Amit Sharma, CEO și fondator al CData – Seria de interviuri

Amit Sharma, CEO și fondator al CData Software, este un executiv în tehnologie care a condus CData de la începuturile sale ca startup până la poziția de lider global în conectivitate și integrare de date. Cu o carieră care a cuprins roluri de inginer software la Infosys și Elixar, arhitect tehnic la /n Software și, ulterior, CTO la CData, el a dezvoltat o expertiză profundă în accesul la date și infrastructură de întreprindere. De la numirea sa ca CEO în 2014, el a condus misiunea CData de a simplifica modul în care organizațiile se conectează, integrează și utilizează datele dincolo de sisteme, ajutând compania să se poziționeze ca o bază fundamentală a mișcării moderne de date.

CData Software este un furnizor de top de soluții de acces și conectivitate de date. Produsele sale de date auto-deservite și platformele de conectivitate oferă acces universal la date live din sute de aplicații pe premise și cloud. Milioane de utilizatori din întreaga lume se bazează pe CData pentru a sprijini analize avansate, a accelera adoptarea cloud și a construi organizații mai conectate și bazate pe date. Proiectate pentru a fi consumate de orice utilizator, accesibile în orice aplicație și scalabile pentru întreprinderi de orice dimensiune, CData redefinește modul în care afacerile accesează și utilizează datele.

Ați început cariera la Infosys în India și, ulterior, ați trecut la software-ul de întreprindere din SUA. Ce lecție timpurie din acea perioadă vă influențează încă modul în care conduceți astăzi?

Perioada mea la Infosys mi-a oferit o expunere timpurie la cerințele tehnologiei de întreprindere la scară largă — complexitatea, nevoia de fiabilitate și modul în care organizațiile mari abordează problemele tehnice. Acest lucru a format o profundă respect pentru structură și calitate de întreprindere. Dar când m-am mutat la un startup din SUA, am descoperit că prosper în mediul rapid și agil și capacitatea de a avea un impact direct. Astăzi, această experiență duală mă ajută să conduc CData Software: insist asupra standardelor și robusteții de întreprindere, în timp ce promovez o cultură flexibilă și rapidă care valorizează simplitatea, utilitatea reală și execuția rapidă.

După mai mult de un deceniu ca CEO al CData, ce schimbare de mentalitate sau abordare a fost cea mai importantă în scalarea companiei de la începuturile sale până la o întreprindere globală?

Cea mai mare schimbare pentru mine a fost trecerea de la gândirea ca un constructor de tehnologie la gândirea ca un constructor de organizație. În primele zile, focalizarea mea era aproape în întregime pe produs; asigurându-mă că este elegant, fiabil și rezolvă probleme reale. Pe măsură ce CData a crescut, am trebuit să învăț că un software excelent singur nu este suficient; ai nevoie de oameni excelenți, lideri puternici și procese care se pot scala fără a încetini. Acest lucru a însemnat investiții mai devreme în angajări, împuternicirea echipelor și construirea unor sisteme repetabile în vânzări, suport și operațiuni, în timp ce protejam cultura noastră de inginerie. Schimbarea de mentalitate a fost realizarea că sarcina mea nu era doar să creez tehnologie excelentă, ci să creez un mediu în care tehnologia excelentă putea fi construită în mod constant de o echipă globală în creștere.

CData s-a concentrat mult timp pe “simplificarea accesului la orice dată, oriunde”. Cum a evoluat această misiune pe măsură ce industria se mișcă mai adânc în direcția aplicațiilor native AI?

De la început, misiunea noastră la CData a fost să facem datele universal accesibile prin interfețe standardizate și familiare, deoarece am crezut că cel mai mare blocaj pentru inovare nu a fost stocarea sau calculul, ci accesul. Această idee de bază nu s-a schimbat, dar contextul a evoluat. Pe măsură ce organizațiile s-au mutat de la analize la cloud și acum spre AI, costul accesului fragmentat și inconstant la date a crescut doar. Ce s-a schimbat este responsabilitatea noastră: nu mai este doar despre conectarea aplicațiilor la date, ci și despre asigurarea că datele sunt de încredere, în timp real și utilizabile în medii distribuite din ce în ce mai complexe. În era AI, accesul singur nu este suficient. Datele trebuie să fie imediat utilizabile fără săptămâni de inginerie personalizată.

