Раджан Сетхураман, генеральный директор LatentView Analytics – Интервью

Раджан Сетхураман, генеральный директор LatentView Analytics, – опытный руководитель, чья карьера охватывает консалтинг, лидерство в области талантов и трансформацию бизнеса, с руководящими позициями в Accenture и KPMG до прихода в LatentView. Его переход от главы отдела кадров к генеральному директору отражает сильный акцент на развитии талантов, организационном дизайне и масштабируемых операционных моделях, которые теперь определяют его подход к ИИ и аналитике. С глубоким опытом в области набора персонала, обучения и бизнес-стратегии, он последовательно фокусировался на согласовании людей, культуры и технологий для достижения измеримых результатов, что в конечном итоге привело к тому, что LatentView прошла IPO и расширила свою деятельность на toànьший мир, позиционируя ИИ как бизнес-способность, а не как отдельную функцию.

LatentView Analytics – глобальная компания по аналитике данных и цифровой трансформации, которая помогает предприятиям использовать данные, искусственный интеллект и продвинутую аналитику для улучшения принятия решений и стимулирования роста. Компания предоставляет услуги, такие как инженерия данных, прогностическая аналитика и консалтинг на основе ИИ, в различных отраслях, включая финансовые услуги, розничную торговлю и технологии, работая с клиентами из списка Fortune 500 по всему миру. Ее основная ценность заключается в трансформации сырых данных в действенные идеи, которые позволяют бизнесу оптимизировать операции, предвидеть тенденции и создавать конкурентное преимущество в все более экономичной среде.

Вы начали свою карьеру в консалтинге и лидерстве в области талантов в Accenture и KPMG, прежде чем стать генеральным директором LatentView Analytics, где вы возглавили компанию через ее IPO и первый приобретение. Как ваш опыт в области развития талантов и организационной стратегии повлиял на ваш подход к масштабированию ИИ и аналитики сегодня?

Моя ранняя карьера была сосредоточена на талантах, развитии лидерства и построении организаций, которые могли бы масштабироваться. Этот опыт продолжает формировать мое мышление об ИИ сегодня. Технология сама по себе не масштабирует организацию. То, что имеет значение, – это то, как команды принимают ее, как лидеры согласовываются вокруг нее, и насколько четко определена бизнес-задача. В LatentView мы тратим много времени на помощь организациям в построении операционной модели, навыков и культуры, необходимых для превращения аналитики и ИИ в повседневное принятие решений.

Потому что этого, я склонен думать об ИИ через призму организационной готовности. Масштабирование ИИ требует сильной экспертизы в области предмета, основы данных и команд, которые могут перевести идеи в действие. Мой фокус всегда был на построении этих возможностей вместе, а не на рассмотрении ИИ как изолированной способности.

Вы говорили об ИИ-минимализме – приоритете ясности, любопытства и культуры над преследованием каждой новой тенденции в области ИИ. Как выглядит ИИ-минимализм на практике для лидеров предприятий?

ИИ-минимализм начинается с фокуса. Лидеры предприятий не должны преследовать каждую новую модель или способность, которая появляется. Им нужно небольшое количество значимых проблем, где ИИ может улучшить принятие решений или производительность в измеримой форме. Это может быть ценообразование, планирование цепочки поставок или то, как знания распространяются внутри организации. Начало с хорошо определенной проблемы помогает командам построить уверенность и понять, что такое ответственное масштабирование.

Это также означает внедрение ИИ в реальные рабочие процессы, а не рассмотрение его как изолированного эксперимента. Когда команды видят, что технология помогает им решать повседневные проблемы, принятие tends to расти естественным образом. Любопытство и экспериментирование все еще важны, но они работают лучше, когда они основаны на четком чувстве цели.

Многие организации спешат внедрять генеративный ИИ, не укрепляя при этом свои основы данных. Какие предупреждающие знаки того, что компания строится на неустойчивой основе?

Одна вещь, которую я часто замечаю, – это когда разговор об ИИ движется намного быстрее, чем разговор о данных. Если лидеры говорят о копилотах и генеративных моделях, но все еще существует путаница о том, где находятся ключевые данные, кто их владеет или какие метрики бизнес действительно доверяет, это обычно знак того, что основа еще не готова. Системы ИИ сильно зависят от надежных и хорошо управляемых данных. Без этого людям трудно доверять выводам.

Другим сигналом является то, когда у компаний много пилотных проектов, но очень мало из них влияют на реальные решения. Генеративный ИИ может производить впечатляющие демонстрации, но настоящий тест заключается в том, становится ли он частью того, как организация работает.

С тех пор, как вы стали генеральным директором, вы добились измеримого воздействия для глобальных клиентов. Что отличает компании, которые успешно операционализируют ИИ, от тех, которые остаются в режиме пилотных проектов?

Компании, которые успешно масштабируют ИИ, рассматривают его как операционную дисциплину, а не как инновационный side-проект. Они назначают исполнительное владение, связывают случаи использования с измеримыми бизнес-результатами и проектируют для интеграции с самого начала. Они также инвестируют в менее гламурную работу, такую как данные, управление, процессное проектирование и принятие пользователей. Это обычно разница между пилотным проектом, который привлекает внимание, и возможностью, которая действительно меняет то, как принимаются решения.

В LatentView мы видели, что компании двигаются быстрее, когда они привязывают ИИ к бизнес-задаче, которая уже важна для предприятия, такой как улучшение точности планирования, результатов запасов или видимости поставщиков. ИИ, связанный с метриками, которые бизнес уже заботится, имеет гораздо лучший шанс получить финансирование, управление и принятие в масштабе.

