Mukund Kalmanker, Global Chef för Data, Analys och AI på Apexon – Intervjuer

Mukund Kalmanker, Global Chef för Data, Analys och AI på Apexon, har mer än två decenniers erfarenhet av att leda storskaliga företagsomvandlingsinitiativ, med en karriär som omfattar seniora ledningsroller på Wipro där han byggde och skalfade globala AI-praxis, inkuberade automationsplattformar som HOLMES och hjälpte till att definiera företagsteknologistrategi över branscher, inklusive finansiella tjänster, telekom och hälsovård. Hans arbete har konsekvent fokuserat på att översätta ny teknik – särskilt AI, dataingenjörskap och automation – till praktiska affärsresultat, genom att kombinera djup teknisk expertis med en stark track record i byggandet av globala team, drivande digitaliseringsstrategier och leverans av mätbara operativa effektiviteter för stora företag.

Apexon är ett digitalt först företag som hjälper företag att accelerera affärsomvandling genom att kombinera AI, dataanalys och digital ingenjörskap för att skapa intelligenta, skalbara system och kundupplevelser. Genom sina integrerade kapaciteter över moln, automation och avancerad analys arbetar företaget med organisationer för att modernisera verksamheten, förbättra beslutsfattningen och leverera digitala lösningar från början till slut, särskilt inom branscher som finansiella tjänster, hälsovård och life sciences.

Efter två decennier med att leda AI- och analyticsinitiativ på företag som Wipro och nu Apexon, vad är den erfarenhet som mest har format din tillvägagångssätt för digital omvandling?

Under de senaste åren är det som mest har format mitt tillvägagångssätt den insikten att lyckad digital omvandling inte bara handlar om teknik – det handlar om att anpassa tekniken för att lösa verkliga affärsproblem och anpassa till föränderliga mänskliga beteenden. Det handlar om att använda innovation som en strategisk hävstång för att leda branschen och göra världen till en bättre plats att leva. Oavsett om det handlar om att hjälpa en bank att tillgodose regulatoriska behov eller en detaljhandelsvarumärke att omdefiniera sin kundengagemang eller att möjliggöra för en hälsovårdsleverantör att fatta snabbare, datadrivna beslut, har jag sett den största påverkan när vi börjar med slutanvändarupplevelsen i åtanke. I mitt tidigare liv och nu på Apexon har mina team och jag arbetat nära med kunder över branscher för att förvandla Agentic AI, Gen AI, AI, ML, RPA och Data från buzzwords till affärsresultat – låsa upp insikter, förbättra effektivitet, förbättra kundupplevelsen, hjälpa hantera risk och skapa en konkurrensfördel för våra kunder. Den kontinuerliga samarbeten och fokus på resultat är vad som fortsätter att forma mina tankar.

Vad drog dig till Apexon, och hur stämmer företagets nuvarande tillvägagångssätt för data, analys och AI överens med din personliga vision för framtiden för företagsteknik?

Det som drog mig till Apexon var dess tydliga åtagande att hjälpa kunder att anta innovation med ett syfte. Innovationskultur och tillväxtsinne är inbäddat i varje person som är associerad med Apexon, och det syns i hur vi lär, innovrerar och tänjer gränser tillsammans. Med djupa kapaciteter inom Data och AI, kombinerat med djup inom ingenjörskap och en skarp fokus på reglerade branscher som BFSI och hälsovård, ser Apexon inte data eller AI som isolerade kapaciteter – det behandlar dem som grundläggande tillgångar för att hjälpa till att bygga intelligenta företag, för att bygga skalbara, IP-drivna affärs Lösningar och plattformar. Detta stämmer väl överens med min tro att framtiden för företagsteknik ligger i att skapa intelligenta system som inte bara är anpassningsbara utan också skalbara, återanvändbara och byggda för långsiktig värde.

Hos Apexon finns det ett medvetet fokus på att översätta banbrytande teknologi till meningsfulla affärsresultat – oavsett om det är att låsa upp konkurrenskraftig insikt, möjliggöra smartare automatisering eller driva kundcentrerade upplevelser. Denna konvergens av AI med ett IP-först-tänkesätt är precis dit jag tror att företagstransformation är på väg – och jag är glad att få hjälpa till att forma den framtiden här.

