Rajan Sethuraman, VD för LatentView Analytics – Intervjuserie

Rajan Sethuraman, VD för LatentView Analytics, är en erfaren chef med en karriär som spänner över konsultverksamhet, ledarskap och företagsomvandling, med ledande roller på Accenture och KPMG innan han gick med i LatentView. Hans utveckling från Chief People Officer till VD speglar en stark betoning på talangutveckling, organisationsdesign och skalbara driftsmodeller, som nu formar hans tillvägagångssätt för AI och analytik. Med djup erfarenhet av rekrytering, utbildning och affärsstrategi har han konsekvent fokuserat på att anpassa människor, kultur och teknik för att driva mätbara resultat, vilket kulminerade i att leda LatentView genom dess IPO och global expansion medan AI positioneras som en affärskapacitet snarare än en fristående funktion.

LatentView Analytics är ett globalt företag inom dataanalys och digital transformation som hjälper företag att utnyttja data, artificiell intelligens och avancerad analys för att förbättra beslutsfattandet och driva tillväxt. Företaget erbjuder tjänster som dataingenjörskap, prediktiv analys och AI-driven konsultverksamhet inom branscher som finansiella tjänster, detaljhandel och teknik, och arbetar med Fortune 500-kunder över hela världen. Dess kärnvärde ligger i att omvandla rådata till handlingsbara insikter som möjliggör för företag att optimera verksamheten, förutse trender och skapa en konkurrensfördel i en alltmer digital ekonomi.

Du började din karriär inom konsultverksamhet och ledarskap på Accenture och KPMG innan du blev VD för LatentView Analytics, där du ledde företaget genom dess IPO och första förvärv. Hur har din bakgrund inom talangutveckling och organisationsstrategi format ditt sätt att skala AI och analytik idag?

Min tidiga karriär fokuserade tungt på talang, ledarskapsutveckling och byggande av organisationer som kunde skala. Den erfarenheten fortsätter att forma hur jag tänker om AI idag. Teknologi ensam skalar inte en organisation. Vad som är viktigt är hur team antar det, hur ledare anpassar sig runt det och hur tydligt affärsproblemet är definierat. På LatentView lägger vi mycket tid på att hjälpa organisationer bygga den operativa modell, färdigheter och kultur som behövs för att omvandla analytik och AI till vardagliga beslutsfattanden.

Därför tenderar jag att tänka på AI genom linsen av organisationsberedskap. Att skala AI kräver stark domänkompetens, datafundament och team som kan översätta insikter till handling. Min fokus har alltid varit på att bygga dessa kapaciteter tillsammans, snarare än att behandla AI som en isolerad kapacitet.

Du har talat om AI-minimalism — att prioritera tydlighet, nyfikenhet och kultur över att jaga varje ny GenAI-trend. Vad ser AI-minimalism ut som i praktiken för företagsledare?

AI-minimalism börjar med fokus. Företagsledare behöver inte följa varje ny modell eller kapacitet som dyker upp. De behöver ett litet antal meningsfulla problem där AI kan förbättra beslutsfattandet eller produktiviteten på ett mätbart sätt. Det kan handla om prissättningsbeslut, leverantörskedjeplanering eller hur kunskap flyttas över organisationen. Att börja med ett väldefinierat problem hjälper teamen att bygga förtroende och lära sig vad ansvarsfull skala faktiskt ser ut som.

Det innebär också att infoga AI i riktiga arbetsflöden istället för att behandla det som en isolerad experiment. När team ser teknologin hjälpa dem att lösa vardagliga problem tenderar antagandet att växa naturligt. Nyfikenhet och experiment är fortfarande viktiga, men de fungerar bäst när de är förankrade i en tydlig känsla av syfte.

Många organisationer rusar in i generativ AI utan att stärka sina datafundament först. Vilka är varningssignalerna på att ett företag bygger på osäker mark?

En sak jag ofta märker är när AI-samtalet rör sig mycket snabbare än datakonversationen. Om ledare pratar om copiloter och generativa modeller men det fortfarande råder förvirring om var nyckeldata bor, vem äger den eller vilka mått företaget faktiskt litar på, är det vanligtvis ett tecken på att grunden inte är redo ännu. AI-system är beroende av tillförlitlig och välstyrda data. Utan det blir det svårt för människor att lita på utdata.

En annan signal är när företag har många piloter som körs men mycket få som påverkar riktiga beslut. Generativ AI kan producera imponerande demonstrationer, men den riktiga testen är om den blir en del av hur organisationen fungerar.

Sedan du blev VD har du drivit mätbara resultat för globala kunder. Vad skiljer företag som lyckas operationalisera AI från de som förblir i pilotläge?

Företag som skalar AI framgångsrikt behandlar det som en operativ disciplin, inte ett innovationsprojekt vid sidan av. De tilldelar verkställande ägarskap, kopplar användningsfall till mätbara affärsresultat och designar för integration från början. De investerar också i det mindre glamorösa arbetet, som datapipelines, styrning, processomdesign och användarantagande. Det är vanligtvis skillnaden mellan en pilot som får uppmärksamhet och en kapacitet som faktiskt förändrar hur beslut fattas.

På LatentView har vi sett att företag flyttar snabbare när de förankrar AI i ett affärsproblem som redan är viktigt för företaget, som att förbättra planeringsprecisionen, lagerresultat eller leverantörssynlighet. AI som är kopplat till mått som företaget redan bryr sig om har en mycket bättre chans att få finansiering, styrning och antagande i skala.

