Chetan Alsisaria, VD och medgrundare, Polestar Analytics – Intervjuserie

Chetan Alsisaria, VD och medgrundare är en ledande företagsledare inom enterprise-teknologi med specialisering inom data, analytics och AI-driven transformation. Efter tidiga roller på Deloitte, PwC och EY, co-grundade 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-grundade 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 dataengineering, analytics, AI och affärsflöden i ett enda ekosystem, möjliggör företaget för organisationer att förbättra beslutsfattandet, optimera verksamheten och skala AI-antagandet. Med ett starkt fokus på branschspecifika användningsfall och mätbara resultat, har Polestar utvecklats från ett konsultledande företag till ett plattformsdrivet företag som levererar förenklade, intelligensdrivna lösningar i företagsskala.

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

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

Framåt i tiden, och ärligt talat, har problemet inte försvunnit, det har bara förändrats. Volymen är större, insatserna är högre, och nu har du agenter i mixen tillsammans med människor som måste göra mening av allt. Det har faktiskt gjort vår ursprungliga vision tydligare, inte otydligare.

Vår motto, Data till resultat, Förenklat!, är verkligen tråden som kopplar 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 maximalt resultat inte bara för människor utan för agenter som alltmer gör eller informerar beslut.

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

Så, utvecklingen ser ut så här: dataleverans → AI-förstärkta insikter → förenklade, agentklara 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 människor- och processproblem. Det är som att ha ett finansteam som körs på Anaplan, ett operationsteam som bor i Excel, ett dataengineeringteam 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 trasig.

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 infödd i de miljöer de redan bor 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-staplar eller moderna dataplattformar som Databricks eller Snowflake?

Databricks och Snowflake är kraftfulla plattformar, vi konkurrerar inte med dem, vi är byggda 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-staplar 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 frågorna du tar med; den ytor frågor du inte ens tänkte på att fråga. Det förändrar relationen mellan affärsanvändare och deras data.

Vi har byggt lågkods- och no-code-gränssnitt ovanpå Databricks och Azure som tillåter pipelines att skapas på sekunder. Uppgifter som en gång 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 språkinsikter, kontextuella rekommendationer och agentdrivna berättelser. KPI:er sitter inte bara på en skärm; agenter övervakar aktivt dem, flaggar vad som är viktigt och förklarar varför. Differentieringen ligger inte i dataplattformen i sig, utan allt som händer efter att data är klart.

Många företag är fortfarande fast i vad som ofta kallas AI-pilot-purgatory. Vilka är de största strukturella eller organisatoriska hindren som förhindrar AI från att nå produktion i skala?

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

Förändringshantering underskattas konsekvent. När du omformar hur människor arbetar, utmanar du hur de hämtar värde. Organisationer som lyckas är de där ledningen gör AI-kompetens synligt viktigt. När uppskilling belönas och processomdesign stöds strukturellt, accelererar antagandet.

Sedan finns det J-kurvsproblemet. 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 ett annat kritiskt faktum. Dålig data leder till säkert felaktiga beslut. Innan datagrunden är pålitlig, blir AI i skala en belastning istället för en tillgång.

Till sist är användningsfallsdisciplin viktig. Istället för att försöka göra allt med AI, måste organisationer fokusera på användningsfall som flyttar verkliga affärsmaßor, bevisa dem och sedan skala.

På Polestar Analytics, genom att föra samman data, AI och arbetsflöden på en plats, accelererar vi både problemupptäckt och möjlighetsidentifiering, och förvandlar 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 draghjälp?

För oss måste agenter vara infödda 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 kontext och stöder verkliga beslutsfattanden.

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

På den tekniska sidan används pipelineövervaknings- och felkorrektionsagenter redan. FinOps-agenter har minskat outnyttjade molnkostnader 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 räcken och mänsklig tillsyn in för att säkerställa tillförlitlighet i företagsskala.

Med er nyliga 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 tillåter oss att kontrollera upplevelsen, införa domänkunskap och leverera konsekvent värde i skala.

Vår differentiering kommer från branschexpertis. Antingen 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-ROI när chefer kräver mätbara resultat istället för experiment?

Förändringen är verklig, men experimentet har inte försvunnit. Det förväntas bara flytta snabbare och ansluta till påtagliga resultat.

Chefer utvärderar AI-ROI genom bredare linser som beslutsacceleration, kundlojalitet, innovationsförmåga och motståndskraft.

AI-ROI 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 är mer om sinnesstämning än förmåga.

Nordamerika prioriterar hastighet och experiment, driven av konkurrenstryck.

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

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

Ni nyligen grundade 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 infödda operativa metoder. Samtidigt saknar många organisationer fortfarande genomförandemodeller för att leverera på sina AI-strategier.

De mest värdefulla insikterna kommer ofta från ärliga peer-samtal snarare än formella presentationer.

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

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

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.

Verkligt värde kommer från att förstå branschspecifika behov och införa intelligens direkt i beslutsarbetsflöden.

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