Fred Laluyaux, medgrundare och VD för Aera Technology – Intervju-serie

Fred Laluyaux, medgrundare, president och VD för Aera Technology, är en erfaren företagsprogramvaruexekutiv som har byggt och lett företag vid skärningspunkten mellan analys, automatisering och beslutsfattande. Innan han grundade Aera var han VD för Anaplan och hade flera seniora ledningsroller på SAP, som omfattade finans, prestandahantering, risk, försäljning och företagsutveckling. Tidigare i sin karriär arbetade han i ledande befattningar på Business Objects och ALG Software, och grundade Transcribe Technologies, vilket gav honom årtionden av erfarenhet av att skala globala programvaruföretag och översätta komplexa data till affärsresultat.

Aera Technology utvecklar AI-drivna beslutsintelligensprogramvaror som är utformade för att hjälpa stora företag att operera med större hastighet och precision. Företagets plattform analyserar kontinuerligt data från hela organisationen och dess yttre miljö, och omvandlar insikter till rekommenderade och automatiserade åtgärder i realtid. Genom att fokusera på beslut snarare än instrumentpaneler syftar Aera till att hjälpa organisationer att flytta från reaktiv analys till proaktiv, kontinuerligt förbättrad verksamhet.

Du har grundat och lett flera företagsprogramvaruföretag, från dina tidiga dagar med att bygga Transcribe Technologies till att driva Anaplan och nu medgrundat Aera Technology. Vilket problem såg du i stora företag som övertygade dig om att beslutsintelligens behövde existera som en egen kategori, och varför var 2017 rätt ögonblick att bygga Aera?

Jag har arbetat med det här problemet i över ett decennium — långt innan Aera existerade. 2010, medan jag var på SAP, skrev jag en rapport om vad jag trodde skulle bli den största utmaningen för stora företag: att fatta och verkställa beslut tillräckligt snabbt för att hålla jämna steg med digitaliseringen av ekonomin.

Tre krafter kolliderade — volym, komplexitet och hastighet. Beslut flyttades till en mycket finare granularitet, närmare påverkanspunkten, men företagen var fortfarande strukturerade som djupa pyramider av människor, verktyg och processer som enkelt inte kunde skala.

Den riktiga frågan blev: hur kan man bringa teknologins kraft ner till den transaktionsnivå? Inte bara insikter eller instrumentpaneler, utan maskiner som verkställer beslut, kontinuerligt lär av alla beslut som fattas, och med människor i kontroll.

Såsom 2017, vi var tidiga. Marknaden var inte fullt ut redo, och inte heller var vi. Det är naturen hos ett startup: du börjar med en tydlig vision och bygger tidigt så att du är redo när marknaden mognar. I Aeras fall tog det några år. Och COVID-19 hjälpte inte. Men det har varit fascinerande att se att vår kärnvision har förblivit sann till sin ursprungliga formulering medan både plattformen och marknaden utvecklats till den punkt där Aera nu leder beslutsintelligenskategorin och arbetar med några av världens största organisationer.

Det pågår en hel del diskussion idag kring AI-agenter, men du har varit tydlig med att insikter ensam inte räcker. Hur förklarar du skillnaden mellan analys, AI-assisterade rekommendationer och verklig beslutsintelligens för CIO:er som försöker skära igenom bruset?

Traditionell analys och business intelligence-verktyg berättar vad som hände. AI kan hjälpa till att förutsäga vad som kan hända. AI-assisterade rekommendationer föreslår alternativ men de förlitar sig fortfarande på människor för att fatta och verkställa beslut.

Beslutsintelligens går utöver statiska instrumentpaneler eller engångsrekommendationer. Den fungerar som en kontinuerlig inlärningsloop för att accelerera och förbättra beslut — med hjälp av data, analys, AI och automatisering för att utvärdera avvägningar, simuleringscenarier och verkställa och övervaka åtgärder i realtid, i linje med affärsmål.

Medan AI kan hjälpa team att förutsäga efterfrågan eller optimera arbetsflöden, bestämmer beslutsintelligens hur man ska agera på dessa insikter. Den balanserar kostnad, risk, servicenivåer och operativa begränsningar över hela företaget i skala.

Aera beskrivs ofta som att möjliggöra det självkörande företaget. I praktiska termer, vad ser det ut som i ett stort företag, och vilka beslut är realistiskt redo för den här nivån av automatisering idag?

