Darren Kimura, VD och president för AI Squared – Intervjuserie

Darren Kimura är en erfaren entreprenör, uppfinnare och investerare, som för närvarande tjänstgör som VD och president för AI Squared. Med över 25 års ledarskap inom teknologi- och renenergisektorerna har han lett företag som Energy Industries Corporation, Sopogy och LiveAction, och var med och grundade riskkapitalbolaget Enerdigm Ventures. Kimura är känd för att ha uppfunnit MicroCSP-solteknik och har spelat en nyckelroll i att skala företag som fokuserar på edge computing, AI och SaaS-baserade lösningar.

AI Squared är en lågkodsplattform som är utformad för att hjälpa företag integrera AI-insikter direkt i de verktyg de redan använder, såsom Salesforce (CRM ), Slack, Google Sheets och ServiceNow. Genom att förenkla AI-distributionen och möjliggöra realtidsbeslut, ger plattformen team inom ingenjörskap, försäljning och drift möjlighet att låsa upp mätbara affärsresultat. AI Squared betjänar kunder inom finans, leverantörskedja och offentlig sektor, och accelererar företags AI-antagande genom att göra det smidigt, kontextuellt och verkställbart.

Du har lett flera företag inom olika sektorer – vad inspirerade dig att gå med och till slut leda AI Squared?

Jag har alltid dragits till att lösa svåra, verkliga problem som kräver djup teknisk förståelse och fläckfri utförande. Jag började min karriär inom energiekonomi och förnybar energi, och fångade maskindata i stor skala för att hjälpa människor att förstå och agera på den. Med tiden utvecklades det till att flytta datahantering närmare där arbetet sker, i säkra system eller inom företagsflöden.

När jag först mötte AI Squared, såg jag omedelbart att de hanterade en mycket verklig och mycket brådskande utmaning: hur man flyttar AI från labbet till vardagligt bruk. De flesta företag fokuserar fortfarande på att bygga modeller. AI Squared fokuserade på distribution.

Det som gav mig ännu mer övertygelse var deras grund. Företaget startade inom NSA och har under de senaste sex åren byggt förtroende över hela Försvarsdepartementet, underrättelsegemenskapen, rymdgemenskapen och med några av de största företagen på Fortune 500-listan genom verkliga projekt och meningsfulla resultat som fortsätter att växa från år till år. Det sa mig två saker: först, att de var allvarliga med säkerhet, regelefterlevnad och påverkan. Och andra, att de var ett team jag kunde lita på.

Hur har din erfarenhet av att skala ZEDEDA och arbeta inom riskkapital format din strategi för AI-distribution på företagsnivå?

Vi arbetade på den yttersta kanten som ett operativsystem inom den öppna källkodsgemenskapen. Det tvingade mig att djupt förstå de verkliga begränsningarna våra kunder stod inför med digital transformation. Där hade vi ett världsklassigt ingenjörsteam från Cisco, Sun Microsystems, Juniper, Arista, men det lärde mig också hur viktigt det är att para den tekniska excellensen med en stark företagsmarknadsstrategi.

Från riskkapitalssidan fick jag en annan sorts insikt. Jag såg hur djup teknikföretag skalar, långsammare till en början, men snabbare när du bygger på en stark grund. Det lärde mig att tänka i system: marknadstid, produktberedskap, kundmognad och kapitalstrategi måste alla stämma överens. Det är den linsen jag förde in i AI-distributionen på AI Squared. Det handlar inte om att leverera modeller, det handlar om att leverera resultat som företag kan lita på, mäta och skala.

AI Squared betonar att man ska infoga AI i system som människor redan använder. Vad innebär det att lösa den “sista milen” av AI i praktiken?

87% av AI-projekt når aldrig produktion eftersom integrationen är långsam, komplex och kopplad från slutanvändare. AI Squared löser detta genom att skapa en nationell säkerhetsklassad dataintegrationspipeline som kopplar AI/ML-modeller med datakällor som Databricks eller Snowflake och system som dessa företag redan använder, såsom CRM, ERP och anpassade appar.

Hur hjälper din plattform till att överbrygga gapet mellan datavetenskapsteam och företagsanvändare?

