelação de agentes de IA autônomos. O que inspirou seu design e como ele difere de assistentes de IA convencionais?

Milky Way nasceu da realização de que as empresas precisam de mais do que painéis ou chatbots. Elas requerem uma estrutura de raciocínio que possa consumir, interpretar e conectar dados multivariados para gerar inteligência ação.

Ao contrário dos assistentes convencionais, os agentes Milky Way:

• Raciocinam em fontes de dados diversas, conectando insights em vez de apenas responder a perguntas.
• Analisam problemas complexos e multidimensionais, conectando informações em fluxos de trabalho.
• Entregam inteligência ação, convertendo insights em decisões ou ações automatizadas.

Em resumo, Milky Way transforma a IA em uma rede de agentes de raciocínio capazes de lidar com complexidade e impulsionar resultados de negócios reais, em vez de apenas substituir ferramentas básicas.

Implantações iniciais de Milky Way entregaram resultados rápidos. O que permitiu esses ganhos?

Três elementos fizeram a diferença:

1. Integrar insights onde as decisões acontecem, tornando as recomendações imediatamente ação.
2. Inteligência prospectiva, transformando insights em decisões proativas em vez de análise retrospectiva.
3. Plataformas seguras e governadas, permitindo IA em escala empresarial enquanto mantém conformidade e controle.

Essa combinação entrega resultados de negócios tangíveis em semanas em vez de meses.

Milky Way prioriza explicabilidade, auditoria e caminhos de raciocínio. Quão crítico é isso para a confiança das empresas?

A confiança é fundamental na IA empresarial. Milky Way garante:

• Raciocínio transparente para cada recomendação.
• Rastros de auditoria documentando todas as entradas, saídas e ações.
• Testes adversários contínuos para garantir robustez e confiabilidade.

Essa transparência e responsabilidade diferenciam Milky Way de sistemas opacos e de caixa preta, construindo a confiança das empresas na adoção.

Como essa mudança de ferramentas para colegas de IA afetará as organizações e a tomada de decisões?

Os colegas de IA mudam a forma como as organizações operam:

• Gerentes assumem papéis duplos, orientando humanos enquanto supervisionam agentes de IA.
• Decisões se tornam colaborativas, com agentes lidando com o raciocínio e humanos fornecendo contexto e supervisão ética.
• Estruturas operacionais evoluem para integrar a IA na tomada de decisões diárias, melhorando a velocidade, a consistência e a qualidade dos resultados.

Até 2028, um terço das decisões de negócios podem ser tomadas de forma autônoma. O que as organizações devem mudar para garantir a segurança?

 Para implantar IA autônoma com segurança, as organizações devem implementar medidas práticas em cultura, operações e governança:

Cultura – Construir confiança com a IA:

• Comece com tomada de decisão humana no loop e aumente gradualmente a autonomia.
• Treine equipes para entender, validar e intervir nas recomendações de IA.

Operações – Implementar controles de monitoramento e risco:

• Acompanhe continuamente as decisões de IA para precisão, viés e conformidade.
• Realize simulações adversárias para identificar vulnerabilidades.
• Mantenha loops de feedback para melhorar os modelos de IA com correções humanas.

Governança – Estabelecer limites e caminhos de escalonamento:

• Defina quais decisões podem ser totalmente automatizadas e quais requerem supervisão.
• Garanta auditoria e rastreabilidade para todas as ações impulsionadas por IA.
• Crie processos de contingência para intervir em caso de anomalias ou riscos.

Essas etapas permitem que as organizações escalonem a tomada de decisão autônoma com segurança, mantendo o controle, a responsabilidade e a conformidade.

Qual é o plano de estratégia da Tredence para Milky Way?

Nossa estratégia inclui:

1. Agentes específicos de indústria para varejo, saúde, manufatura e serviços financeiros.
2. Integrações mais profundas com sistemas ERP, CRM e de cadeia de suprimentos para adoção sem esforço.
3. Aprendizado contínuo e raciocínio para permitir que os agentes melhorem sua inteligência e compreensão contextual ao longo do tempo.

A visão é um ecossistema de agentes cooperativos que as empresas possam montar, governar e confiar.

Como os líderes da C-suite devem se preparar para a IA assumir papéis estratégicos de tomada de decisão?

A adoção de IA é uma jornada de maturidade:

• Comece com copilotos humanos no loop, progrida para fluxos de trabalho semi-autônomos e eventualmente permita autonomia total em domínios governados.
• Invista em alfabetização de IA, permitindo que as equipes colaborem efetivamente com sistemas de IA.
• Repense KPIs, estruturas de governança e estruturas operacionais para se concentrar na qualidade da decisão e no impacto de negócios, e não apenas no desempenho do modelo.

Em última análise, a adoção de IA não é apenas uma iniciativa tecnológica; é uma transformação em liderança, cultura e tomada de decisões operacionais.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Tredence.