När vi pratar om det självkörande företaget, är detta inte autonomi utan kontroll. Från dag ett var vår vision att flytta från människor som fattar och verkställer beslut som stöds av maskiner, till maskiner som verkställer beslut som styrs av människor — med tydlig avsikt, begränsningar och ansvar.

I praktiken fungerar Aera som en beslutsagent. Den förstår kontinuerligt data, upptäcker utlösare, utvärderar avvägningar, rekommenderar åtgärder och verkställer beslut direkt i företagssystem. Med Aera hanterar människor inte instrumentpaneler; de styr beslut, ofta genom en enkel godkänn-eller-avslå-interaktion.

De beslut som är redo för den här nivån av automatisering idag är högvolym och upprepningsbara — lageromställning, inköpsordningsprioritering, parameterändringar — där hastighet är viktig och manuell samordning skapar den största ineffektiviteten.

Du har arbetat nära med globala företag över leveranskedja, finans och verksamhet. Var ser CIO:er de snabbaste och mest påtagliga avkastningarna från beslutsintelligens, antingen i form av arbetskapital, servicenivåer eller avfallsminskning?

CIO:er ser de snabbaste och mest påtagliga avkastningarna från beslutsintelligens där beslut är högvolym, upprepningsbara och begränsade av kostnad, kapacitet eller servicenivåavvägningar. I leveranskedja och verksamhet inkluderar detta ofta lageromställning, inköpsordningsprioritering och logistik. Detta är där automatiserad verkställighet i skala driver mätbara vinster i arbetskapital, servicenivåer och avfallsminskning.

Till exempel använder ett globalt life science-företag beslutsintelligens för att kontinuerligt övervaka efterfrågan och justera inköpsorder — automatiskt begära leverantörsavbokningar eller minskningar, validera svar och bekräfta ändringar. Denna funktion levererar mer än miljoner i årlig avfallsminskning, samtidigt som den minskar lastbilsmil och associerade växthusgasutsläpp (GHG).

Många företag kämpar redan för att operationalisera AI-modeller i skala. Vilka är de vanligaste blockeringarna du ser när organisationer försöker flytta från insiktsgenerering till automatiserad beslutsverkställighet?

Utmansningar uppstår ofta när team börjar med att experimentera med fristående AI-verktyg. De kan automatisera ett enda arbetsflöde men kämpa för att operationalisera beslut konsekvent över hela verksamheten. Utan en sammansatt, ändamålsenlig beslutsplattform är dessa ansträngningar svåra att styra, skala eller anpassa när förhållandena ändras.

En annan vanlig blockering är brist på tydlighet kring var beslutsfattandet bryter samman. Företag investerar i AI och förutsägelse men kan inte identifiera varför lager byggs upp, prognoser missar eller logistik underpresterar. Fragmenterad synlighet över beslut förvärrar problemet.

Team som lyckas börjar med ett tydligt, högpresterande användningsfall där avvägningar är förstådda, bygger förtroende genom rekommendationer och verkställighet och automatiserar gradvis. Därifrån kan de skala när beslut kontinuerligt anpassas och förbättras över tid.

Agentic AI blir alltmer ett buzzword i branschen. Hur ser du att agenter passar in i beslutsintelligensplattformar, och var behöver företag vara försiktiga med autonomi kontra mänsklig tillsyn?

I beslutsintelligens lägger agenter till mest värde när de är inbäddade i ett övervakat beslutssystem — inte opererar i isolering. Med Aera Decision Cloud-plattformen fungerar agenter som samordnade team, var och en bidrar med en specifik förmåga: simulerar scenarier; integrerar realtidsignaler; validerar genomförbarhet; bedömer ekonomisk påverkan; och verkställer åtgärder — allt orkestrerat kring ett enda beslut.

Där företag behöver vara försiktiga är autonomi utan styrning. I praktiken är agenter alltid guidade av människor. Mänskliga team ställer in parametrar och mål, övervakar prestanda, testar antaganden och hanterar datakvalitet från ett kontrollrumsmiljö. Systemet kan köra kontinuerligt, men människor styr hur beslut utvecklas. Den balansen är vad som gör agentic AI skalbar, pålitlig och säker i företaget.

Förtroende är avgörande när beslut påverkar intäkter, kunder eller regelefterlevnad. Hur säkerställer Aera att beslut är förklarliga, granskningsbara och försvarbara, särskilt i reglerade miljöer?

Förtroende börjar med transparens. För varje beslut fångar Aera hela sammanhanget — de data som används, rekommendationen, logiken bakom det, beslutet som fattas och resultatet. När systemet körs och uppdateras övervakar och mäter det beslutsresultat för att kontinuerligt förbättra beslutsfattandet.

