Amit Sharma, VD och grundare av CData – Intervjuerien

Amit Sharma, VD och grundare av CData Software, är en teknisk chef som har lett CData från dess tidiga startup-fas till att bli en global ledare inom dataanslutning och integration. Med en karriär som omfattar roller som mjukvaruutvecklare på Infosys och Elixar, teknisk arkitekt på /n Software, och senare CTO på CData, har han byggt djup kompetens inom företagsdataåtkomst och infrastruktur. Sedan han blev VD 2014 har han lett CData:s mission att förenkla hur organisationer ansluter, integrerar och utnyttjar data över system, vilket har hjälpt till att positionera företaget som en grundläggande del av den moderna dataförflyttningen.

CData Software är en ledande leverantör av dataåtkomst- och anslutningslösningar. Deras självbetjäningsdataprodukter och anslutningsplattformar levererar universell åtkomst till levande data över hundratals vanligt förekommande lokala och molnbaserade program. Miljontals användare världen över förlitar sig på CData för att stödja avancerad analys, accelerera molninförande och bygga mer sammanhängande, datastyrd organisationer. Utformade för att vara konsumerbara av alla användare, tillgängliga inom alla program och skalbara för företag av alla storlekar, omdefinierar CData hur företag kommer åt och använder data.

Du började din karriär i Indien på Infosys och gick senare över till amerikanskt företagsprogramvara. Vilken tidig läxa från den fasen formar fortfarande hur du leder idag?

Min tid på Infosys gav mig tidig exponering för kraven på storskalig företagsteknologi — komplexiteten, behovet av tillförlitlighet och hur stora organisationer närmar sig tekniska problem. Det formade en djup respekt för struktur och företagsklasskvalitet. Men när jag gick över till ett amerikanskt startup-uppförde jag att jag trivdes på hastighet, smidighet och förmågan att göra direkt inverkan. Idag vägleder den dubbla bakgrunden hur jag leder CData Software: Jag insisterar på företagsklassstandarder och robusthet, samtidigt som jag främjar en smal, snabb rörlig kultur som värdesätter enkelhet, realistisk användbarhet och snabb utförande.

Efter mer än ett decennium som VD för CData, vad var den viktigaste förändringen i synsätt eller tillvägagångssätt för att skala företaget från dess tidiga dagar till ett globalt företag?

Den största förändringen för mig var att gå från att tänka som en byggare av teknologi till att tänka som en byggare av en organisation. I de tidiga dagarna var mitt fokus nästan uteslutande på produkten; att se till att den var elegant, tillförlitlig och löste verkliga problem. När CData skalade, var jag tvungen att lära mig att bra programvara ensam inte räcker; du behöver bra människor, starka ledare och processer som kan skalas utan att sakta ner dig. Det innebar att investera tidigare i rekrytering, ge team möjlighet och bygga återanvändbara system över försäljning, support och drift, samtidigt som man skyddar vår ingenjörskultur. Synsättförändringen var att inse att mitt jobb inte bara var att skapa bra teknologi, utan att skapa en miljö där bra teknologi kunde byggas konsekvent av ett växande globalt team.

CData har länge fokuserat på “att förenkla åtkomsten till alla data, överallt.” Hur har den missionen utvecklats när branschen går djupare in i AI-nativa program?

Från början har vår mission på CData varit att göra data universellt tillgänglig med hjälp av bekanta, standardiserade gränssnitt, eftersom vi trodde att den största flaskhalsen för innovation inte var lagring eller beräkning, utan åtkomst. Den grundläggande idén har inte förändrats, men sammanhanget har. När organisationer gick från analys till moln och nu in i AI, har kostnaden för fragmenterad, inkonsekvent dataåtkomst bara ökat. Vad som har utvecklats är vårt ansvar: det är inte längre bara att ansluta program till data, utan att se till att data är tillförlitlig, realtids- och användbar över alltmer komplexa och distribuerade miljöer. I AI-eran räcker åtkomst inte; data måste vara omedelbart användbart utan veckors anpassad ingenjörskap.

Som AI-nativa program blir normen, har vår mission utvidgats till att göra data AI-klar som standard. Det innebär att möjliggöra konsekvent semantik, högpresterande anslutning, styrningsmedveten åtkomst och realtidsintegration över strukturerade och SaaS-datakällor, så att modeller och agenter kan arbeta med färsk, tillförlitlig information, inte skör och punktintegreringar eller föråldrade kopior. I praktiken fokuserar vi på att eliminera friktionen mellan var data bor och var AI-system opererar, så att team kan gå från experiment till produktion snabbare. Vi ser oss inte bara som en anslutningsleverantör, utan som en grundläggande dataskikt för AI-drivna företag som tyst driver systemen som gör intelligenta program möjliga.

Med generativ AI som accelererar, vad betyder “AI-klar data” egentligen för dig, och var ser du att organisationer missförstår den idén mest?

