Rajan Sethuraman, CEO da LatentView Analytics – Série de Entrevistas

Rajan Sethuraman, CEO da LatentView Analytics, é um executivo experiente cuja carreira abrange consultoria, liderança de talentos e transformação empresarial, com lideranças na Accenture e KPMG antes de se juntar à LatentView. Sua progressão de Chief People Officer para CEO reflete uma forte ênfase no desenvolvimento de talentos, design organizacional e modelos operacionais escaláveis, que agora moldam sua abordagem em relação à inteligência artificial e análise de dados. Com experiência profunda em recrutamento, aprendizado e estratégia de negócios, ele sempre se concentrou em alinhar pessoas, cultura e tecnologia para impulsionar resultados mensuráveis, culminando em liderar a LatentView em sua oferta pública inicial e expansão global, enquanto posiciona a inteligência artificial como uma capacidade de negócios em vez de uma função isolada.

LatentView Analytics é uma empresa global de análise de dados e transformação digital que ajuda as empresas a aproveitar os dados, a inteligência artificial e a análise avançada para melhorar a tomada de decisões e impulsionar o crescimento. A empresa fornece serviços como engenharia de dados, análise preditiva e consultoria impulsionada por inteligência artificial em várias indústrias, incluindo serviços financeiros, varejo e tecnologia, trabalhando com clientes da Fortune 500 em todo o mundo. Seu valor fundamental reside em transformar dados brutos em insights ações que permitem que as empresas otimizem as operações, antecipem tendências e criem vantagem competitiva em uma economia cada vez mais global.

Você começou sua carreira em consultoria e liderança de talentos na Accenture e KPMG antes de se tornar CEO da LatentView Analytics, onde liderou a empresa em sua oferta pública inicial e primeira aquisição. Como sua formação em desenvolvimento de talentos e estratégia organizacional moldou a forma como você escala a inteligência artificial e a análise de dados hoje?

Minha carreira inicial se concentrou fortemente em talentos, desenvolvimento de liderança e construção de organizações que pudessem escalar. Essa experiência continua a moldar como penso sobre a inteligência artificial hoje. A tecnologia sozinha não escala uma organização. O que importa é como as equipes a adotam, como os líderes se alinham em torno dela e como claramente o problema de negócios é definido. Na LatentView, passamos muito tempo ajudando as organizações a construir o modelo operacional, habilidades e cultura necessárias para transformar a análise e a inteligência artificial em tomada de decisões do dia a dia.

Por causa disso, tendo a pensar sobre a inteligência artificial através da lente da prontidão organizacional. Escalar a inteligência artificial exige forte expertise em domínio, fundamentos de dados e equipes que possam traduzir insights em ação. Meu foco sempre foi em construir essas capacidades juntas, em vez de tratar a inteligência artificial como uma capacidade isolada.

Você falou sobre minimalismo de inteligência artificial — priorizando clareza, curiosidade e cultura sobre a perseguição de cada nova tendência de inteligência artificial. O que o minimalismo de inteligência artificial parece na prática para líderes empresariais?

O minimalismo de inteligência artificial começa com foco. Líderes empresariais não precisam perseguir cada novo modelo ou capacidade que aparece. Eles precisam de um número pequeno de problemas significativos onde a inteligência artificial possa melhorar as decisões ou a produtividade de forma mensurável. Isso pode ser decisões de preços, planejamento de cadeia de suprimentos ou como o conhecimento se move pela organização. Começar com um problema bem definido ajuda as equipes a construir confiança e aprender o que a escala responsável realmente parece.

Isso também significa incorporar a inteligência artificial em fluxos de trabalho reais, em vez de tratá-la como um experimento isolado. Quando as equipes veem a tecnologia ajudando a resolver problemas do dia a dia, a adoção tende a crescer naturalmente. Curiosidade e experimentação ainda são importantes, mas funcionam melhor quando ancoradas em um senso claro de propósito.

