Preetpal Singh, koncernchef på Xebia – Intervjuserie

Preetpal Singh är koncernchef på Xebia, där han leder globala initiativ som fokuserar på att bygga och modernisera digitala plattformar, företagsapplikationer och datadrivna system. Med mer än 26 års erfarenhet inom finansiella tjänster, hälsovård, tillverkning, konsument- och högteknologiska industrier har han arbetat i skärningspunkten mellan tekniskt genomförande och affärstransformation. Hans karriär omfattar leverans av teknik, marknadsledning och storskalig operativ förändring, med en konsekvent fokus på att omvandla nya tekniker till system som fungerar tillförlitligt i produktionsmiljöer.

Xebia är ett globalt digitalt ingenjörsföretag som designar, bygger och moderniserar digitala produkter och plattformar för företag över hela världen. Företaget kombinerar programvaruteknik, moln- och datamodernisering, generativ AI och intelligent automatisering för att hjälpa organisationer utveckla skalbara applikationer, moderna arkitekturer och integrerade AI-funktioner. Med team som arbetar i flera regioner samarbetar Xebia med företag för att införa nya tekniker i kärnsystem och kundorienterade plattformar, vilket säkerställer att innovationen backas upp av starka tekniska grunder.

Du har tillbringat mer än 26 år med att leda tekniska, försäljnings- och affärstransformationsinitiativ inom flera branscher. Hur har den resan format hur du närmar dig innovation och tillväxt idag?

Med tiden har jag blivit mer fokuserad på hållbarhet än nyhet. Tidigt i min karriär var jag dragen till teknikens kraft i sig. Med erfarenhet började jag fokusera mer på vad som händer efter pilotfasen, när system måste integreras med befintliga plattformar, passera granskningsgranskningar och fungera konsekvent under riktiga arbetsbelastningar. Inom branscher verkar alltid vägskälet komma när ett lovande initiativ flyttar in i produktion. Ägandeskap blir kritiskt. Integreringskomplexitet dyker upp. Risktolerans testas. Där är transformation antingen mognar eller stannar.

Idag närmar jag mig innovation med ett praktiskt perspektiv. På Xebia prioriterar vi att bygga och modernisera de plattformar som ligger till grund för verksamheten. Vi tänker på långsiktig underhållbarhet, granskning och skalbarhet från början, eftersom tillväxt bara är hållbar när de underliggande systemen är utformade för att hantera tryck över tid.

Var kämpar företag mest när de genomför AI?

Utmaningarna dyker vanligtvis upp när AI flyttar bortom experiment och in i operativa system. Att bygga en modell är en milstolpe, men att införa den i underwriting-flöden, ERP-system eller anspråksplattformar introducerar en annan nivå av komplexitet.

I ett distributionsScenario hade en modell presterat bra i testmiljöer. När den anslöts till en live-transaktionsflöde, uppstod frågor kring granskningsloggning, åsidosättningsmyndighet och återställningsmekanismer som bromsade upp distributionen. Granskningsgrupper behövde spårbarhet. Riskgrupper krävde tydlighet kring eskaleringssökvägar. Dessa operativa detaljer avgjorde till slut tidsplanen.

AI-initiativ får fart när datapipeliner är strukturerade, produktionsövervakning är på plats och ansvar är tydligt definierat. Organisationer som planerar för dessa verkligheter tidigt tenderar att skala mer smidigt.

Hur skiljer du på automatisering som förbättrar effektivitet och transformation som omformar ett företag?

Effektivitetsinriktad automatisering strömlinjeformar ofta steg inom en befintlig process. Större transformation uppstår när team omprövar hur processen i sig är strukturerad.

Jag har sett fall där organisationer var på väg att automatisera godkännandekedjor som omfattade mer än ett dussin kontaktpunkter. När beslutslogik omformades och valideringskontroller konsoliderades, blev arbetsflödet betydligt enklare. Effekten sträckte sig bortom cyklisk tid; den påverkade också ansvar och riskfördelning.

När du förenklar beslutsflödet med affären först, blir automatiseringen enklare och vinsterna består.

Vad skiljer transformation i högt reglerade branscher?

Högt reglerade sektorer tenderar att införa styrningsaspekter direkt i systemdesign. Inom branscher som finansiella tjänster och hälsovård är spårbarhet och förklarbarhet krav före distribution, inte efter.

