David DeSanto, VD för Anaconda – Intervjuserie

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

Nyligen var David Chief Product Officer på GitLab (GTLB ), 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 tillväxtföretag till ett börsnoterat, branschdefinierande ledande företag 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, tillhandahåller 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 i moln- och lokala miljöer. Med tiotals miljoner användare och antagande i en stor andel av Fortune 500-företagen, har det blivit en grundläggande komponent för modern AI-utveckling, med betoning på open-source-innovation, skalbarhet och säkra, reproducerbara arbetsflöden.

Du tillbringade nästan sex år på GitLab, varav över tre som deras Chief Product Officer, och hjälpte till att skala upp 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 – att skala team, produkter och intäkter på ett sätt som är hållbart. På GitLab växte vi till att betjäna tiotals miljoner användare, och att se GitLab Ultimate stå för mer än hälften av företagets intäkter visade hur viktigt det är att koppla produktvärde till långsiktig affekt.

Sedan är det 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 kundresponsen att börja. Att leverera verkligt värde snabbt är avgörande, men man måste fortfarande vara tänkande på hur man skalar. Det hänger nära samman med den tredje pelaren: kundfixering och att verkligen möta användarna där de är. Jag har tillbringat min karriär med att bygga utvecklar- och säkerhetsverktyg, och som tidigare utvecklare 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 göra företaget och dess erbjudanden bättre. Jag ser fram emot att bygga vidare 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, stödjer sina människor och levererar värde till våra kunder över alla dimensioner av verksamheten. Dessa är de principer jag syftar till att bygga vidare på här.

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

Jag berättar för alla att det fanns fyra skäl till varför jag var entusiastisk över 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 den grund som teamet har byggt kommer att ge oss möjlighet att forma vad som kommer härnäst i den AI-nativa eran!

Sedan, 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 entusiastiska.

Och slutligen, möjligheten. Detta är vad som till slut avgjorde 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 är vad som lockade mig.

Open source driver majoriteten av modern AI-utveckling, men många företag kämpar fortfarande med 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 kod som är dold, eftersom endast utvalda personer kan se den. Detta är som en struts som sticker huvudet i sanden för att gömma sig. Open-source-kod är det motsatta. 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 detta. Våra kärnkvaliteter och Python-ekosystem är open source, eftersom det är det bästa sättet för team att komma igång och innovativa snabbt. Ovanpå detta lager vi företagsklassiga funktioner, vilket ger organisationer styrning, säkerhet och tillförlitlighet som de behöver för att använda open source i stor skala.

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

Många organisationer har kört piloter. Några har solida bevis för konceptprojekt, och andra har ett antal 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 fastnar – och det är inte för att tekniken inte fungerar.

Demon visar nästan alltid bra, men problemet visar sig när man försöker reproducera demon i företags skala. Plötsligt hanterar man frågor om datastyrning, säkerhetsproblem, tillförlitlighetsfrågor 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-succés är inte förmåga, utan infrastruktur och processmognad. De organisationer som drar ifrån 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 man konkurrensfördelar genom att ta bort flaskhalsar. Detta är inte bara ett tekniskt mål, utan ett affärsimperativ 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 tar du med dig den säkerhetsförsta inställningen till Anacondas strategi kring beroendehantering, miljöreproducerbarhet och leverantörskedjerisk?

Min väg in i säkerhet började inom hälsovården, där jag såg exakt vad som ansågs “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, ökar säkerhetsriskerna 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. Där fokuserar vi. Vi bygger djupare säkerhetsfunktioner inom miljöhantering, ytterligare styrning kring AI-paket utanför Python-ekosystemet och hjälper till att minska risk med AI-modeller genom säkerhetsskanning av deras hållning. 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 skepsis kring AI-avkastning, tillsammans med en ökning av experiment och “vibe coding”. Hur skiljer du på produktivt experiment och företagsklara AI-system som faktiskt levererar mätbar värde?

Detta år kan faktiskt vara det första då AI-avkastning mäts väl. Alla i branschen behandlar “effektivitet” som tid som sparas, men det är inte den bästa topp-KPI. 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 minskad 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 utvecklas när organisationer flyttar från experiment till fullt styrda, produktionsskala-AI-system?

Python är det främsta språket för AI, och medan jag inte förväntar mig att det kommer att förändras inom kort, fluktuerar språk alltid i popularitet. Organisationer behöver verktyg som utvecklas och naturligt hanterar underliggande prestanda- och skalbarhetsproblem, vilket möjliggör för AI-agenter att skapa företagsklassiga 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 bäst kommer att positionera dem för att navigera i den ständigt utvecklande lexikon av kodningsspråk som driver AI: s infrastruktur.

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

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 som kommer att bromsa innovation. Företags-AI behöver AI-nativa utvecklingsprinciper där AI-modellen är den primära komponenten som driver versionering och allt annat runt den är sekundärt.

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

Med Anacondas nyliga finansiering och företagsdriv, vad är dina närmaste 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 data science-verktyg 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 att flytta oss närmare 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 börsnoterat 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 verkligen våra kunder mer framgångsrika? Ledare kan säga att en ny produkt behövs när i själva verket det bara kan vara att förbättra det du redan har (göra en produkt mer användarvänlig, till exempel), och sedan får du det resultat 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.