David DeSanto, VD för Anaconda – Intervju-serie

David DeSanto är verkställande direktör för Anaconda, där han leder företagets mission att ge världens data science- och AI-samhällen möjlighet att använda open-source-innovation och säkra företagslösningar. Som en erfaren produkt- och teknikchef har David mer än två decenniers erfarenhet inom cybersäkerhet, utvecklarplattformar och företagsprogramvara.

Som mest nyligen var David Chief Product Officer på GitLab, där han ledde den globala produktorganisationen i att leverera en omfattande, AI-nativ DevSecOps-plattform med mer än 50 miljoner registrerade användare världen över. Under sina sex år med företaget hjälpte han till att förvandla GitLab från ett högt växande startup till ett publikt handlat, branschdefinierande ledare inom DevOps-plattformskategorin.

Anaconda är en ledande open-source-plattform för data science, maskinlärning och artificiell intelligens, byggd kring Python-programmeringsspråket och används av både enskilda utvecklare och stora företag. Ursprungligen lanserad 2012 erbjuder den en omfattande miljö som inkluderar verktyg för kodning, pakethantering via Conda och tillgång till tusentals förbyggda bibliotek som NumPy, pandas och TensorFlow, vilket möjliggör för användare att utveckla, testa och distribuera AI-modeller effektivt.

Med tiden har Anaconda utvecklats till en fullständig företags-AI-plattform som hjälper organisationer att hantera hela AI-livscykeln – från källa och säkerhet för open-source-paket till byggnad, styrning och distribution av applikationer över moln- och lokala miljöer. Med tiotals miljoner användare och antagande över en stor andel av Fortune 500-företagen har den blivit en grundläggande skikt för modern AI-utveckling, med betoning på open-source-innovation, skalbarhet och säkra, reproducerbara arbetsflöden.

Du tillbringade nästan sex år på GitLab, över tre som deras Chief Product Officer, och hjälpte till att skala en AI-nativ DevSecOps-plattform till tiotals miljoner användare. Hur har den erfarenheten format dina prioriteringar nu som VD för Anaconda, och vad känns fundamentalt annorlunda med att leda ett företag jämfört med att leda en produkt?

Min tid på GitLab förstärkte verkligen några principer som nu är centrala för hur jag närmar mig Anaconda. Först är ansvarsfull tillväxt – skalning av team, produkter och intäkter på ett sätt som är hållbart. På GitLab växte vi för att betjäna tiotals miljoner användare, och att se GitLab Ultimate stå för mer än hälften av företagets intäkter visade hur viktigt det är att anpassa produktvärdet till långsiktig affekt.

Andra är en inställning av resultat och effektivitet över process och struktur. Det är okej att leverera något som är tillräckligt bra och visar riktning för att få kundfeedbackens hjul i rörelse. Att leverera verkligt värde snabbt är av avgörande betydelse, men du måste fortfarande vara tankeväckande om hur du skalar. Det hänger nära samman med den tredje pelaren: kundfixering och verkligen möta användarna där de är. Jag har tillbringat min karriär med att bygga utvecklar- och säkerhetsverktyg, och som en tidigare utvecklare själv vet jag hur mycket bra (eller dålig) verktyg kan påverka produktivitet och tillfredsställelse.

Och slutligen, transparens med syfte. Detta kärnvärde för Anaconda har möjliggjort för alla parter att delta och samarbeta för att förbättra företaget och dess erbjudanden. Jag ser fram emot att ytterligare bygga på detta värde för att säkerställa att vi ger vår gemenskap vad de behöver för att vara framgångsrika.

Som VD är du ansvarig för hela systemet – strategi, kultur, verksamhet och resultat. Jag är fortfarande djupt kopplad till produkten, men jag tänker bredare och längre. Jag måste säkerställa att företaget växer ansvarsfullt, stöder sina medarbetare och levererar värde till våra kunder över alla dimensioner av verksamheten. Detta är de principer jag syftar till att fortsätta bygga på här.

Vad motiverade dig personligen att gå in i VD-rollen på Anaconda, och vad övertygade dig om att detta var rätt plattform för att bygga nästa kapitel i företags-AI?

Jag berättar för alla att det fanns fyra skäl till varför jag var spänd på att gå med i Anaconda som VD. Först, tekniken. Som utvecklare har jag varit bekant med och använt Anaconda under lång tid. Jag vet hur kraftfullt det är och kan vara. Plattformen möjliggör redan så mycket, och grunden som teamet har byggt kommer att ge oss möjligheten att forma vad som kommer härnäst i den AI-nativa eran!

Andra, gemenskapen. Jag tror djupt på kraften i den open-source-gemenskapen. Få företag har en gemenskap som är så bred och engagerad som Anacondas.