Jag har arbetat med team som införlivat modellvalideringsgrindar i CI/CD-pipeliner och etablerat detaljerade loggningsstandarder från början. Eskaleringssökvägar och övervakningsramverk definierades tidigt i arkitekturdiskussionerna. Den disciplinen formar mer robusta system och förbereder organisationer för ökad autonomi i AI-drivna miljöer.

Hur säkerställer du att AI-investeringar är i linje med mätbara affärsresultat?

Jag uppmuntrar ledningsteam att definiera den operativa förändring de förväntar sig. Det kan innebära att minska ombordstid, öka servicekapacitet utan proportionell personalökning eller sänka felfrekvenser i anspråksbearbetning.

Instrumentering spelar en kritisk roll. De plattformar vi levererar inkluderar spårning för genomströmning, latens, beslutsnoggrannhet och antagandefrekvenser. När dessa indikatorer är synliga i produktionsdashboards kan affärsledare koppla teknikutgifter till operativ prestanda. Hur accelererar strategiska partnerskap AI i skala?

Företags AI-initiativ omfattar infrastruktur, dataplattformar, applikationsarkitektur och säkerhet. Samordnad genomförande över dessa lager kräver djup och samstämmighet. Partnerskap skapar momentum när de är direkt kopplade till teknisk kapacitet och operativt genomförande.

Vårt utvidgade samarbete med partners som Google Cloud, Anthropic och andra inkluderar utveckling av återanvändbara branschlösningar och etablering av ett globalt center för excellens för att stödja skalbar leverans. Strukturer som dessa minskar integreringsfriktion och tillhandahåller konsekvens när distributioner expanderar över regioner och affärsenheter.

Vilka missuppfattningar ser du kring AI-beredskap?

Många organisationer ser lyckade piloter som bevis på beredskap. I praktiken visar sig beredskap i strukturerade datamiljöer, stabila integreringslager, definierade styrningsprotokoll och tydliga ansvarsmodeller.

Produktionsstabilitet och styrningsmognad formar långsiktig framgång lika mycket som modellprestanda. En modell kan prestera bra i testning, men när den opererar på full transaktionsvolym, blir latens, övervakning och felhantering kritiska. Team behöver tydliga återställningsförfaranden, drifthantering, loggningsstandarder och definierat ägandeskap när modellen är live.

När AI-system övergår från rådgivande roller till beslutsfattande roller, blir tydlighet kring åsidosättningsmyndighet och eskaleringssökvägar avgörande. När dessa skyddsanordningar byggs in i arkitekturen tidigt, blir skalning mycket hanterbarare.

Hur bör ledare tänka kring att balansera innovation och risk när AI införs i verksamheten?

Ansvarstagande AI byggs in i systemet från dag ett och upprätthålls genom aktiv tillsyn. Tydliga kriterier kring var system kan agera oberoende och var mänsklig tillsyn förblir avgörande hjälper till att förhindra tvetydighet senare.

Pågående övervakning är lika viktig, eftersom datapatroner förändras och regulatoriska landskap utvecklas. AI-system kräver periodisk omkalibrering och granskning för att upprätthålla samstämmighet med affärs- och regelefterlevnadsförväntningar.

Hur upprätthåller du samstämmighet mellan tekniskt genomförande och ledningsstrategi?

Samstämmighet blir enklare när människor är ärliga om avvägningarna. Om du vill flytta snabbare, finns det tekniska implikationer. Om du ger system mer autonomi, behöver du starkare övervakning. Om du anpassar djupt, gör du val om hur enkelt det kommer att vara att underhålla senare.

Inget av det är dåligt. Det behöver bara vara explicit. När dessa verkligheter diskuteras öppet, tävlar inte ambition och disciplin mot varandra. Ledare kan driva på, ingenjörer kan bygga ansvarsfullt och alla förstår vad de skriver under på. Den typen av transparens bygger förtroende och håller framsteg stabilt över tid.

Var bör företag fokusera sina strategiska investeringar under de kommande åren?

Anpassningsförmåga kommer att skilja ledarna från resten. Det handlar vanligtvis om starka grundläggande faktorer: ren data, skalbar molninfrastruktur, disciplinerad distribution och tydlig insikt i hur system presterar.

Företag som investerar i den grunden och bygger rätt ekosystempartnerskap kring det, kan anpassa sig när marknader och regleringar förändras. På lång sikt kommer fördelen från att bygga verksamhet och arkitektur som kan hantera vad som helst som kommer nästa.

Tack för den utmärkta intervjun, läsare som vill lära sig mer kan besöka Xebia.