Muitas organizações estão se apressando em entrar na inteligência artificial geradora sem fortalecer primeiro seus fundamentos de dados. Quais são os sinais de alerta de que uma empresa está construindo sobre terreno instável?

Uma coisa que eu frequentemente noto é quando a conversa sobre inteligência artificial avança muito mais rápido do que a conversa sobre dados. Se os líderes estão falando sobre copilotos e modelos geradores, mas ainda há confusão sobre onde os dados-chave vivem, quem os possui ou quais métricas o negócio realmente confia, isso geralmente é um sinal de que a fundação não está pronta ainda. Os sistemas de inteligência artificial dependem fortemente de dados confiáveis e bem governados. Sem isso, torna-se difícil para as pessoas confiarem nos resultados.

Outro sinal é quando as empresas têm muitos pilotos em execução, mas muito poucos que influenciam decisões reais. A inteligência artificial geradora pode produzir demonstrações impressionantes, mas o verdadeiro teste é se ela se torna parte de como a organização opera.

Desde que você se tornou CEO, você impulsionou um impacto mensurável para clientes globais. O que diferencia as empresas que operacionalizam com sucesso a inteligência artificial daquelas que permanecem presas no modo de piloto?

As empresas que escalam a inteligência artificial com sucesso a tratam como uma disciplina operacional, não como um projeto de inovação lateral. Elas atribuem propriedade executiva, conectam casos de uso a resultados de negócios mensuráveis e projetam para integração desde o início. Elas também investem no trabalho menos glamoroso, como pipelines de dados, governança, redesenho de processos e adoção de usuários. Isso geralmente é a diferença entre um piloto que recebe atenção e uma capacidade que realmente muda como as decisões são tomadas.

Na LatentView, vimos que as empresas se movem mais rapidamente quando ancoram a inteligência artificial em um problema de negócios que já importa para a empresa, como melhorar a precisão do planejamento, resultados de estoque ou visibilidade de fornecedores. A inteligência artificial vinculada a métricas que o negócio já se importa tem uma chance muito melhor de ser financiada, governada e adotada em escala.

Como você aborda a escala responsável da inteligência artificial em uma grande organização, mantendo governança, segurança e responsabilidade?

A escala responsável começa com o reconhecimento de que as decisões de inteligência artificial eventualmente afetam clientes, funcionários e resultados de negócios reais. Isso significa que a governança não pode ser um afterthought. As organizações precisam de políticas claras em torno do acesso a dados, supervisão de modelos e monitoramento uma vez que os sistemas estão em produção.

Na prática, os modelos de governança mais eficazes são multifuncionais. Líderes de negócios, equipes de tecnologia e grupos de risco ou conformidade precisam estar envolvidos. Os sistemas de inteligência artificial também se beneficiam da transparência sobre como os resultados são gerados e onde o julgamento humano permanece essencial. Com guardrails estabelecidos precocemente, as organizações podem expandir a adoção enquanto mantêm a confiança.

A LatentView trabalha com empresas em vários níveis de maturidade digital. Como sua estratégia de inteligência artificial difere quando aconselhando uma organização versus uma que ainda está no início de sua jornada de análise?

Com uma organização, a conversa geralmente é sobre aceleração. Eles já têm ativos de dados significativos, então nos concentramos em priorizar casos de uso de alto valor, melhorar a acessibilidade e incorporar a inteligência artificial em fluxos de trabalho onde o negócio possa agir rapidamente. Isso pode significar recuperação de conhecimento empresarial, planejamento conectado em cadeia de suprimentos ou modelos específicos de domínio que melhoram a velocidade de decisão em várias funções.

Para organizações mais cedo em sua jornada, o ponto de partida é diferente. Passamos mais tempo em prontidão de dados, governança, modernização de inteligência de negócios e construção de capacidades para que a empresa possa apoiar a inteligência artificial de forma sustentável. Nesses casos, a avaliação de maturidade e sequenciamento importam muito. Você não quer prometer um futuro agente a um negócio que ainda carece de dados confiáveis, KPIs comuns ou alinhamento executivo sobre o problema que está tentando resolver.