Tredje, människorna. Det är sällsynt att hitta den här nivån av ledarskap på en plats. Ledningsgruppen är exceptionell, och deras passion är äkta. Vi bygger framtiden med open source och AI, och att vara en del av något så meningsfullt och påverkande har oss alla genuint spända.

Och slutligen, möjligheten. Detta är vad som slutligen gjorde beslutet för mig. Anaconda sitter i centrum för att göra AI mer tillgängligt, hjälpa företag att bygga, säkra, distribuera och övervaka AI i stor skala. När du kombinerar världsklass-teknik, en livlig gemenskap och ett team som detta, får du en sällsynt chans att forma hur AI och data science byggs och används. Det var det som drog mig in.

Open source driver den stora majoriteten av modern AI-utveckling, men många företag kämpar fortfarande för att lita på det i stor skala. Varför tror du att open source förblir den mest kraftfulla grunden för AI, och var tror du att det är mest missförstått?

Det finns en vanlig missuppfattning att den mest säkra koden är koden som är dold, eftersom bara utvalda personer kan se den. Detta är som en struts som sticker huvudet i sanden för att gömma sig. Open-source-programvara är motsatsen till det. Open source är transparent, välkomnar alla att bidra och ger organisationer runt om i världen en högre uppsättning ögon som säkerställer att koden är säker och fungerar som förväntat.

Vi har inte sett en teknik som snabbt mognar som AI har mognat. För att AI ska fortsätta accelerera behöver du modern kod som rör sig så snabbt som möjligt. Open source gör detta, och det är därför det är grunden för modern AI-utveckling.

På Anaconda lutar vi oss mot det. Våra kärnförmågor och Python-ekosystem är open source, eftersom det är det bästa sättet för team att komma igång och innovativa snabbt. Ovanpå det lägger vi till företagsklassiska funktioner, vilket ger organisationer den styrning, säkerhet och tillförlitlighet de behöver för att använda open source i stor skala.

AI-misslyckande i företaget förblir högt, särskilt med generativ AI-piloter. Från din synvinkel, vad är de grundläggande orsakerna till att dessa initiativ stannar, och hur kan infrastrukturval göra eller bryta långsiktig framgång?

Många organisationer har sprungit piloter. Vissa har solida bevis för konceptprojekt, och andra har en handfull internbyggda verktyg som verkligen sparar team tid. Men mycket få har flyttat AI till riktigt produktion som körs över hela företaget. Det finns en stor skillnad mellan “vi experimenterar” och “så här arbetar vi nu”. Det är där de flesta företag är fast – och det är inte för att tekniken inte fungerar.

Demon visar nästan alltid bra, men problemet visas när du försöker reproducera demon i företagsstor skala. Plötsligt hanterar du datagovernance-frågor, säkerhetsproblem, tillförlitlighetsproblem och ett grundläggande förtroendeproblem: Kommer den här applikationen att fungera tillförlitligt och hålla vår data säker? Dessa problem visas inte i demon och blir därför en eftertanke för företag.

Barriären till AI-succes är inte förmåga, utan infrastruktur och processmognad. De organisationer som drar ifrån sig är de som väljer att investera i moderna grunder där förtroende och hastighet samexisterar och där inbyggd säkerhet och styrning accelererar snarare än hindrar. Fragmenterade verktygskedjor och miljöer tvingar dig att välja mellan de två, men modern, enhetlig infrastruktur och moderna AI-processer låter dig ha båda. Idag skapar du din konkurrensfördel genom att ta bort flaskhalsar. Detta är inte bara ett tekniskt mål; det är ett affärsmässigt krav för att konkurrera och överleva på dagens marknad. Framgång kommer att öka för de som investerar i säkerhet och styrning från grunden.

Du har lett team över cybersäkerhet, produkt och utvecklarplattformar. Hur för du in en säkerhetsförst-inställning i Anacondas strategi kring beroendehantering, miljöreproducerbarhet och leverantörskedjerisk?

Min väg in i säkerhet började inom hälso- och sjukvård, där jag såg exakt vad som ansågs vara “säkert” vid den tiden. Jag blev fullständigt indragen i säkerhet och det blev en passion. När AI-arbetsbelastningar, modeller, agenter och integrationer blir mer komplexa, förökas säkerhetsrisker snabbare än styrning kan hålla jämna steg. Och även när säkerhetsrisken hanteras, blir miljön i sig ett hinder.

Säkerhet och regelefterlevnad med AI är utmanande, särskilt att få verklig insikt i risk över utveckling och produktion. Det är där vi fokuserar. Vi bygger djupare säkerhetsförmågor inom miljöhantering, ytterligare styrning kring AI-paket utanför Python-ekosystemet och hjälper till att minska risk med AI-modeller genom säkerhetsskanning av deras postur. Målet är enkelt: hjälpa organisationer att flytta snabbare med AI samtidigt som de upprätthåller den synlighet, integritet och motståndskraft de behöver för att lita på det i stor skala.

