Dominic Sartorio, VP of Product Marketing på Denodo – Intervju-serie

Dominic Sartorio är VP of Product Marketing på Denodo. Dominic har över 20 års erfarenhet av datahantering och styrning, med olika produkt- och marknadsledningsroller på Informatica, Protegrity och andra ledande leverantörer.

Denodo är en global ledare inom datahantering, som möjliggör tillförlitliga AI-agenter och applikationer. Denodo-plattformen, en prisbelönt logisk datahanteringslösning, omvandlar företagsdata till tillförlitliga insikter för AI, analys och självbetjäningsinitiativ. Organisationer över hela världen använder Denodo för att leverera AI-klara, företagsklara data på en bråkdel av den tid som traditionella data lakehouses kräver, och uppnår upp till 4 gånger snabbare tid till insikt, 345 % ROI och 10 gånger bättre prestanda. Baserat på insikter från 850 företagsledare avslöjar Denodos AI Trust Gap Report varför många AI-projekt kämpar för att gå utöver pilotstadiet och vad organisationer måste göra för att bygga tillförlitliga, produktionsklara AI.

Du har haft seniora ledningsroller på företag som Informatica, Protegrity, Infoworks och nu Denodo, alla fokuserade på olika lager av företagsdatainfrastruktur. Hur har din syn på “tillförlitlig data” utvecklats när AI har förskjutits från analys till autonoma och agenterande system?

Tidigare i min karriär handlade tillförlitlig data i huvudsak om noggrannhet, ursprung, säkerhet och att ge analytiker förtroende för instrumentpaneler och rapporter. Med agenterande AI är insatserna mycket högre eftersom systemen inte bara tolkar data, utan också kan agera autonomt, utlösa affärsflöden eller fatta beslut med verklig världseffekt. Det innebär att tillförlitlig data nu också måste omfatta levande operativ kontext, konsekvent affärsmässig betydelse och skyddsräcken som säkerställer att agenter agerar korrekt och säkert.

Denodos AI Trust Gap Report fann att 66 % av organisationerna anser att AI-data måste vara realtids- eller nära realtidsdata för att vara tillförlitliga. Varför tror du att så många företag fortfarande kämpar för att leverera levande operativa data till AI-system?

De flesta företag var inte utformade för AI-agenter som behöver levande situationsmedvetenhet över många system. Deras data är spridda över applikationer, moln, lagerhus, lakehouses, legacy-system och andra operativa plattformar. De kan kopiera denna data till ett centralt lager eller data lake för analys och BI, men detta är inte lämpligt för AI-agenter som behöver levande situationsmedvetenhet. När data kopieras är den inte längre levande. Det är möjligt att strömma i realtid, men detta blir mycket dyrt mycket snabbt. Det är precis här Denodos logiska datahanteringsapproach blir viktig, eftersom den ger AI-systemen styrda tillgång till levande data utan att företag behöver konstant kopiera och omplattformera allt.

En av de mest slående resultaten i rapporten är att företags AI-initiativ nu hämtar data från hundratals källor, med vissa organisationer som får tillgång till mer än 1 000. Hur förändrar denna nivå av fragmentering sättet företag bör tänka på AI-arkitektur?

På denna nivå av fragmentering kan arkitekturen inte bero på att fysiskt konsolidera varje källa innan AI kan använda den. Företag behöver en abstraktionslager som kan upptäcka, integrera, styra och leverera data över den distribuerade verklighet de redan har. Enligt min mening måste dataarkitekturen bli mer logisk, metadata-driven och semantisk, så att agenter kan hitta rätt data i kontext utan att vara tätt kopplade till underliggande system.

Rapporten hävdar att många AI-misslyckanden i själva verket är “dataarkitekturmisslyckanden” snarare än modellmisslyckanden. Tror du att branschen har lagt för mycket tid på att fixera modeller medan man underskattar vikten av datainfrastruktur?

Ja. Modeller är viktiga, naturligtvis, men många misslyckade AI-projekt misslyckas inte för att modellen är oförmögen; de misslyckas för att modellen opererar med ofullständig, föråldrad, inkonsekvent eller dåligt styrda data. Modellen fungerade utmärkt i piloten, med en väldefinierad och kuraterad datamängd, men när den distribuerades i “verkliga världen”, med dess distribuerade röra, misslyckades AI med att producera tillförlitliga resultat. Min erfarenhet har varit att företag får mycket bättre AI-resultat när de behandlar data-lagret som en första-klass-del av AI-arkitekturen, inte som en eftertanke.