För mig betyder “AI-klar data” data som är tillgänglig, tillförlitlig, aktuell och förståelig för både människor och maskiner utan lager av anpassad rörledning. Det handlar inte bara om att flytta data till en sjö eller lager. Det handlar om att säkerställa att system, modeller och agenter konsekvent kan komma åt rätt data vid rätt tidpunkt genom standardiserade, styrda gränssnitt. AI-beredskap beror mindre på var data lagras och mer på om den kan upptäckas, frågas, litas och integreras i realtid. Utan den grunden slutar även de mest avancerade modellerna med att operera på ofullständig eller föråldrad information.

Där jag ser att organisationer missförstår konceptet är att anta att centralisering automatiskt innebär beredskap. Team tror ofta att när data konsolideras till en enda plattform är de “AI-klara”, när de i själva verket har skapat en ny silo. Andra överinvestera i verktyg utan att hantera datakvalitet, semantik och anslutning, de oglamorösa problemen som gör eller bryter verkliga AI-system. AI misslyckas inte på grund av modeller; det misslyckas på grund av röriga, otillgängliga eller föråldrade data. De organisationer som kommer att vinna är de som behandlar databeredskap som en operativ disciplin, inte ett engångsmigrationsprojekt.

Din nya forskning, The State of AI Data Connectivity: 2026 Outlook, visar att endast 6% av AI-ledare tror att deras datainfrastruktur är fullständigt redo för AI. Varför tror du att beredskapsgapet är så stort, och vad säger det om branschens nuvarande bana?

Gapet är så stort eftersom de flesta organisationer investerade i att samla in och lagra data långt innan de investerade i att göra den användbar för AI. Under det senaste decenniet har företag byggt sjöar, lager och pipelines, men de byggde sällan en sammanhängande åtkomstskikt som säkerställer att data är konsekvent, realtids- och tillgänglig över system. Som ett resultat upptäcker ledare att när de börjar distribuera AI till riktiga arbetsflöden kan deras underliggande infrastruktur inte stödja den hastighet, skala eller tillförlitlighet som AI kräver. Siffran 6% speglar inte brist på ambition, utan snarare verkligheten att AI exponerar svagheter som alltid funnits men inte spelade så stor roll i traditionell analys.

Vad data talar om för oss om branschen är att vi är tidiga i AI-antagandekurvan, inte sent. Organisationer experimenterar aggressivt på applikationslagret, men de inser nu att framgång beror på att modernisera sin datagrund under. Vi går in i en korrektionsfas där fokus skiftar från imponerande piloter till operativ beredskap — standardiserad åtkomst, styrningsmedveten integration och realtidsanslutning. Vinnarna kommer inte att vara de företag som bygger de mest bevis på koncept, utan de som moderniserar sin datainfrastruktur tillräckligt snabbt för att flytta dessa experiment till produktion i skala.

Resultaten visar också att 71% av AI-team spenderar mer än en kvart av sin tid på data-rörledning. I din åsikt, vad är den delen av det arbetet som egentligen är strategiskt snarare än bara teknisk skuld?

Viss mängd “data-rörledning” är absolut strategisk när det handlar om att skapa varaktig åtkomst till data genom standardgränssnitt och designa för skalbarhet och styrning från början. Att investera i konsekvent anslutning, delad semantik och tillförlitlig integreringsmönster är grundläggande arbete som ger utdelning över alla program och modeller som kommer senare. Problemet är att de flesta team inte gör den typen av rörledning. De bygger om enkla pipelines, skriver skör anslutning och lagar integreringar som bara löser ett problem en gång. Det är teknisk skuld maskerad som framsteg.

Vad som är strategiskt är allt som minskar framtida friktion: eliminera anpassad kod till förmån för standarder, bygga återanvändbara data-tjänster och ansluta system på sätt som skalas över team och användningsfall. När rörledning blir osynlig och återanvändbar slutar den vara en skatt på AI-team och blir en möjliggörare. Det verkliga målet är inte att spendera mindre tid på data. Det är att sluta spendera tid på samma data-problem om och om igen.

En slående datapunkt från rapporten är att 46% av företagen nu kräver realtidsåtkomst till sex eller fler datakällor för ett enda AI-användningsfall. Reflekterar det vad du ser hos kunder, och vad gör den nivån av anslutning så svår?

Ja, det stämmer väl överens med vad vi ser hos kunder. Moderna AI-användningsfall, antingen förutsägande analys, rekommendationssystem eller autonoma arbetsflöden, förlitar sig sällan på ett enda system. Företag behöver ofta kombinera ERP, CRM, SaaS-appar, strömningsplattformar och äldre databaser för att generera meningsfulla insikter. Utmaningen är inte bara antalet källor; det är variationen, olika protokoll, format och uppdateringsfrekvenser, och förväntningen att denna data ska vara tillgänglig i realtid för AI-modeller att konsumera.