Dada sua profunda experiência em aquisição de talentos e aprendizado, quais habilidades as empresas devem priorizar desenvolver internamente na era da inteligência artificial versus contratar externamente?

Internamente, acredito que as empresas devem se concentrar em construir uma ampla literacia em inteligência artificial e dados. Nem todos precisam se tornar cientistas de dados, mas as pessoas em todo o negócio devem priorizar fundamentar decisões em insights, fazer melhores perguntas e usar ferramentas de inteligência artificial em seu fluxo de trabalho diário. Quando essa prática se espalha por equipes, torna-se muito mais fácil identificar onde a inteligência artificial pode realmente ajudar e onde provavelmente não deve ser usada.

Externamente, as contratações tendem a ser mais especializadas. Áreas como engenharia de dados, arquitetura de aprendizado de máquina e governança de inteligência artificial exigem expertise profunda que as organizações podem não ter internamente. As empresas que fazem isso bem geralmente combinam esses especialistas com equipes de negócios que entendem o contexto e as decisões que precisam melhorar.

Resistência cultural frequentemente desacelera a transformação. Quais comportamentos de liderança você encontrou mais eficazes para construir confiança e momentum em torno da adoção da inteligência artificial?

Comunicação clara da liderança faz uma grande diferença. Os funcionários querem entender por que as novas tecnologias estão sendo introduzidas e como elas se conectam à estratégia da empresa. Explicar o propósito por trás das iniciativas de inteligência artificial e vinculá-las a objetivos de negócios reais ajuda a construir confiança em toda a organização.

Aprendizado é igualmente importante. Automação e inteligência artificial já estão redesenhando muitas funções, então as empresas precisam apoiar ativamente os funcionários no desenvolvimento de novas capacidades. As pessoas se envolvem muito mais abertamente com a mudança quando veem oportunidades reais de construir novas habilidades e crescer ao lado da tecnologia.

À medida que a inteligência artificial se incorpora em processos de tomada de decisões, como as equipes de liderança e conselhos de administração devem repensar métricas de desempenho e responsabilidade?

A inteligência artificial muda como as decisões são tomadas, então as equipes de liderança precisam olhar além das métricas de projeto tradicionais. A verdadeira questão se torna se a inteligência artificial está melhorando a qualidade e a velocidade das decisões em áreas que importam para o negócio. Isso pode significar previsões de demanda melhoradas, decisões de preços mais precisas ou respostas mais rápidas às mudanças no mercado.

Se esses resultados estão melhorando, a inteligência artificial está fazendo seu trabalho. O desempenho da inteligência artificial não pode ficar em um painel separado do desempenho do negócio por muito tempo.

Responsabilidade também precisa ser mais clara. Alguém ainda possui os dados, alguém é responsável por monitorar os modelos em produção e alguém eventualmente toma a decisão. A inteligência artificial pode apoiar essas decisões, mas a governança e a supervisão permanecem essenciais.

Nos próximos três a cinco anos, quais mudanças na adoção de inteligência artificial empresarial importarão mais — e o que os líderes devem começar a fazer agora para se manter à frente?

Nos próximos anos, a inteligência artificial começará a aparecer muito mais dentro das decisões de negócios do dia a dia. Muitas empresas passaram tempo experimentando pilotos e conceitos de prova. O próximo passo é garantir que essas capacidades realmente apoiem como as equipes planejam, preveem a demanda, gerenciam cadeias de suprimentos ou tomam decisões de marketing.

O trabalho também evoluirá à medida que a inteligência artificial se torna mais capaz. À medida que tarefas rotineiras se tornam mais automatizadas, as funções se moverão em direção a orientar, interpretar e trabalhar ao lado dos sistemas de inteligência artificial. As organizações que fortalecem seus fundamentos de dados e ajudam os funcionários a construir essas capacidades se adaptarão muito mais facilmente à medida que a inteligência artificial se torna parte das operações do dia a dia.

Obrigado pela ótima entrevista, leitores que desejam aprender mais devem visitar LatentView Analytics.