Chetan Alsisaria, VD och medgrundare, Polestar Analytics – Intervjuer

Chetan Alsisaria, VD och medgrundare är en ledande företagsledare inom data, analytik och AI-driven transformation. Efter tidiga roller på Deloitte, PwC och EY, co-founderade han Polestar Analytics 2012 och har sedan dess utvecklat det till ett globalt AI- och dataföretag. Han leder försäljning, strategiska allianser, tjänsteutveckling och teknisk leverans, samt fungerar som ordförande för CAIO Circle, en gemenskap för AI-ledare som fokuserar på att främja ansvarsfull och praktisk AI-antagande. Dessutom co-founderade han Xumane Equity, vilket speglar hans bredare fokus på innovation över företagssystem och plattformar.

Polestar Analytics är ett globalt AI- och datakonvergensföretag som hjälper företag att omvandla fragmenterad data till agerbara insikter genom sin egenutvecklade 1Platform. Genom att förena dataingenjörskap, analytik, AI och affärsflöden i ett enda ekosystem, möjliggör företaget för organisationer att förbättra beslutsfattandet, optimera verksamheten och skala upp AI-antagandet. Med ett starkt fokus på branschspecifika användningsfall och mätbara resultat, har Polestar utvecklats från ett konsultbaserat företag till ett plattformsdrivet företag som levererar förenklade, intelligensdrivna lösningar i företagsstorlek.

Ni co-founderade Polestar Analytics 2012 efter roller på Deloitte, PwC och EY. Vilket gap i företagsdata och analytik såg ni på den tiden, och hur har den ursprungliga visionen utvecklats till dagens AI-drivna 1Platform?

Vi visste, när Ajay, Amit och jag startade Polestar Analytics 2012, att ironin var slående; företag drunknade i data men svälte efter beslut. Alla samlade in allt, men gapet mellan att ha data och göra något meningsfullt med den var enormt. Det var det problem vi satte oss att lösa.

Om vi hoppar fram till idag, och ärligt, så har problemet inte försvunnit, det har bara förändrats. Volymen är större, insatserna är högre, och nu har vi agenter i mixen tillsammans med människor som måste göra mening av allt. Det har faktiskt gjort vår ursprungliga vision tydligare, inte suddigare.

Vår motto, Data till resultat, Förenklad!, är verkligen tråden som förbinder 2012 till idag. Vi började med dataleverans; att få rätt data till rätt personer vid rätt tidpunkt. Sedan kom AI och förstärkte vad som var möjligt. Nu med 1Platform, trycker vi vidare; förenklar och maximerar resultat inte bara för människor utan för agenter som alltmer fattar eller informerar beslut.

Vad som är spännande är hur vårt ekosystem har mognat för att stödja detta. Våra djupa integreringar med Microsoft (MSFT ), Databricks och Anaplan hjälper till att föra samman data, affärsanvändningsfall och planering. Och 1Platform sitter över allt detta, native till dessa miljöer, inte skruvade fast.

Så, utvecklingen ser ut så här: dataleverans → AI-förstärkta insikter → förenklade, agent-klara resultat. Jakten på excellens är densamma. Hastigheten med vilken vi kan komma dit är vad som har förändrats exponentiellt.

Polestar Analytics positionerar sig som ett data- och AI-konvergensföretag. Vad ser konvergens ut som i praktiken för stora företag som hanterar fragmenterade system och siloade data?

De flesta gånger är fragmentering inte ett tekniskt problem, det är ett människo- och processproblem. Det är som att ha ett finansiellt team som körs på Anaplan, ett operativt team som lever i Excel, ett dataingenjörsteam som bygger pipelines på Azure, och alla drar i olika riktningar med olika definitioner av samma mått. Inget AI-fixar ett förtroendeproblem om grunden är bruten.

Så, när vi pratar om konvergens, menar vi att lösa den grunden först. Innan du kan lägga till intelligens ovanpå, behöver du data som är ren, styrd och kritiskt tillgänglig. Inte bara för dina analytiker, utan alltmer för dina agenter också.

I praktiken ser konvergens med 1Platform ut så här: vi river inte ut och ersätter vad företag har byggt. Vi går native in i de miljöer de redan lever i, som Databricks, Microsoft och Anaplan, och vi syr ihop datalagret och intelligenslagret över dem. Din planeringsdata i Anaplan pratar med din operativa data i Databricks, och din Microsoft-ekosystem är där beslut faktiskt dyker upp för människor och agenter att agera på.