Vi kallar detta auto-beslutsinlärning. Baserat på beslutsprestanda beräknar Aera förtroendepoäng för rekommendationer — förklarar roten till orsakerna, avvägningar och förväntad påverkan. En användare kan se en rekommendation med en tydlig motivering och en 92% förtroendepoäng.

Denna metod är autonom men övervakad. Genom plattformens Beslutsintelligensnätverk, som fungerar som ett centraliserat kontrollrum, har användare full synlighet över beslut, åtgärder och resultat. De kan övervaka prestanda, testa antaganden, hantera datakvalitet och justera logik över tid.

Baserat på dina samtal med CIO:er, hur utvecklas rollen för människor när beslutsintelligenssystem mognar, och vilka färdigheter blir viktigare när maskiner tar på sig mer operativa beslut?

När beslutsintelligens mognar, försvinner inte rollen för människor — den flyttar uppåt i värdekedjan. Vi ser en förändring från människor som manuellt verkställer beslut till människor som utformar, styr och förbättrar beslut.

I många konsumentvaruföretag utvecklas traditionella planerarroller redan till beslutsanalytiker som fokuserar på att övervaka resultat, förstå avvägningar och förbättra beslutslogik över tid. Bredvid dem definierar beslutsarkitekter avsikt, begränsningar och skyddsräcken som styr hur maskiner agerar.

De viktigaste färdigheterna blir omdöme, systemtänkande och förmågan att ramla in rätt beslut. Människor förblir fast i kontroll, styrande hur beslut fattas av maskiner men inte varje enskild åtgärd.

Gartners första Magic Quadrant för Beslutsintelligensplattformar signalerar att denna kategori går in i mainstream. Vilka funktioner tror du kommer att skilja ledande leverantörer från eftersläntrare under de kommande åren?

Att ha blivit namngiven som en ledare i den första Gartner Magic Quadrant för Beslutsintelligensplattformar, ser vi ledarskap definierat av stark verkställighet och förmågan att leverera omfattande, sammansatta funktioner över hela beslutslivscykeln. I Gartners tillhörande Critical Capabilities-forskning erkändes Aera också för sin prestanda över nyckelbeslutsanvändningsfall — inklusive beslutsanalys, beslutsteknik, beslutsvetenskap och beslutsförvaltning — som utvärderar hur väl plattformar kan modellera, operationalisera, styra och kontinuerligt förbättra beslut i företagsskala.

Vi tror att ledande leverantörer också kommer att skiljas av hur effektivt de integrerar avancerade AI-tekniker, inklusive generativ och agentic AI, i övervakade, företagsklara beslutssystem. Detta kräver ändamålsenliga plattformar som är sammansatta, tillgängliga för affärer via lågkod och naturliga språkgränssnitt och styrda i skala för att möta säkerhets- och regelefterlevnadskrav. Till slut kommer de starkaste leverantörerna att inbädda beslutsintelligens som en operativ skikt som kontinuerligt lär och förbättras, inte bara ett annat program som team måste hantera.

För organisationer som känner till gapet mellan insikter och åtgärder, hur hjälper Aeras plattform dem att stänga den cirkeln i praktiken, och vad ser en lyckad första distribution ut som för en CIO som vill driva mätbar affärspåverkan?

Att stänga gapet mellan insikt och åtgärd börjar med att operationalisera beslut i dagliga operationer. Aeras plattform möjliggör för CIO:er att behandla beslut som kontinuerliga processer: övervaka resultat; testa avvägningar; och förbättra prestanda över tid. Detta är ofta förankrat i ett beslutscenter för excellens, virtuellt eller fysiskt, där team styr och förfinar hur beslut fattas och verkställs.

Aera förenar data, analys, affärsregler, AI och automatisering i en enda sammansatt plattform för att driva beslut som flyter från insikt till verkställighet och inlärning. Dess sammansatta arkitektur tillåter IT att upprätthålla tillsyn och säkerhet, samtidigt som affärsteam kan definiera, anpassa och utveckla beslutsflöden. När resultat fångas, förbättras beslut kontinuerligt och frigör team för att fokusera på omdöme, strategi och undantag.

En lyckad första distribution visar ofta mätbara resultat på ett högpresterande beslutsanvändningsfall på 10-12 veckor, verkställande och kontinuerligt förbättrande beslut från början till slut. Det skapar en återanvändbar ritning för företagsskala.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Aera Technology.