Vad som gör den nivån av anslutning så svår är att traditionella integreringsmetoder aldrig var designade för den skala, hastighet och tillförlitlighet som AI kräver. Enkla anslutningar och batch-pipelines kan helt enkelt inte hålla jämna steg. Sann realtidsåtkomst kräver standardiserade, hanterade gränssnitt, konsekvent semantik över system och övervakning för att säkerställa datakvalitet och tillgänglighet. Utan den grunden spenderar team mer tid på att släcka bränder i pipelines än på att bygga AI-lösningar, vilket bromsar innovation och introducerar risk. De organisationer som lyckas är de som behandlar anslutning som en strategisk förmåga, inte bara ett tekniskt göromål.

Rapporten betonar semantisk konsekvens, kontext och anslutning som avgörande egenskaper hos mogen AI-datainfrastruktur. Hur bör organisationer tänka på att sekvensera dessa prioriteringar?

När man tänker på sekvensering bör organisationer starta med anslutning. Om data inte är tillförlitligt tillgänglig över system är allt annat irrelevant. AI-modeller kan inte lära sig av vad de inte kan nå. Att etablera standardiserade, styrda anslutningar över alla kritiska datakällor lägger grunden för allt som följer. Utan det skikt slutar team bygga skör, enkla pipelines som skapar mer arbete längre fram.

När anslutning är på plats blir semantisk konsekvens nästa prioritet. Data behöver ett gemensamt språk så att information från flera källor kan tolkas korrekt och kombineras meningsfullt. Kontext följer naturligt: att förstå inte bara värdena utan deras betydelse inom affärsprocessen, timing och relationer säkerställer att AI-modeller kan göra exakta, handlingsbara förutsägelser. Att behandla dessa element som en strukturerad sekvens — anslutning först, semantik andra, kontext tredje — låter organisationer bygga en AI-klar datainfrastruktur som skalas och stöder tillförlitlig, produktionsklar intelligens.

AI-nativa programvaruleverantörer kräver nu ungefär tre gånger fler externa integreringar än traditionella leverantörer. Vad driver den växande klyftan, och vad avslöjar det om vart programvaran är på väg?
Den växande klyftan drivs av AI:s natur själv: AI-nativa program trivs på diversifierad, realtidsdata från flera källor. Till skillnad från traditionell programvara, som ofta opererar inom ett enda system eller svit, behöver AI-modeller ingå, korrelera och analysera information över ERP-system, CRM-plattformar, SaaS-appar, strömningskällor och mer. Varje integrering är avgörande för att ge AI tillräcklig kontext och täckning för att generera exakta förutsägelser, rekommendationer eller automatiserade åtgärder.

Denna trend avslöjar att programvaran rör sig från isolerade program till sammanhängande, intelligenta ekosystem. Vinnarna kommer inte att vara de produkter som fungerar bra på egen hand. De kommer att vara plattformarna som kan komma åt och integrera data var den än bor. I praktiken innebär det att anslutning, standardisering och realtidsintegration inte längre är trevliga att ha. De är grundläggande förmågor för AI-nativ programvara att leverera verkligt värde.

Om fem år, vad tror du kommer att bli den största flaskhalsen för AI-lyckande — anslutning, realtids-pipelines, semantisk modellering, styrning eller något annat?

Om fem år tror jag att styrning och säkerhet kommer att bli den största flaskhalsen för AI-lyckande. Medan anslutning och realtids-pipelines förblir grundläggande — AI-modeller kan bara vara så effektiva som data de kan komma åt — inser organisationer snabbt att ostyrd AI är ohållbar och potentiellt farlig. När AI flyttar från experiment till produktion och börjar påverka kritiska affärsbeslut, multipliceras riskerna för bias, regelefterlevnad, dataläckage och operativa fel exponentiellt.

Utmaningen är inte bara att flytta data längre — det handlar om att flytta rätt data, med rätt kontroller, till rätt system, på ett spårbar och granskningsbart sätt. Organisationer som misslyckas med att införliva starka styrningsramar och säkerhetsprotokoll från början kommer att möta ökande regulatoriskt tryck, ryktesrisk och slutligen, AI-system de inte kan lita på eller skala. Vi ser redan tidiga tecken: företag som tvekar att distribuera AI eftersom de inte kan säkerställa data-ursprung, åtkomstkontroll eller regelefterlevnad med utvecklande regler.

De mest framgångsrika organisationerna om fem år kommer att vara de som behandlar styrning och säkerhet inte som eftertanke, utan som kärna för AI. Ja, du behöver anslutning och realtids-pipelines för att få data att flöda — men utan styrning och säkerhet på plats, blir den datan en belastning snarare än en tillgång. AI-framtidens framtid handlar inte bara om hastighet eller skala; det handlar om tillit, ansvar och ansvarsfull distribution på varje lager i datastacken.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka CData Software.