Magin ligger inte i någon av dessa integreringar. Det ligger i den sammanlänkande lagret av 1Platform som gör allt känna som ett sammanhängande system istället för frånkopplade verktyg. Det är vad konvergens ser ut som i praktiken, en medveten förenkling tills komplexiteten blir osynlig för affären.

Er egenutvecklade 1Platform syftar till att förena data, AI och arbetsflöden i ett enda system. Hur skiljer sig detta tillvägagångssätt från traditionella BI-stackar eller moderna dataplattformar som Databricks eller Snowflake?

Databricks och Snowflake är kraftfulla plattformar, vi konkurrerar inte med dem, vi byggs ovanpå dem. Den distinktionen är viktig. Databricks ger dig infrastruktur och beräkning. Vi sitter ovanpå det och ställer en annan fråga: nu vad?

Traditionella BI-stackar fick många saker rätt för sin tid, men business intelligence har utvecklats. Idag behöver affärsanvändare mer än instrumentpaneler. Du kan ha en vackert utformad instrumentpanel med femton diagram, och någon måste fortfarande tolka vad det betyder och bestämma vad man ska göra härnäst. Det gapet mellan insikt och handling är exakt där 1Platform opererar.

1Platform är inte statisk, den utvecklas kontinuerligt. Den svarar inte bara på de frågor du ställer; den presenterar frågor du inte ens tänkte på att ställa. Det förändrar relationen mellan affärsanvändare och deras data.

Vi har byggt lågkods- och kodsgränssnitt ovanpå Databricks och Azure som tillåter pipelines att skapas på sekunder. Uppgifter som tidigare tog dagar för dataingenjörer kan nu utlösas av affärsanvändare. Ovanpå det möjliggör Agenthood AI för användare att skapa och orkestrera agenter genom enkla dra-och-släpp-gränssnitt utan djup teknisk expertis.

Men den verkliga skillnaden är slutanvändarupplevelsen. Istället för att hoppa mellan flera instrumentpaneler, får användare naturliga språkliga insikter, kontextuella rekommendationer och agent-drivna berättelser. KPI:er sitter inte bara på en skärm; agenter övervakar dem aktivt, flaggar vad som är viktigt och förklarar varför. Differentieringen ligger inte i dataplattformen i sig, utan i allt som händer efter att data är redo.

Många företag är fortfarande fast i vad som ofta kallas AI-pilot-purgatoriet. Vilka är de största strukturella eller organisatoriska hindren för att AI ska nå produktion i stor skala?

Jag kallar det pilotkyrkogården eftersom de flesta projekt inte bara stannar, de dör tyst. De största hindren är inte tekniska, de är organisatoriska. Människor, processer och data.

Ändringshantering underskattas konsekvent. När du omformar hur människor arbetar, utmanar du hur de genererar värde. Organisationer som lyckas är de där ledarskapet gör AI-kompetens synligt viktigt. När uppskilling belönas och processomdesign stöds strukturerat, accelererar antagandet.

Sedan finns J-kurvan-problemet. AI-investeringar dalar ofta innan de stiger. Många organisationer förväntar sig ROI inom 90 dagar, ser det inte och överger ansträngningen. De som lyckas åtar sig den fulla kurvan.

Databeredskap är en annan kritisk faktor. Dålig data leder till säkert felaktiga beslut. Tills datagrunden är pålitlig, blir AI i stor skala en belastning istället för en tillgång.

Slutligen är användningsfallsdisciplin viktigt. Istället för att försöka göra allt med AI, behöver organisationer fokusera på användningsfall som flyttar verkliga affärsmaßor, bevisa dem och sedan skala.

På Polestar Analytics, accelererar vi både problemupptäckt och möjlighetsidentifiering genom att föra samman data, AI och arbetsflöden på en plats, och omvandlar konvergens till en katalysator för förändring.

Agentic AI blir en stor tema över hela branschen. Hur tänker Polestar Analytics kring AI-agenter inom företagsarbetsflöden, och vilka verkliga användningsfall får dragkraft?

För oss måste agenter vara inbäddade i både datalagret och affärsarbetsflöden för att skapa verkligt värde. En prissättningsagent, till exempel, är inte bara en LLM som sitter på en instrumentpanel; den är integrerad i datainfrastrukturen, förstår sammanhang och stöder verkliga beslutsfattanden.

Över våra 100+ agenter agerar vissa som assistenter medan andra är fullt automatiserade. Den starkaste dragkraften är i intäktsväxtledning, inklusive prissättning, kampanjer och medieblandning, där besluten är frekventa och dataintensiva.