Pe măsură ce aplicațiile native AI devin norma, misiunea noastră s-a extins pentru a include pregătirea datelor pentru AI prin default. Acest lucru înseamnă permiterea unei consistențe semantice, conectivității de înaltă performanță, accesului conștient de guvernanță și integrarea în timp real a surselor de date structurate și SaaS, astfel încât modelele și agenții să poată lucra cu informații proaspete și fiabile, nu cu integrări punctuale fragile sau copii învechite. În termeni practici, ne concentrăm pe eliminarea fricțiunii dintre locul în care trăiesc datele și locul în care sistemele AI funcționează, astfel încât echipele să poată trece de la experimentare la producție mai rapid. Ne vedem nu doar ca un furnizor de conectivitate, ci și ca un strat de date fundamental pentru întreprinderile conduse de AI, care alimentează în mod discret sistemele care fac posibile aplicațiile inteligente.

Cu AI generativ accelerând, ce înseamnă “date pregătite pentru AI” pentru dvs. și unde vedeți organizațiile greșind cel mai mult această idee?

Pentru mine, “date pregătite pentru AI” înseamnă date care sunt accesibile, fiabile, actuale și inteligibile atât de oameni, cât și de mașini, fără straturi de conducte personalizate. Nu este doar despre mutarea datelor într-un lac sau depozite. Este despre asigurarea că sistemele, modelele și agenții pot accesa în mod constant datele corecte la momentul potrivit prin interfețe standardizate și guvernate. Pregătirea pentru AI depinde mai puțin de locul în care sunt stocate datele și mai mult de capacitatea lor de a fi descoperite, interogate, încredințate și integrate în timp real. Fără această bază, chiar și cele mai avansate modele ajung să funcționeze pe informații incomplete sau învechite.

Locul în care văd organizațiile greșind cel mai mult această idee este atunci când presupun că centralizarea automată înseamnă pregătire pentru AI. Echipele cred adesea că, odată ce datele sunt consolidate într-o singură platformă, sunt “pregătite pentru AI”, când, în realitate, au creat doar un nou siloz. Alții investesc excesiv în instrumente fără a aborda calitatea datelor, semantică și conectivitatea, problemele neînfloritoare care fac sau rup sistemele AI din lumea reală. AI nu eşuează din cauza modelelor; eşuează din cauza datelor murdare, inaccesibile sau învechite. Organizațiile care vor câștiga sunt cele care tratează pregătirea datelor ca o disciplină operațională, nu ca un proiect de migrare unic.

Cercetarea dvs. nouă, Starea conectivității datelor AI: Perspective 2026, arată că doar 6% dintre liderii AI cred că infrastructura lor de date este pe deplin pregătită pentru AI. De ce credeți că este atât de mare decalajul de pregătire și ce ne spune acest lucru despre traiectoria actuală a industriei?

Decalajul este atât de mare pentru că majoritatea organizațiilor au investit în colectarea și stocarea datelor cu mult înainte de a investi în facerea lor utilizabile pentru AI. În ultimul deceniu, companiile au construit lacuri, depozite și conducte, dar rareori au construit un strat de acces coerent care să asigure că datele sunt consistente, în timp real și disponibile pe sisteme. Ca urmare, liderii descoperă că, odată ce încep să implementeze AI în fluxuri de lucru reale, infrastructura lor subiacentă nu poate susține viteza, scala sau fiabilitatea pe care AI o cere. Cifra de 6% nu reflectă o lipsă de ambiție, ci mai degrabă realitatea că AI expune slăbiciuni care au fost întotdeauna acolo, dar nu au contat atât de mult în analizele tradiționale.

