Afsheen Afshar, grundare av Pilot Wave Holdings – Intervju-serie

Afsheen Afshar, grundare av Pilot Wave Holdings, är en veteran inom data science och investeringsledning med en karriär som omfattar seniorroller på Goldman Sachs (GS ), J.P. Morgan och Cerberus Capital Management, där han hjälpte till att bana väg för storskaliga data science- och AI-initiativ inom finansiella institutioner. Med en teknisk grund i neurovetenskap och maskinlärningsforskning vid Stanford University har Afshar byggt en karriär vid skärningspunkten mellan avancerad analys, private equity och operativ transformation, med fokus på att tillämpa AI på verkliga affärsprestationer. På Pilot Wave samlar han investeringskompetens, operativ ledning och djup teknisk kunskap för att identifiera, förvärva och skala företag med hjälp av datastyrd strategi och modern teknik.

Pilot Wave Holdings är en förvärvs- och tillväxtplattform som fokuserar på att transformera små och medelstora företag genom artificiell intelligens och avancerad teknik. Företaget använder sig av proprietära AI-system för att analysera verksamheten, avslöja ineffektiviteter och driva prestandaförbättringar i sina portföljbolag. Genom att kombinera hands-on operativt engagemang med modern datainfrastruktur syftar Pilot Wave till att modernisera traditionella företag som historiskt sett har saknat tillgång till avancerade verktyg, och positionera dem för skalbar, långsiktig tillväxt i en alltmer teknikdriven ekonomi.

Du har haft banbrytande AI-ledningsroller på företag som JPMorgan och Cerberus, och senare grundat Pilot Wave Holdings för att ta AI till traditionella branscher. Vilken kärninsikt eller frustration ledde dig att gå från att bygga AI inom stora institutioner till att förvärva och omvandla företag direkt?

Det centrala problemet var behovet av befogenhet att agera snabbt. Inom stora institutioner, även när människor är överens om möjligheten, finns det vanligtvis för många lager mellan att identifiera problemet och faktiskt göra något åt det. AI misslyckas vanligtvis inte på grund av att det tekniska arbetet är omöjligt, utan för att organisationen är för långsam, för politisk eller för fragmenterad för att agera med brådska. Jag ville arbeta i en miljö där strategi, verksamhet och teknik kunde samordnas snabbt. Att förvärva och bygga företag direkt skapar den typen av befogenhet. Om du verkligen vill förändra hur ett företag fungerar med hastighet och vilja, är det viktigt att vara ägare.

Många företag inom branschen firar fortfarande framgångsrika pilotprojekt, men den verkliga värdet kommer från produktionsystem. Varför bryter AI-initiativ så ofta samman vid den övergången, och vad skiljer organisationer som framgångsrikt operationaliserar AI från de som fastnar?

Många pilotprojekt är utformade för att lyckas, vilket är exakt varför många företag bedrar sig själva. De sker i rena miljöer, med extra uppmärksamhet, begränsad omfattning och ingen av den friktion som visas i produktion. Det djupare problemet är ofta en empatilucka. Teknologer tar ofta inte tid, eller har inte ens önskan, att lära sig operatörens upplevelse, så de bygger något som fungerar i teorin eller i en demo, men inte passar verkligheten i arbetet. Företagen som operationaliserar AI framgångsrikt är de som tar den mänskliga arbetsflödet på allvar från början och bygger för röran i verkliga operationer, snarare än att försöka undvika den. Alla säger att de vill ha produktionsvärde, men många team är fortfarande optimerade för pilotapplåder.

Ditt arbete fokuserar på att införa AI i sektorer som infrastruktur, tillverkning och e-handel. Hur skiljer sig distributionen av AI i dessa miljöer fundamentalt från distributionen i digitala företag eller programvaruförsta företag?

Skillnaden är att i mer traditionella företag är empati och det mänskliga elementet ännu viktigare än vad människor i AI-världen vanligtvis vill medge. I programvaruförsta miljöer kan teamen ofta flytta snabbt och laga problem senare. I infrastruktur, tillverkning och e-handel är arbetet knutet till fysiska system, verkliga begränsningar och människor som omedelbart vet när något inte passar hur företaget faktiskt fungerar. Det betyder att du inte kan visa upp en tekniskt elegant lösning och förvänta dig antagande. Om du inte förstår operatörens upplevelse är din AI-strategi förmodligen redan trasig. Dessa miljöer exponerar ytlig tankegång mycket snabbt, vilket är en del av varför de är så viktiga.

Du har argumenterat för att AI-antagande bör börja med affärsprioriteringar snarare än verktyg. Vad ser det ut som i praktiken, och hur bör ledningsgrupper omforma sin tillvägagångssätt för AI-omvandling?

De flesta ledningsgrupper börjar på fel plats. De börjar med en vad-kan-den-här-tekniken-göra-för-oss-konversation, eftersom det låter spännande och aktuellt, när rätt plats att börja är vad är våra viktigaste affärsprioriteringar. När du vet det kan du tala ärligt om de bästa verktygen för att hantera dessa prioriteringar, och det behöver inte alltid vara AI. Det låter uppenbart, men de flesta företagen börjar fortfarande med tekniken först och hoppas att affärsfallet kommer att dyka upp någonstans efteråt. Det är bakvänt och det leder till en hel del slöseri med rörelse. Om ledningen vill ha verkliga resultat måste de sluta behandla AI-strategi som en shoppingövning.