Hur hjälper intelligenta tyger till att bygga ett uppkopplat företag, och hur ser deras implementering ut i verkligheten?

Intelligenta tyger är inte en produkt eller en plattform. De är ett arkitektoniskt skifte. De kopplar ihop punkterna mellan affärsenheter, system, data och beslut, så att intelligens inte är något du använder ibland; den är alltid på. Detta förvandlar organisationer från att vara datadrivna till att vara verkligt intelligensdrivna.

Att komma till verklig påverkan – tänk på en återförsäljare som justerar leveranskedjans verksamhet i realtid baserat på flera faktorer som köpbeteende, störningar i leveransledningar, geopolitisk utveckling, ändrat väder eller till och med lokala katastrofer. Eller en behandlingsrekommendation på sjukhuset medan läkaren fortfarande granskar testresultaten. Eller banker som kan sammanfoga data över flera transaktioner för att identifiera komplexa aktiviteter mot penningtvätt. Kraften ligger i att väva in intelligens direkt i arbetsflödet, inte lägga till det i efterhand. Det är så företag blir verkligt sammankopplade – intelligens genereras i vilken del av organisationen som helst och denna intelligens konsumeras av hela organisationen.

Hur använder Apexon generativa AI-verktyg som Copilot för att skapa värde för kunderna, och inom vilka områden har du sett den starkaste användningen?

Vi ser verktyg som GitHub Copilot inte bara som kodningsassistenter, utan som katalysatorer för att ombilda hur programvara planeras, byggs och testas. Hos Apexon är Copilot inbäddad i hela den tekniska livscykeln – från att utarbeta användarberättelser och förfina krav till att generera testfall och förutsäga defekter. Det hjälper team att röra sig snabbare med större precision.

Som ett exempel arbetar vi med en vårdgivare för att driva på att använda andrapiloter och koppla det till Agentic-ramverk för att helt omforma Software Engineering Lifecyle för att få in mer effektivitet inom tekniken. För en annan kund hjälper vi till att anta Gen AI och Agentic-ramverk för att förbättra datakvaliteten och lägga makten i händerna på användarna som interagerar direkt med tillsynsmyndigheter för att möta efterlevnadsbehov.

Adoptionen har varit starkast inom områden där hastighet, anpassning och skala är viktigast – intelligent dokumentbehandling, konversations-AI och hyperautomatisering. Det här är utrymmen där generativ AI inte bara ger resultat, utan också en strategisk fördel.

Hur påverkar akademiska partnerskap med institutioner som IIT Madras och Imperial College London din strategi för AI-forskning och talangutveckling?

Våra samarbeten med IIT Madras och Imperial College London spelar en nyckelroll i att forma både vår forskningsagenda och hur vi bygger framtidsberedda talanger. Vi finansierar inte bara projekt – vi arbetar nära med ledande forskare för att utforska gränsområden som Agentic AI, multi-agent systems & AGI. Dessa partnerskap ger oss djupare insikter i flera framväxande områden – som ett exempel, hur stora språkmodeller beter sig och utvecklas och gör dem kontextuella inom olika domäner.

De fungerar också som motorer för talangutveckling. Genom gemensamma program skapar vi praktiska inlärningsmöjligheter som överbryggar akademiskt djup med företagsrelevans. Det är ett tvåvägsutbyte: vi får tillgång till banbrytande tänkande och studenter engagerar sig i verkliga problem. Den synergin är avgörande för att skala våra AI-, data- och digitala kapaciteter.

I branscher som hälsovård, finans eller telekom, vad är ett exempel där Apexons AI- eller analyslösning avsevärt förbättrade operativ effektivitet eller låste upp nya affärsmodeller?

Ett bra exempel är vårt arbete med en ledande nordamerikansk finansiell institution för att modernisera sin riskbedömningsprocess med hjälp av ett AI-drivet ramverk. Genom att automatisera datainmatning, standardisera fragmenterade källor och implementera en riskmotor i realtid minskade vi den manuella ansträngningen med 90 % och accelererade utvärderingarna med 4x. Integrerade prediktiva varningar och efterlevnadsspårning hjälpte till att minska regulatoriska påföljder med 30 % och finansiell exponering med 40 %. Byggd på en molnbaserad mikrotjänstarkitektur, förbättrade lösningen inte bara noggrannheten och hastigheten, utan positionerade också kunden för skalbar, datadriven riskhantering i en snabbt föränderlig regulatorisk miljö.