Hur närmar du dig skala av AI på ett ansvarsfullt sätt över en stor organisation samtidigt som du upprätthåller styrning, säkerhet och ansvarighet?

Ansvarsfull skala börjar med att erkänna att AI-beslut slutligen påverkar riktiga kunder, anställda och affärsresultat. Det betyder att styrning inte kan vara en eftertanke. Organisationer behöver tydliga policys kring dataåtkomst, modellövervakning och övervakning när system är i produktion.

I praktiken är de mest effektiva styrningsmodellerna tvärfunktionella. Företagsledare, teknikteam och risk- eller regelefterlevnadgrupper måste alla vara involverade. AI-system har också nytta av transparens kring hur utdata genereras och var mänsklig bedömning förblir väsentlig. Med skyddsanordningar etablerade tidigt kan organisationer expandera antagande samtidigt som de upprätthåller förtroende.

LatentView arbetar med företag på mycket olika nivåer av digital mognad. Hur skiljer sig er AI-strategi när ni råder en organisation jämfört med en som fortfarande är tidig i sin analytiska resa?

Med en organisation är samtalet vanligtvis om acceleration. De har redan meningsfulla data tillgångar, så vi fokuserar på att prioritera högvärdesanvändningsfall, förbättra tillgänglighet och infoga AI i arbetsflöden där företaget kan agera snabbt. Det kan handla om företagskunskapsåtervinning, sammanlänkad planering i leverantörskedjan eller domänspecifika modeller som förbättrar beslutsfart över funktioner.

För organisationer tidigare i resan är startpunkten annorlunda. Vi lägger mer tid på databeredskap, styrning, BI-modernisering och kapacitetsbyggnad så att företaget kan stödja AI på ett hållbart sätt. I sådana situationer är mognadsbedömning och sekvensering viktiga. Du vill inte lova en agerande framtid till ett företag som fortfarande saknar tillförlitlig data, gemensamma KPI:er eller verkställande anpassning till problemet det försöker lösa.

Med din djupa erfarenhet av talangrekrytering och lärande, vilka färdigheter bör företag prioritera att utveckla internt i AI-eran jämfört med att anställa externt?

Internt tror jag att företag bör fokusera på att bygga bred AI- och datakompetens. Inte alla behöver bli datavetare, men människor över hela företaget bör prioritera att fatta beslut baserat på insikter, ställa bättre frågor och använda AI-verktyg i sitt dagliga arbetsflöde. När denna praxis sprider sig över teamen blir det mycket enklare att identifiera var AI kan genuint hjälpa och var den troligen inte bör användas.

Externt tenderar anställningarna att vara mer specialiserade. Färdigheter som dataingenjörskap, maskinlärarkitektur och AI-styrning kräver djup expertis som organisationer kanske inte alltid har internt. Företagen som gör detta bra kombinerar vanligtvis dessa specialister med affärsteam som förstår sammanhanget och de beslut som behöver förbättras.

Kulturellt motstånd bromsar ofta omvandling. Vilka ledarskapsbeteenden har du funnit mest effektiva för att bygga förtroende och momentum kring AI-antagande?

Tydlig kommunikation från ledningen gör en stor skillnad. Anställda vill förstå varför nya teknologier införs och hur de kopplar till företagets strategi. Att förklara syftet bakom AI-initiativ och koppla dem till riktiga affärsmål hjälper till att bygga förtroende över hela organisationen.

Lärande är lika viktigt. Automatisering och AI omformar redan många roller, så företag behöver aktivt stödja anställda i att utveckla nya färdigheter. Människor engagerar sig mycket mer öppet med förändring när de ser riktiga möjligheter att bygga nya färdigheter och växa tillsammans med teknologin.

När AI blir inbäddat i beslutsprocesser, hur bör styrelser och verkställande team omvärdera prestandamått och ansvarighet?

AI förändrar hur beslut fattas, så ledningsteam behöver titta bortom traditionella projektmetoder. Den riktiga frågan blir om AI förbättrar kvaliteten och hastigheten på besluten i områden som är viktiga för företaget. Det kan handla om bättre efterfrågeprognoser, mer precisa prissättningsbeslut eller snabbare svar på marknadsförändringar.

Om dessa resultat förbättras, gör AI sitt jobb. AI-prestanda kan inte sitta i en separat instrumentpanel från affärsprestanda under lång tid.

Ansvarighet behöver också vara tydligare. Någon äger fortfarande data, någon är ansvarig för att övervaka modeller i produktion och någon fattar slutligen beslut. AI kan stödja dessa beslut, men styrning och tillsyn förblir väsentliga.

Under de kommande tre till fem åren, vilka skift i företags AI-antagande kommer att vara viktigast — och vad bör ledare börja göra nu för att ligga före?

Under de kommande åren kommer AI att börja dyka upp mycket mer i vardagliga affärsbeslut. Många företag har lagt tid på att experimentera med piloter och bevis på koncept. Nästa steg är att se till att dessa kapaciteter faktiskt stöder hur team planerar, prognostiserar efterfrågan, hanterar leverantörskedjor eller fattar marknadsbeslut.

Arbetet kommer också att utvecklas när AI blir mer kapabelt. När rutinuppgifter blir mer automatiserade kommer roller att förskjutas mot att vägleda, tolka och arbeta bredvid AI-system. Organisationer som stärker sina datafundament och hjälper anställda att bygga dessa kapaciteter kommer att anpassa sig mycket lättare när AI blir en del av vardagliga operationer.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka LatentView Analytics.