AI Squared förenklar överlämnandet från modellutveckling till produktion. Datavetenskapsteam kan distribuera modeller säkert genom vår plattform, medan företagsanvändare får insikter inom verktyg de redan använder, som Salesforce, Teams, Slack eller andra system för registrering av program.

Du arbetar med NSA, den amerikanska flottan och andra federala myndigheter. Hur påverkar prioriteringar som regelefterlevnad, transparens och etisk användning AI Squareds produktväg?

Etik, regelefterlevnad och transparens är de främsta övervägandena på vår produktväg. Vi vet från att arbeta med federala myndigheter att vi måste prioritera spårbarhet, granskning och förklarbarhet. Vi bygger med principer för nolltillit, stöd för säkra distributionsmiljöer och tydliga styrmodeller.

Vilken roll tror du att diskriminerande AI spelar för att förbättra beslutsfattandet för federala myndigheter?

Diskriminerande AI är exakt, tolkningsbar och effektiv. Den är idealisk för högriskmiljöer där man behöver tydliga svar, ja eller nej, hot eller inte hot. Inom federala myndigheter möjliggör detta snabbare triage, riskdetektering och prioritering. Den kompletterar generativa modeller genom att erbjuda strukturerade, validerade utdata som stöder kritiskt beslutsfattande.

När det gäller nationell säkerhet, var ser du den största risken – och möjligheten – för AI-antagande?

Den största risken är ohanterad autonomi, distribution av AI-system utan transparens, tillsyn eller säkerhetsåtgärder. Möjligheten ligger i att påskynda situationsmedvetenhet och beslutsfart. AI kan gå igenom stora mängder data i realtid för att identifiera mönster som människor kan missa. Men för att förverkliga det värdet måste det vara tillförlitligt, spårbart och integrerat med mänskliga system.

Vilka är några av de vanligaste misstagen företag gör när de distribuerar GenAI?

Det största misstaget är att fokusera på nyheterna snarare än nödvändigheten. För många företag distribuerar GenAI utan en tydlig användningsfall, styrplan eller framgångsmått. Det leder till pilottrötthet, oskalabara prototyper och förtroendeproblem. GenAI är kraftfullt, men som alla tekniker behöver det vara anpassat till problemet, användaren och arbetsflödet.

Kan du dela ett exempel där AI Squared hjälpte ett företag att undvika “shiny object syndrome” och istället leverera mätbara resultat?

Ett företag kom in och ville bygga en anpassad LLM för att klassificera kundtjänstbiljetter. Vi visade dem hur en enkel, infogad klassificerare som distribuerades genom vår plattform kunde leverera 90% noggrannhet i deras CRM på mindre än två veckor. Inga nya gränssnitt, ingen anpassad utbildning. Det är kraften i att lösa rätt problem med rätt verktyg.

Vilka framväxande trender är du mest entusiastisk över inom företags AI under de kommande 3-5 åren?

Tre sticker ut:

1. LLM som är riktigt multimodala och fokuserade på specifika uppgifter
2. Agenta AI-system som tar åtgärder, inte bara genererar innehåll
3. Standardiserad styrning som möjliggör AI-antagande i reglerade branscher

Dessa trender driver AI mot att bli mer användbart, tillförlitligt och infogat i dagliga operationer.

Hur utvecklar AI Squared sin plattform för att hålla jämna steg med snabbt framskridande LLM och modell ekosystem?

Vi är modellagnostiska av design. Oavsett om det är en öppen källkodsmodell, en kommersiell LLM eller en proprietär diskriminerande modell, tillåter vår plattform organisationer att distribuera och hantera den säkert inom sina befintliga arbetsflöden. Vi fokuserar på orkestrering, versionskontroll och styrning, så att modellstacken kan utvecklas utan att störa användarupplevelsen.

Vad ser du som framgång för AI Squared i nästa kapitel under ditt ledarskap?

Framgång innebär att bli det standardiserade sättet företag och federala myndigheter operationaliserar AI. Det innebär att minska tiden till värde från månader till dagar, och att göra AI-distribution lika smidig och säker som att lansera en ny funktion. Under mitt ledarskap fokuserar vi på skala, förtroende och verkliga resultat, inte bara innovation för sin egen skull, utan påverkan där det betyder mest.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka AI Squared.