Vilka nya teknologier eller AI-trender är du mest fokuserad på som nästa stora gräns för företagsinnovation?

På Apexon ser vi Agentic AI som nästa stora steg inom Enterprise Intelligence på kort sikt. Till skillnad från traditionell AI som reagerar på uppmaningar, kan Agentic AI-system autonomt tolka dynamiska sammanhang, sätta upp och sträva efter mål, samarbeta mellan olika system och kontinuerligt förbättra genom feedback. Vi har byggt ett heltäckande ramverk, AgentRise, för att göra detta till liv. AgentRise kombinerar en Agentic AI-hjärna, orkestrering av flera agenter, övervakning av människor i slingan och observerbarhet i företagsklass.

Resultatet är AI som inte bara hjälper utan självständigt exekverar komplexa arbetsflöden, från dokumenttriage inom sjukvården till undantagshantering i realtid inom finans.

Det som skiljer vårt tillvägagångssätt är fokus på skalbar, pålitlig intelligens. Vi utnyttjar modulära komponenter, snabb konstruktion och säkra integrationer för att distribuera Agentic AI med snabbhet och tillförlitlighet. Det är inte bara innovation – det är AI som är inbäddat i affärsflödet, fungerar säkert i stor skala och ger påtagliga resultat. När dessa system mognar tror vi att de kommer att utgöra ryggraden i adaptiva, självutvecklande företag inom reglerade branscher med stor inverkan.

Vi spårar också framsteg inom smal AI, artificiell allmän intelligens och kvantberäkningar – men det som upphetsar oss mest är hur dessa teknologier konvergerar för att driva företag som inte bara är intelligenta, utan adaptiva, autonoma och kapabla till självstyrd utveckling.

Vilka är de största utmaningarna som organisationer står inför när de övergår från äldre datasystem till moderna analysarkitekturer?

Organisationer möter vanligtvis fyra stora utmaningar när de övergår från äldre system till moderna analysarkitekturer.

Den första är adoption och värdeförverkligande. Äldre plattformar formar ofta djupt inbäddade sätt att arbeta, vilket gör förändringshantering kritisk. Organisationer måste se till att nya analysplattformar levererar påtagliga affärsresultat som intäktstillväxt, operativ effektivitet och förbättrad riskhantering, snarare än att bli rent tekniska uppgraderingar.

Det andra är teknologimodernisering och kapacitetsuppbyggnad. Många företag driver komplexa äldre fastigheter som spänner över stordatorer, lokala system och tidiga molnmiljöer. Att modernisera dessa miljöer kräver genomtänkt rationalisering och omarkitektur, tillsammans med att bygga de färdigheter, talang och driftsmognad som behövs för att upprätthålla moderna data-, analys- och AI-plattformar.

Den tredje är data- och AI-beredskap. Modernisering handlar inte bara om att flytta data till en ny plattform. Organisationer måste säkerställa att data förbereds för avancerad analys och AI genom att stärka datakvalitet, styrning, härkomst, integritet och etiska skydd så att insikter och AI-modeller kan litas på och skalas.

Slutligen finns det organisatoriska förändringen. Allt eftersom plattformar utvecklas mot mer autonoma och agenta AI-förmågor måste företag anpassa sina verksamhetsmodeller, arbetskraftskompetens och kultur för att möjliggöra effektivt samarbete mellan människor och intelligenta system.

Hur säkerställer du att digitala upplevelser och AI-lösningar förblir centrerade kring mänskliga behov snarare än bara tekniska resultat?

Jag tror att grunden för verkligt effektfulla digitala och AI-lösningar är en tydlig förändring i tankesättet, från att fråga vad teknik kan till att fråga hur den på ett meningsfullt sätt kan skapa affärsvärde och tjäna människor och samhälle.

Vi börjar med att grunda varje initiativ i verkliga mänskliga resultat som bättre beslut, större inkludering, starkare förtroende och enklare upplevelser. Detta kräver djupt engagemang med användare, kontinuerligt lyssnande och design av lösningar kring hur människor faktiskt anammar och interagerar med digitala upplevelser. Vi integrerar avsiktligt människocentrerad design, transparens och ansvarsskyldighet i våra plattformar.

