Четан Алсісарія, генеральний директор та співзасновник, Polestar Analytics – Серія інтерв’ю

Четан Алсісарія, генеральний директор та співзасновник є лідером підприємства у сфері технологій, спеціалізується на даних, аналітиці та трансформації, керованій штучним інтелектом. Після ранніх ролей у Deloitte, PwC та EY, він заснував Polestar Analytics у 2012 році та з тих пір розширив його до глобальної компанії з штучним інтелектом та даних. Він керує продажами, стратегічними альянсами, розробкою послуг та технічною поставкою, а також очолює CAIO Circle, спільноту лідерів штучного інтелекту, які займаються просуванням відповідальної та практичної адоптації штучного інтелекту. Крім того, він заснував Xumane Equity, що відображає його ширший фокус на інноваціях у сфері підприємств та платформ.

Polestar Analytics є глобальною компанією з конвергенції штучного інтелекту та даних, яка допомагає підприємствам перетворити фрагментовані дані на дієвані інсайти за допомогою своєї пропрієтарної 1Platform. Об’єднавши інженерію даних, аналітику, штучний інтелект та бізнес-потоки у єдиний екосистему, компанія дозволяє організаціям покращувати процес прийняття рішень, оптимізувати операції та масштабувати адоптацію штучного інтелекту. З сильним фокусом на галузевих випадках використання та вимірюваних результатах, Polestar еволюціонував від консалтингової компанії до платформо-орієнтованого бізнесу, який доставляє спрощені, інтелект-орієнтовані рішення на рівні підприємства.

Ви заснували Polestar Analytics у 2012 році після ролей у Deloitte, PwC та EY. Яку прогалину у сфері даних та аналітики підприємства ви бачили на той час, і як ця оригінальна візія еволюціонувала у сьогоднішню платформу 1Platform, керовану штучним інтелектом?

Ви знаєте, коли Аджай, Аміт та я заснували Polestar Analytics у 2012 році, іронія була вражаючою; компанії тонули у даних, але голодували за рішеннями. Кожен збирав усе, але розрив між наявністю даних та можливістю зробити щось корисне з ними був величезним. Це проблема, яку ми вирішили вирішити.

Перейшовши до сьогодні, чесно кажучи, проблема не зникла, а лише змінила форму. Об’єм більший, ставки вищі, і тепер у цій суміші є агенти поряд з людьми, яким потрібно розібратися у всьому цьому. Це фактично зробило нашу оригінальну візію яснішою, а не менш зрозумілою.

Наш девіз, Дані до результатів, спрощено!, є насправді ниткою, яка з’єднує 2012 рік з сьогодні. Ми почали з доставки даних; отримання правильних даних правильним людям у правильний час. Потім штучний інтелект увійшов у гру і посилив те, що було можливим. Тепер з 1Platform ми рухаємось далі; спрощуючи та максимізуючи результати не лише для людей, а й для агентів, які все частіше приймають або інформують рішення.

Що цікаво, так це те, як наш екосистема дозріла, щоб підтримати це. Наші глибокі інтеграції з Microsoft (MSFT ), Databricks та Anaplan допомагають об’єднати дані, бізнес-використання та планування. І 1Platform сидить поверх усіх цих елементів, рідний для цих середовищ, а не прикручений до них.

Таким чином, еволюція виглядає наступним чином: доставка даних → інсайти, посилені штучним інтелектом → спрощені, агент-готові результати. Погоня за досконалістю залишається тією ж. Швидкість, з якою ми можемо досягти цього, змінилася експоненціально.

Polestar Analytics позиціонує себе як компанію з конвергенції даних та штучного інтелекту. Що таке конвергенція на практиці для великих підприємств, які справляються з фрагментованими системами та ізольованими даними?

Більшість часу фрагментація не є технічною проблемою, а проблемою людей та процесів. Це схоже на те, що у вас є фінансова команда, яка працює на Anaplan, операційна команда, яка живе в Excel, команда інженерії даних, яка будує трубопроводи на Azure, і всі тягнуть у різні боки з різними визначення одної й тієї ж метрики. Жоден штучний інтелект не виправить проблему довіри, якщо основа пошкоджена.

Отже, коли ми говоримо про конвергенцію, ми маємо на увазі вирішення цієї основи спочатку. Перед тим, як ви можете накласти інтелект на верх, вам потрібно мати дані, які є чистими, керованими та критично доступними. Не лише для ваших аналітиків, а й для агентів.