På den tekniska sidan används pipelineövervaknings- och felresolutionagenter redan. FinOps-agenter har minskat outnyttjad molnkostnad med 35 procent. Det finns också en stark antagande inom förmögenhetsförvaltning.

Vi stöder både Microsoft- och Databricks-ekosystem och tillhandahåller en anpassad agentbyggnadsplattform. Inte alla agenter behöver vara LLM-baserade; arkitekturen bör matcha användningsfallet för att balansera skala och kostnad.

Styrning är avgörande. Med agenter som interagerar med finansiella system eller kunddata, byggs starka skydd och mänsklig tillsyn in för att säkerställa tillförlitlighet i företagsstorlek.

Med er nyligen erhållna finansiering, dubblar ni ned på IP-utveckling. Hur viktigt är det att äga egenutvecklade plattformar jämfört med att bygga på befintliga ekosystem i dagens AI-landskap?

Vi är djupt integrerade med plattformar som Databricks, Microsoft och Anaplan, som tillhandahåller infrastruktur och skala. Vi försöker inte ersätta dem.

Vårt fokus ligger på att äga intelligenslagret ovanpå. Egenutvecklad IP möjliggör för oss att kontrollera upplevelsen, infoga domänkunskap och leverera konsekvent värde i stor skala.

Vår differentiering kommer från branschexpertis. Oavsett om det är PromoPulse AI för intäktsväxtledning eller WealthPulse för finansiella tjänster, ligger värdet i att förstå verkliga användningsfall och beslut.

Egenutvecklad IP, för oss, är kodifieringen av den expertisen. Det är vad som gör plattformen försvarbar och genuint användbar.

Ni har arbetat nära med Fortune 1000-företag. Hur förändras förväntningarna kring AI-avkastning när chefer kräver mätbara resultat istället för experiment?

Skiftet är verkligt, men experimentet har inte försvunnit. Det förväntas bara flytta snabbare och ansluta till mätbara resultat.

Chefer utvärderar AI-avkastning genom bredare linser som beslutsfart, kundlojalitet, innovationsförmåga och motståndskraft.

AI-avkastning ägs inte längre av en enskild ledare. CTO fokuserar på infrastruktur och data, CFO ser på det finansiella genomslaget, och COO betonar operativ effektivitet.

Organisationer som lyckas anpassar dessa perspektiv tidigt och åtar sig långsiktiga resultat.

Er expansionsstrategi inkluderar Nordamerika och Europa. Vilka skillnader ser ni i AI-antagande-mognad och företagsberedskap över dessa regioner?

Skillnaden ligger mer i attityd än i förmåga.

Nordamerika prioriterar hastighet och experiment, driven av konkurrenstryck.

Europa betonar styrning och etisk AI från början. Men det betyder inte långsammare antagande. Företag balanserar struktur med acceleration.

Båda regionerna konvergerar mot skalbar, ansvarsfull AI inbäddad i kärnverksamhet.

Ni grundade nyligen CAIO Circle för att föra samman AI-ledare. Vilka är de mest brådskande samtalen som sker bland Chief AI Officers just nu, särskilt kring styrning och etik?

CAIO Circle skapades för att ge AI-ledare en plats för öppna diskussioner.

Den centrala utmaningen är att balansera hastighet med långsiktig risk. Förtroende och förklarbarhet är stora problem, särskilt när AI-system påverkar kritiska beslut.

Styrning förändras från policydokument till inbäddade operativa metoder. Samtidigt saknar många organisationer fortfarande exekveringsmodeller för att leverera på sina AI-strategier.

De mest värdefulla insikterna kommer ofta från öppna peer-diskussioner snarare än formella presentationer.

Om tre till fem år, förväntar ni er att företags-AI kommer att konsolideras till enhetliga plattformar som er, eller förbli ett fragmenterat ekosystem av verktyg och leverantörer? Var vill Polestar Analytics positionera sig i den framtiden?

Fragmentering kommer troligen att fortsätta. Stora plattformar som Databricks, Microsoft, Salesforce och Anaplan kommer att förbli centrala aktörer.

Vad företag behöver är ett förenande lager som kopplar samman data, intelligens och arbetsflöden till något agerbart. Det är den roll 1Platform är utformad för att spela.

Framtiden kommer att gynna plattformar med djup branschexpertis. Generiska horisontella lösningar kommer att kämpa för att differentiera sig.

Verkligt värde kommer från att förstå branschspecifika behov och inbädda intelligens direkt i beslutsfattande arbetsflöden.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Polestar Analytics.