Informațiile ne spun despre industrie că suntem la începutul curbei de adoptare a AI, nu la sfârșit. Organizațiile experimentează agresiv la nivelul de aplicație, dar acum realizează că succesul depinde de modernizarea fundației lor de date de sub ele. Intrăm într-o fază corectivă în care accentul se mută de la prototipuri strălucitoare la pregătirea operațională — acces standardizat, integrare guvernată și conectivitate în timp real. Câștigătorii nu vor fi companiile care construiesc cele mai multe prototipuri, ci cele care modernizează infrastructura lor de date suficient de repede pentru a muta aceste experimente în producție la scară.

Rezultatele arată, de asemenea, că 71% din echipele AI petrec mai mult de o pătrime din timpul lor pe “conducte de date”. În opinia dvs., ce parte a acestui lucru este, de fapt, strategică și nu doar datorie tehnică?

O anumită cantitate de “conducte de date” este absolut strategică atunci când este vorba despre crearea unui acces durabil la date prin interfețe standardizate și proiectarea pentru scalabilitate și guvernanță de la început. Investiția în conectivitate consistentă, servicii de date partajate, modele de integrare fiabile și guvernanță este o muncă fundamentală care plătește dividende pe tot parcursul fiecărei aplicații și model care urmează. Problema este că majoritatea echipelor nu fac acest tip de conducte. Ei reconstruiseră conducte unice, scriu conectări fragile și repară integrări care rezolvă o problemă doar o dată. Acesta este un datorie tehnică deghizată în progres.

Ceea ce este strategic este orice lucru care reduce fricțiunea viitoare: eliminarea codului personalizat în favoarea standardelor, construirea de servicii de date reutilizabile și conectarea sistemelor în moduri care se pot scala pe echipe și cazuri de utilizare. Când conductele devin invizibile și reutilizabile, ele încetează să fie un impozit asupra echipelor AI și devin un facilitator. Scopul real nu este să petrecem mai puțin timp pe date. Este să încetăm să petrecem timp pe aceleași probleme de date, din nou și din nou.

Un punct de date izbitoare din raport este că 46% dintre întreprinderi necesită acum acces în timp real la șase sau mai multe surse de date pentru un singur caz de utilizare a AI. Reflectă acest lucru ceea ce vedeți la clienți și ce face această conectivitate atât de dificilă?

Da, acest lucru se aliniază strâns cu ceea ce vedem la clienți. Cazurile de utilizare a AI moderne, fie că este vorba de analize predictive, motoare de recomandare sau fluxuri de lucru autonome, rareori se bazează pe un singur sistem. Întreprinderile au nevoie adesea să combine ERP, CRM, aplicații SaaS, surse de streaming și baze de date legacy pentru a genera insight-uri semnificative. Provocarea nu este doar numărul de surse; este varietatea, protocoalele, formatele și frecvențele de actualizare diferite, precum și așteptarea că aceste date să fie disponibile în timp real pentru modelele AI.

Ceea ce face această conectivitate atât de dificilă este faptul că abordările tradiționale de integrare nu au fost niciodată proiectate pentru scala, viteza și fiabilitatea pe care AI o cere. Conectările unice și conductele de lot nu pot ține pasul. Accesul în timp real necesită interfețe standardizate și gestionate, consistență semantică pe sisteme, precum și monitorizare pentru a asigura calitatea și disponibilitatea datelor. Fără această bază, echipele petrec mai mult timp luptându-se cu conductele decât construind soluții AI, ceea ce încetinește inovația și introduce riscuri. Organizațiile care reușesc sunt cele care tratează conectivitatea ca o capacitate strategică, nu doar o corvée tehnică.

Raportul subliniază consistența semantică, contextul și conectivitatea ca caracteristici definitorii ale infrastructurii de date AI mature. Cum ar trebui organizațiile să gândească despre secvențierea acestor priorități?

Când se gândește la secvențiere, organizațiile ar trebui să înceapă cu conectivitatea. Dacă datele nu sunt accesibile în mod fiabil pe sisteme, totul devine irelevant. Modelele AI nu pot învăța din ceea ce nu pot accesa. Stabilirea unor conexiuni standardizate și guvernate pe toate sursele de date critice creează baza pentru tot ceea ce urmează. Fără acest strat, echipele se trezesc construind conducte fragile și unice care creează mai multă muncă pe termen lung.