Det finns en växande skepticism kring AI-avkastning, tillsammans med en ökning av experiment och vibe-kodning. Hur skiljer du på produktivt experiment och företagsklara AI-system som faktiskt levererar mätbar värde?

Detta år kan faktiskt vara det första året som AI:s avkastning mäts väl. Alla i branschen behandlar “effektivitet” som tid som sparas, men det är inte den bästa topp-KPI:n. Organisationer som tar sig tid att skapa anpassade KPI:er direkt kopplade till vad som är viktigast för dem kommer att ha bättre resultat. Detta kan vara reducerad tid i kodgranskning för utvecklingsteamet eller kvaliteten på lead-generering för go-to-market-teamet. Tid i sig och mätning av tokenkonsumtion signalerar inte direkt effektivitet.

Anaconda sitter i centrum för Python-baserad AI-utveckling. Hur ser du på rollen för Python-miljöer som utvecklas när organisationer flyttar från experiment till fullt styrda, produktionsklassiga AI-system?

Python är det främsta språket för AI, och jag förväntar mig inte att det kommer att ändras inom en snar framtid, men språk kommer alltid att ebba och flöda i popularitet. Organisationer behöver verktyg som utvecklas och naturligtvis hanterar underliggande prestanda- och skalbarhetsproblem, vilket möjliggör för AI-agenter att skapa företagsklassiska applikationer och tjänster. Jag förväntar mig att organisationer kommer att börja investera i universella byggstenar som accelererar AI-värde och antagande. Det är vad som kommer att bäst positionera dem för att navigera i den evigt föränderliga lexikon av kodningsspråk som driver AI:s infrastrukturlager.

Du har arbetat nära med reglerade branscher och säkerhetsmedvetna företag i det förflutna. Vad ser företagsklassig AI-styrning ut i praktiken, bortom policysdokument och regelefterlevnadslistor?

Företags-AI och AI-nativa applikationer är något helt annat än traditionell programvaruutveckling. När du behandlar AI som traditionell utveckling, slutar du med trasig säkerhet och styrning, vilket kommer att bromsa innovation. Företags-AI behöver AI-nativa utvecklingsprinciper där AI-modellen är den primära komponenten som driver versionering och allt annat runt omkring är sekundärt.

AI-styrning är skillnaden mellan att skala framgångsrikt och att stanna av. Företagsklassig AI-styrning är vad som händer när ansvarsfulla AI-nativa principer översätts till genomförbara plattforms kontroller, tydligt ansvar och kontinuerlig spårbarhet och härkomst av alla AI-komponenter. Det går utöver policys och checklistor som fungerade i DevOps-praxis.

Med Anacondas nyliga finansiering och företagspush, vad är dina närhetens tillväxtprioriteringar, och var investerar du mest aggressivt under de kommande 12 till 18 månaderna?

Vårt mål är tydligt: Anaconda kommer att vara den föredragna företags-AI-nativa utvecklingsplattformen för att bygga, säkra och distribuera AI-nativa applikationer och tjänster. Våra kunder fortsätter att förändras för att möta sina behov, och vi förändras med dem. Detta är varför vi inte bara är ett verktyg för data science längre, utan en omfattande plattform för företags-AI. Varje investering, antingen i produkt, partnerskap eller förvärv, kommer att utvärderas mot en enda fråga: “Kommer detta närmare oss till att vara plattformen som företag behöver för att vara framgångsrika i den nya AI-nativa världen?” Vi är ett kundfixerat företag, och allt vi gör är för våra kunder.

Som någon som har hjälpt till att skala ett publikt handlat utvecklarplattform, vad har du lärt dig om att bygga för praktiker samtidigt som du betjänar CTO:er, CIO:er och chefs AI-officerare på den verkställande nivån?

Framgång kommer alltid tillbaka till kunden och stödjer de resultat de försöker uppnå. Det låter enkelt, men det är lätt för team att fastna i interna mått (hur många timmar gick till ett projekt, om en lansering träffar fördefinierade mål) snarare än att ställa en viktigare fråga: Gör detta faktiskt våra kunder mer framgångsrika? Ledare kan säga att en ny produkt behövs, när i själva verket kan det bara vara att förbättra vad du redan har (göra en produkt mer användarvänlig, till exempel), och då får du resultatet du har letat efter. Om kunderna är nöjda och framgångsrika, då är vi alla nöjda och framgångsrika.

Tack för den underbara intervjun. Läsare som vill lära sig mer bör besöka Anaconda.