Speciellt inom högpåverkande domäner måste AI fungera med stark mänsklig tillsyn och tydliga etiska skyddsräcken, vilket säkerställer att det förbättrar mänskligt omdöme snarare än att ersätta det. Lika viktigt är att framgång bör mätas inte bara genom prestationsmått, utan också genom adoption, användarförtroende och långsiktigt värdeskapande.

När det görs väl sträcker sig fördelarna långt bortom enskilda organisationer. Människocentrerad AI har potential att utöka tillgången till möjligheter, stärka institutioner och förbättra livskvaliteten i stor skala. Det kan bidra till att bygga mer motståndskraftiga ekonomier, rättvisare system och bättre informerade samhällen. I slutändan bör vårt mål vara att utveckla AI som inte bara är intelligent utan också ansvarsfullt, inkluderande och målmedvetet. Teknik som förstärker den mänskliga potentialen och bidrar positivt till den framtid vi formar tillsammans.

Hur utvärderar du framgången med Gen AI-distributioner hos Apexon – finns det specifika KPI: er eller ramverk du använder för att mäta effektivitet i olika klientmiljöer?

På Apexon har vi etablerat robusta ramverk, med stöd av en portfölj av IP, lösningar och acceleratorer, för att hjälpa både våra team och våra kunder att mäta effektiviteten av GenAI och Agentic AI-distributioner.

Först fokuserar vi på affärseffekter. Detta börjar med tydligt definierade domän- eller processnivåmål, men fokuserar i slutändan på att mäta strategiska resultat som förbättrad kundupplevelse, intäktsökning, kostnadsoptimering, operativ effektivitet och starkare riskhantering. Vårt egenutvecklade M4-ramverk stödjer detta genom att tillhandahålla en strukturerad exekveringsmodell för analysuppdrag. M4 erbjuder en beprövad strategi och förutsägbara steg för datamodernisering, som hjälper organisationer att kartlägga användningsfall, modernisera dataarkitekturer och övergå till molnbaserade analysmiljöer samtidigt som man säkerställer att AI-initiativ förblir tätt i linje med mätbara affärs-KPI: er.

För det andra bedömer vi adoption och värdeförverkligande. AI-implementeringar skapar meningsfull effekt endast när de är betrodda, allmänt antagna och effektivt utökar mänskliga förmågor. På Apexon har vår egen företagsomfattande användning av GenAI fungerat som en praktisk modell för kunder. Vi började med att tillåta anställda i hela organisationen med GenAI- och Agentic AI-kapacitet, utrusta dem med verktyg, policyer och vägledning för ansvarsfull användning, samtidigt som vi spårade affärsresultaten de levererade. De styrningsramar, policyer och nyckeltal som vi utvecklade under denna resa hjälper nu våra kunder att accelerera och skala GenAI-anpassningen.

För det tredje mäter vi teknisk prestanda. Våra acceleratorer inom Genysys-plattformen möjliggör kontinuerlig övervakning av viktiga operationella mätvärden som svarsnoggrannhet, hallucinationsfrekvenser, kostnad per slutledning, skalbarhet och övergripande systemprestanda. Genysys, Apexons egenutvecklade GenAI-plattform, konsoliderar kapaciteten hos flera stora språkmodeller till en enhetlig miljö med sömlös integration över mer än tio LLM: er. Detta gör det möjligt för organisationer att välja de mest lämpliga modellerna för olika användningsfall samtidigt som de behåller insyn i prestanda, tillförlitlighet och kostnadseffektivitet över driftsättningar.

Slutligen utvärderar vi styrning och risk. Vårt företagsräckesramverk, en del av AgentRise erbjudande, hjälper organisationer att ta itu med kritiska områden som styrning, risker och efterlevnad. Med tanke på vårt djupa arbete med reglerade branscher hjälper vi kunder att bedöma förklaringsbarhet, granskningsbarhet, datalinje, integritetsskydd och anpassning till ansvarsfulla AI-standarder för att säkerställa att AI-system är både skalbara och pålitliga.

Tack för den fina intervjun, läsare som vill veta mer bör besöka Apexon.