På Pilot Wave är du inte bara rådgivare till företag, du omvandlar dem efter förvärv. Vilka är de första strukturella eller kulturella förändringarna du genomför för att göra AI-antagande verkligen bestå?

Det första är att hitta både seniora och juniora sponsorer. De juniora sponsorerna känner till den dagliga verkligheten och kan se till att personalen faktiskt gör vad som behöver göras, medan de seniora sponsorerna ser till att politiken minimeras och att insatsen inte tystas ner. Många företag lutar sig för mycket mot toppstöd och undrar sedan varför ingenting förändras i praktiken. Sanningen är att AI-antagande vanligtvis misslyckas antingen för att organisationen motstår det på grundnivå eller för att ledningen låter störningar ackumuleras runt det. Du behöver båda formerna av stöd på plats tidigt. Annars blir initiativet ett annat verkställande tal som aldrig verkligen landar.

När AI-agenter blir mer kapabla och infrastruktur blir alltmer abstraherad, vilka strategiska risker uppstår för företag som inte kontrollerar sin egen data och AI-stack?

Jag skulle hävda att företag alltid behöver grundläggande kontroll. Det kräver instrumentering av varje system, vilket är hur Pilot Wave närmar sig systemdesign, eftersom om du inte kan se vad som händer, mäta det och sätta räls runt det, då tar du på dig risk som du inte förstår. Det betyder inte att du inte ska delegera uppgifter, eftersom delegering kommer att fortsätta i stor skala, men delegering utan mätning är inte en genomförbar strategi. En hel del av marknaden blir förledad av abstraktion eftersom det gör saker lättare och snabbare, men den bekvämligheten kan dölja verklig systemisk sårbarhet. Om rätt instrumentering, mätning och räls är på plats kan den potentiella systemiska risken minskas. Om de inte är det, bygger du beroende innan du har tjänat förtroende.

Det finns en växande klyfta mellan hur AI marknadsförs och hur det fungerar i verkliga miljöer. Vilka signaler bör tekniska ledare och operatörer leta efter för att skilja meningsfulla AI-förmågor från ytliga påståenden?

Be alltid om verkligt värde på mätning. Jag har varit religiös om att mäta värde under hela min karriär, ner till enskilda projekt, eftersom utan den disciplinen blir det mycket lätt att förväxla upphetsning med resultat. Varje insats bör hållas till en ROI och spåras. Om någon inte kan förklara tydligt hur systemet påverkar intäkter, kostnader, genomströmning, arbets effektivitet eller någon annan verklig affärsparameter, då finns det en god chans att de säljer teater. Branschen har blivit alltför bekväm med att belöna polerade demonstrationer och vaga påståenden. Utan rigorös värde mätning finns det en verklig risk för att slösa bort tid och pengar.

Du har byggt och lett storskaliga data science-organisationer. Hur ser du på AI-teamens roll som utvecklas när automatisering ökar och agentbaserade system tar på sig mer ansvar?

AI kommer att ta på sig högre och högre nivåuppgifter. På Pilot Wave utvecklar vi redan AI som kan ta in något som “väx min omsättning med 10 procent” snarare än “gör om min webbplats”, vilket är mycket närmare var en hel del AI fortfarande sitter idag. Den förändringen förändrar AI-teamens roll på ett allvarligt sätt, eftersom arbetet blir mindre om isolerade uppgifter och mer om hur system resonemang över verkliga affärsmål. Många team tänker fortfarande för smalt om automatisering och underskattar hur snabbt tekniken flyttar uppåt i stacken. Tyngdpunkten kommer att flytta från uppgiftsutförande till affärsdelegering. Det är en mycket större förändring än vad de flesta företag förbereder sig för.

Många företag investerar tungt i AI, men kämpar för att generera mätbart ROI. Vilka är de vanligaste misslyckandemönstren du observerat, och hur kan de undvikas?

De flesta AI-insatser, särskilt i stora företag, är fortfarande för fokuserade på snygga instrumentpaneler, buzzwords och saker som är lätta att presentera internt, men svåra att koppla till verkligt värde. Företag lägger mycket tid på att göra arbetet se sofistikerat ut, snarare än att göra det användbart. Misslyckandemönstret är vanligtvis inte mystiskt, det är bara en brist på disciplin runt skapande av verkligt värde. Om det inte finns något tydligt ekonomiskt mål, ingen ägare och ingen mätningsram, bör insatsen inte fortsätta. Att vara religiöst fokuserad på värdeskapande vid varje stopp längs vägen är avgörande. Annars blir företags-AI en mycket dyrvar brandövning.

Om du ser framåt, vilka AI-förmågor eller systemnivågenombrott tror du kommer att ha den största påverkan på fysiska världens industrier under de närmaste fem till tio åren?

Förmågan att ge mycket högnivåmål till ett AI-system och delegera stora delar av verksamheten kommer att bli mycket verklig mycket snart. Det är den förmågan som kommer att betyda mest, eftersom den flyttar AI bortom smal uppgiftsutförande och in i verkligt operativt utnyttjande. Som en följd kommer människor att fokusera mer på relationer och förtroendearbeten i verksamheten, tillsammans med den faktiska fysiska naturen i arbetet, vare sig det är konstruktion eller annan fältbaserad industri. Många människor pratar fortfarande om AI som ett produktivitetslager som sitter vid sidan av, men den synen börjar redan kännas föråldrad. Systemen blir kapabla att ta på sig bredare ansvar. Framtiden är mycket spännande, men den kommer också att vara mer störande för många befintliga aktörer än vad de vill medge.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Pilot Wave Holdings.