Denodo talar ofta om semantisk konsekvens och vikten av ett universellt semantiskt lager. När AI-agenter börjar fatta beslut autonomt, hur kritiskt blir semantisk justering för att förhindra felaktiga åtgärder eller hallucinerad affärslogik?

Semantisk justering blir absolut kritisk. Om ett system definierar “kund”, “intäkt”, “risk” eller “avhopp” annorlunda än ett annat, kan en AI-agent producera ett tekniskt plausibelt svar som ändå är fel i den givna affärskontexten. Ett universellt semantiskt lager hjälper till att säkerställa att agenter opererar med konsekvent affärsmässig betydelse, inte bara rådataåtkomst.

Ditt AI & Big Data Expo-seminarium fokuserade på att gå från AI-piloter till produktion. I din erfarenhet, vad är de största anledningarna till att företag fastnar i “pilotfasen” och inte kan skala AI till riktiga operativa system?

Piloter fungerar ofta eftersom de är smala, manuellt kuraterade och isolerade från den fulla komplexiteten i företaget. Produktions-AI måste hantera levande data från många källor, säkerhet, styrning, prestanda, granskning, ändrade affärsregler och integration i riktiga arbetsflöden. Många organisationer fastnar eftersom de bygger en imponerande demo, men inte den styrda data-grund som behövs för att driva AI pålitligt i stor skala.

Rapporten citerar förutsägelser att en betydande andel agenterande AI-projekt kan avbrytas under de närmaste åren på grund av eskalerande kostnader, oklar värde eller otillräckliga riskkontroller. Tror du att branschen går in i en fas där företag kommer att bli mycket mer selektiva om vilka AI-projekt som överlever?

Ja, och jag tror att det är hälsosamt. Den första vågen av AI-experiment var om möjlighet; den nästa vågen kommer att handla om operativt värde, kostnadskontroll och tillit. De projekt som överlever kommer att vara de som är kopplade till mätbara affärsresultat och stöds av rätt data, styrning och arkitektur.

Säkerhet och styrning förekommer genom hela rapporten som återkommande teman, särskilt kring “skyddsräcken” för agenterande AI. Hur bör organisationer balansera autonom AI-förmåga med behovet av strikt åtkomstkontroll och granskning?

Nyckeln är att inte behandla styrning som något som monteras på efter att AI-systemet är byggt. Åtkomstkontroll, policytvingning, ursprung och granskning behöver vara inbäddade i dataåtkomstlagret i sig, så att AI-agenter bara ser och använder den data de är auktoriserade att komma åt. Med Denodo kan samma styrningsprinciper tillämpas konsekvent över distribuerade källor, vilket är avgörande när AI opererar över hybrid- och multi-molnmiljöer.

Denodo positionerar logisk datahantering som ett sätt att unifiera åtkomst över hybrid- och multi-molnmiljöer utan att konstant flytta data. När företag alltmer antar återställningsbaserade AI-arkitekturer, ser du “noll-kopia” eller logisk-först-arkitekturer som den långsiktiga riktningen för företags-AI?

Ja. Återställningsbaserad AI är beroende av att få rätt data vid rätt tidpunkt, inte nödvändigtvis flytta varje datamängd till ett enda lager i förväg. En logisk-först, noll-kopieringsansats är mycket bättre anpassad till hur företag faktiskt opererar: data förblir distribuerad, men AI kan komma åt den genom ett styrt, semantiskt, realtidslager. Det är den riktning jag tror att företags-AI måste gå.

Om vi ser framåt de närmaste tre till fem åren, vad tror du kommer att skilja organisationer som framgångsrikt operationaliserar tillförlitlig AI från de som förblir fast i experimentfasen?

Vinnarna kommer att vara organisationerna som erkänner att AI inte bara är en modellstrategi; det är en datastrategi, en styrningsstrategi och en driftsättningsstrategi. De kommer att investera i levande dataåtkomst, semantisk konsekvens, återanvändbar styrning och arkitekturer som kan omfatta hela företaget. De som fortsätter att bygga isolerade piloter på fragmenterad eller föråldrad data kommer att kämpa för att gå utöver experiment.

Tack för det utmärkta intervjun, läsare som vill lära sig mer kan besöka Denodo eller ladda ner Denodos AI Trust Gap Report