Как вы подходите к масштабированию ИИ ответственно во всей организации, сохраняя при этом управление, безопасность и подотчетность?

Ответственное масштабирование начинается с признания того, что решения ИИ в конечном итоге влияют на реальных клиентов, сотрудников и бизнес-результаты. Это означает, что управление не может быть после мысли. Организациям нужны четкие политики вокруг доступа к данным, надзора за моделями и мониторинга, когда системы находятся в производстве.

На практике наиболее эффективные модели управления являются межфункциональными. Бизнес-лидеры, технологические команды и группы риска или соответствия должны быть вовлечены. Системы ИИ также пользуются прозрачностью вокруг того, как генерируются выводы, и где человеческая оценка остается важной. С установленными ограничениями организации могут расширить принятие, сохраняя при этом доверие.

LatentView работает с предприятиями на различных уровнях цифровой зрелости. Как ваша стратегия ИИ отличается, когда вы консультируете организацию, которая еще рано в своем аналитическом пути?

С организацией разговор обычно идет об ускорении. У них уже есть значимые данные, поэтому мы фокусируемся на определении высокоценных случаев использования, улучшении доступности и внедрении ИИ в рабочие процессы, где бизнес может быстро действовать. Это может означать извлечение знаний, связанное планирование в цепочке поставок или предметно-специфические модели, которые улучшают скорость принятия решений в разных функциях.

Для организаций, которые еще рано в своем пути, начальная точка отличается. Мы тратим больше времени на готовность данных, управление, модернизацию бизнес-интеллекта и построение возможностей, чтобы компания могла поддерживать ИИ в устойчивой форме. В таких ситуациях оценка зрелости и последовательность имеют большое значение. Вы не хотите обещать агентное будущее бизнесу, который все еще лишен доверенных данных, общих KPI или исполнительного согласия на проблему, которую он пытается решить.

Учитывая ваш глубокий опыт в наборе персонала и обучении, какие навыки должны компании отдавать приоритет внутреннему развитию в эпоху ИИ, а какие должны нанимать внешне?

Внутренне, я думаю, что компании должны фокусироваться на построении широкой грамотности ИИ и данных. Не каждый должен стать ученым-дата, но люди по всему бизнесу должны отдавать приоритет принятию решений на основе идей, задавать лучшие вопросы и использовать инструменты ИИ в своей повседневной работе. Когда эта практика распространяется по командам, становится намного легче определить, где ИИ может действительно помочь, и где он, вероятно, не должен быть использован.

Внешне, наймы, как правило, более специализированы. Специалисты, такие как инженеры данных, архитекторы машинного обучения и управление ИИ, требуют глубокой экспертизы, которой организация может не всегда иметь внутри. Компании, которые делают это хорошо, обычно сочетают этих специалистов с бизнес-командами, которые понимают контекст и решения, которые необходимо улучшить.

Культурное сопротивление часто замедляет трансформацию. Какие лидерские поведения, по вашему мнению, наиболее эффективны в построении доверия и импульса вокруг внедрения ИИ?

Четкая коммуникация от лидерства имеет большое значение. Сотрудники хотят понять, почему новые технологии вводятся и как они связаны с стратегией компании. Объяснение цели ИИ-инициатив и связывание их с реальными бизнес-целями помогает построить доверие по всей организации.

Обучение также важно. Автоматизация и ИИ уже меняют многие профессии, поэтому компании должны активно поддерживать сотрудников в развитии новых возможностей. Люди более открыто взаимодействуют с изменениями, когда они видят реальные возможности построить новые навыки и расти вместе с технологией.

Когда ИИ становится неотъемлемой частью процессов принятия решений, как советы директоров и исполнительные команды должны пересмотреть метрики производительности и подотчетность?

ИИ меняет то, как принимаются решения, поэтому команды лидерства должны смотреть за пределы традиционных метрик проектов. Реальный вопрос заключается в том, улучшает ли ИИ качество и скорость принятия решений в областях, которые важны для бизнеса. Это может означать лучшие прогнозы спроса, более точные решения о ценах или более быстрые реакции на изменения на рынке.

Если эти результаты улучшаются, ИИ делает свою работу. Производительность ИИ не может находиться в отдельном dashboard от бизнес-производительности в течение долгого времени.

Подотчетность также должна быть яснее. Кто-то все еще владеет данными, кто-то отвечает за мониторинг моделей в производстве, и кто-то в конечном итоге принимает решение. ИИ может поддерживать эти решения, но управление и надзор остаются важными.

В течение следующих трех-пяти лет, какие сдвиги в внедрении ИИ будут наиболее важными для лидеров предприятий – и что они должны начать делать сейчас, чтобы оставаться впереди?

В течение следующих нескольких лет ИИ начнет появляться гораздо больше внутри повседневных бизнес-решений. Многие компании потратили время на эксперименты с пилотными проектами и концепциями. Следующий шаг заключается в том, чтобы убедиться, что эти возможности действительно поддерживают то, как команды планируют, прогнозируют спрос, управляют цепочками поставок или принимают маркетинговые решения.

Работа также будет меняться, поскольку ИИ становится более способным. Когда рутинные задачи становятся более автоматизированными, профессии будут смещаться в сторону руководства, интерпретации и работы вместе с системами ИИ. Организации, которые укрепляют свои основы данных и помогают сотрудникам построить эти возможности, будут адаптироваться гораздо легче, поскольку ИИ становится частью повседневных операций.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, могут посетить LatentView Analytics.