Afsheen Afshar, grundare av Pilot Wave Holdings – Intervjuerien

Afsheen Afshar, grundare av Pilot Wave Holdings, är en veteran inom data science och investeringsledning med en karriär som omfattar seniorroller på Goldman Sachs, 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 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 tekniktung ekonomi.

Du har haft banbrytande AI-ledningsroller på företag som JPMorgan och Cerberus, och senare grundade Pilot Wave Holdings för att ta med AI till traditionella branscher. Vilken kärninsikt eller frustration ledde dig att gå från att bygga AI inom stora institutioner till att förvärva och transformera 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 splittrad 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 snabbhet och vilja, är det viktigt att vara ägare.

Mycket av branschen firar fortfarande lyckade piloter, men den verkliga värdet kommer från produktionsystem. Varför bryter AI-initiativ så ofta samman vid övergången till produktion, och vad skiljer organisationer som lyckas operationalisera AI från de som fastnar?

Många piloter är utformade för att lyckas, vilket är exakt varför så många företag bedrar sig själva. De sker i rena miljöer, med extra uppmärksamhet, begränsad omfattning och ingen av den friktion som visar sig 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 riktiga operationers röra, snarare än att försöka undvika det. Alla säger att de vill ha produktionsvärde, men många team optimerar fortfarande för pilotapplåder.

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

Skillnaden är att i mer traditionella Main Street-företag är empati och det mänskliga elementet ännu viktigare än vad människor i AI-världen vanligtvis vill medge. I programvaruförstamiljöer kan team ofta flytta snabbt och laga problem senare. I infrastruktur, tillverkning och e-handel är arbetet knutet till fysiska system, riktiga 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 acceptans. Om du inte förstår operatörens upplevelse är din AI-strategi förmodligen redan trasig. Dessa miljöer exponerar ytlig tänkande mycket snabbt, vilket är en del av varför de är så viktiga.

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

De flesta ledningsteam 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 sedan 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 en teknologi-först-och-hoppas-att-ett-ärendemål-som-någon-gång-kan-uppträda-efteråt-approach. 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 omformar dem efter förvärv. Vilka är de första strukturella eller kulturella förändringarna du implementerar för att göra AI-antagande verkligen fungera?

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 blir tyst strypt. Många företag lutar sig för tungt mot toppstöd och undrar sedan varför ingenting förändras i praktiken. Sanningen är att AI-antagande vanligtvis misslyckas antingen för att organisationen motstår det på marknivå eller för att ledningen låter störningar ackumuleras runt det. Du behöver båda formerna av stöd på plats tidigt. Annars blir initiativet ett annat verkställande talpunkt 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 placera räcken 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 systematisk sårbarhet. Om rätt instrumentering, mätning och räcken är på plats kan den potentiella systematiska 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 den 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 verklig värdering. Jag har varit religiöst fokuserad på värdering 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, arbetsEffektivitet 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 värdering 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 utvecklas när automation ökar och agentbaserade system tar på sig mer ansvar?

AI kommer att ta på sig alltmer avancerade uppgifter. På Pilot Wave utvecklar vi redan AI som kan ta något som “väx min omsättning med 10 procent” som indata, 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 resonerar över verkliga affärsmål. Många team tänker fortfarande för smalt om automation och underskattar hur snabbt tekniken flyttar uppåt i stacken. Tyngdpunktsförskjutningen kommer att ske från uppgiftsutförande till affärsdelegation. Det är en mycket större förändring än de flesta företag förbereder sig för.

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

De flesta AI-insatser, särskilt i stora företag, är fortfarande alltför fokuserade på snygga instrumentpaneler, buzzwords och saker som är lätta att presentera internt, men svåra att knyta 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 kring handlingsvärdesskapande. Om det inte finns något tydligt ekonomiskt mål, ingen ägare och ingen mätning, bör insatsen inte fortsätta. Att vara religiöst fokuserad på värdesskapande vid varje stopp längs vägen är avgörande. Annars blir företags-AI en mycket dyr varumärkesövning.

Om du ser framåt, vilka AI-förmågor eller systembrytningar tror du kommer att ha den största inverkan på fysiska världens industrier under de kommande 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 vara viktigast, eftersom den flyttar AI bortom smal uppgiftsutförande och in i verkligt operativt utrymme. Som en följd kommer människor att fokusera mer på relationen och förtroendeelementen i verksamheten, tillsammans med den faktiska fysiska naturen av arbetet, oavsett om det är konstruktion eller annan fältbaserad industri. Många människor pratar fortfarande om AI som en produktivitetslager som sitter vid sidan av, men den synen börjar redan kännas föråldrad. Systemen blir alltmer kapabla att ta på sig bredare ansvar. Framtiden är mycket spännande, men den kommer också att vara mer disruptiv än vad många etablerade företag vill medge.

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