Odată ce conectivitatea este în loc, consistența semantică devine următoarea prioritate. Datele au nevoie de un limbaj comun pentru ca informațiile din multiple surse să poată fi interpretate corect și combinate în mod semnificativ. Contextul urmează în mod natural: înțelegerea nu numai a valorilor, ci și a semnificației lor în procesul de afaceri, cronologia și relațiile asigură că modelele AI pot face predicții precise și acționabile. Tratarea acestor elemente ca o secvență structurată — conectivitate mai întâi, semantică a doua, context a treia — permite organizațiilor să construiască o infrastructură de date pregătită pentru AI care se poate scala și care susține inteligența de producție fiabilă.

Furnizorii de software nativi AI necesită acum aproximativ de trei ori mai multe integrări externe decât furnizorii tradiționali. Ce determină acest decalaj în creștere și ce revelează despre direcția în care se îndreaptă software-ul?
Decalajul în creștere este determinat de natura însăși a AI: aplicațiile native AI prosperă pe date diverse și în timp real din multiple surse. În contrast cu software-ul tradițional, care adesea funcționează în cadrul unui singur sistem sau suită, modelele AI au nevoie să ingereze, să coreleze și să analizeze informații din sisteme ERP, platforme CRM, aplicații SaaS, surse de streaming și multe altele. Fiecare integrare este esențială pentru a oferi modelului AI suficient context și acoperire pentru a genera predicții, recomandări sau acțiuni automate precise.

Acest trend revelează că software-ul se mișcă de la aplicații izolate către ecosisteme inteligente interconectate. Câștigătorii nu vor fi produsele care funcționează bine singure. Vor fi platformele care pot accesa și integra date indiferent de locul în care se află. În termeni practici, acest lucru înseamnă că conectivitatea, standardizarea și integrarea în timp real nu mai sunt doar caracteristici dorite; ele sunt capacități fundamentale pentru software-ul nativ AI pentru a livra valoare reală.

Privind înainte cinci ani, ce credeți că va deveni cel mai semnificativ blocaj pentru succesul AI — conectivitate, conducte în timp real, modelare semantică, guvernanță sau altceva?

Privind înainte, cred că guvernanța și securitatea vor deveni cel mai semnificativ blocaj pentru succesul AI. În timp ce conectivitatea și conductele în timp real rămân fundamentale — modelele AI pot fi la fel de eficiente ca datele la care pot accesa — organizațiile realizează rapid că AI necontrolat este insustenabil și potențial periculos. Pe măsură ce AI se mută de la experimentare la producție și începe să influențeze decizii de afaceri critice, riscurile de bias, încălcări ale conformității, scurgeri de date și erori operaționale se multiplică exponențial.

Provocarea nu este doar despre mutarea datelor; este despre mutarea datelor corecte, cu controlele corecte, la sistemele corecte, într-un mod trasabil și auditabil. Organizațiile care nu încorporează puternice cadre de guvernanță și protocoale de securitate de la început vor face față unei presiuni regulatorii crescânde, riscurilor reputaționale și, în cele din urmă, sistemelor AI pe care nu le pot încredința sau scala. Vedem deja semne timpurii: afaceri ezitante să implementeze AI pentru că nu pot asigura linia de proveniență a datelor, controlul accesului sau conformitatea cu reglementările în schimbare.

Cele mai de succes organizații peste cinci ani vor fi cele care tratează guvernanța și securitatea nu ca niște gânduri ulterioare, ci ca niște facilitatori de bază ai AI. Da, aveți nevoie de conectivitate și conducte în timp real pentru a face datele să curgă, dar fără guvernanță și securitate în loc, aceste date devin o obligație, nu un activ. Viitorul AI nu este doar despre viteză sau scară; este despre încredere, responsabilitate și implementare responsabilă la fiecare strat al stivei de date.

Mulțumim pentru acest interviu excelent, cititorilor care doresc să afle mai multe despre CData Software.