На практиці конвергенція з 1Platform виглядає наступним чином: ми не розриваємо та не заміняємо те, що підприємства побудували. Ми входимо у рідне середовище, у якому вони вже живуть, наприклад, Databricks, Microsoft та Anaplan, і ми шиваємо шар даних та інтелекту поверх них. Ваші дані планування в Anaplan розмовляють з вашими операційними даними в Databricks, а ваша екосистема Microsoft є тим місцем, де рішення фактично з’являються для людей та агентів, щоб діяти.

Магія не полягає в жодній з цих інтеграцій. Це у шарі 1Platform, який робить усе так, щоб воно відчувалося як одна сполучна система, а не роз’єднані інструменти. Це те, чим є конвергенція на практиці, свідоме спрощення, поки складність не стане невидимою для бізнесу.

Ваша пропрієтарна 1Platform спрямована на об’єднання даних, штучного інтелекту та потоків роботи у єдину систему. Як цей підхід відрізняється від традиційних стеків бізнес-інтелекту або сучасних платформ даних, таких як Databricks чи Snowflake?

Databricks та Snowflake є потужними платформами, ми не конкуруємо з ними, ми побудовані поверх них. Ця відмінність має значення. Databricks дає вам інфраструктуру та обчислення. Ми сидимо над цим і ставимо інше питання: тепер що?

Традиційні стеки бізнес-інтелекту багато чого зробили правильно для свого часу, але бізнес-інтелект еволюціонував. Сьогодні бізнес-користувачі потребують більше, ніж лише панелі. Ви можете мати красиво спроєктовану панель з п’ятнадцятьма графіками, і все одно хтось повинен інтерпретувати, що це означає і вирішити, що робити далі. Це розрив між інсайтом та дією саме там, де 1Platform діє.

1Platform не є статичною, вона постійно еволюціонує. Вона не лише відповідає на питання, які ви ставите; вона висуває питання, про які ви навіть не думали. Це змінює відносини між бізнес-користувачами та їхніми даними.

Ми побудували інтерфейси з низьким кодом та без коду поверх Databricks та Azure, які дозволяють створювати трубопроводи за секунди. Завдання, які раніше займали дні у інженерів даних, тепер можуть бути запущені бізнес-користувачами. Поверх цього Agenthood AI дозволяє користувачам створювати та оркеструвати агентів через прості інтерфейси перетягування без глибокої технічної експертизи.

Але справжня відмінність полягає в досвіді кінцевого користувача. Замість стрибків через кілька панелей користувачі отримують інсайти природної мови, контекстні рекомендації та агент-орієнтовані розповіді. KPI не просто сидять на екрані; агенти активно моніторять їх, піднімають питання про те, що важливо, і пояснюють чому. Диференціація не полягає у самій платформі даних, а у всьому, що відбувається після того, як дані готові.

Багато підприємств залишаються застряглими у тому, що часто називають “пеклом пілотних проектів”. Які найбільші структурні чи організаційні бар’єри перешкоджають штучному інтелекту досягнути виробництва у масштабі?

Я називаю це пілотним цвинтарем, оскільки більшість проектів не лише застрягають, а й тихо вмирають. Найбільші бар’єри не є технічними, а організаційними. Люди, процеси та дані.

Управління змінами постійно недооцінюється. Коли ви переробляєте спосіб роботи людей, ви викликаєте питання про те, як вони отримують цінність. Організації, які успішно керують цим, є тими, де лідерство робить компетенцію штучного інтелекту явно важливою. Коли підвищення кваліфікації винагороджується та переробка процесів підтримується структуально, адоптація прискорюється.

Потім є проблема з J-кривою. Інвестиції у штучний інтелект часто знижуються, перш ніж зростати. Багато організацій очікують ROI протягом 90 днів, не бачать його та припиняють зусилля. Ті, хто успішно керує цим, зобов’язуються повній кривій.

Готовність даних є ще одним критичним фактором. Погані дані ведуть до впевнених неправильних рішень. До тих пір, поки основа даних не буде довіреною, штучний інтелект у масштабі стає зобов’язанням, а не активом.

Нарешті, дисципліна використання випадків має значення. Замість того, щоб намагатися зробити все зі штучним інтелектом, організації повинні зосередитися на випадках використання, які рухають реальні бізнес-метрики, доводять їх та потім масштабують.

У Polestar Analytics, поєднуючи дані, штучний інтелект та потоки роботи в одному місці, прискорюємо як відкриття проблем, так і ідентифікацію можливостей, перетворюючи конвергенцію на каталізатор змін.

Агентний штучний інтелект стає великою темою в галузі. Як Polestar Analytics думає про агентів штучного інтелекту у потоках роботи підприємства, і які реальні випадки використання набувають популярності?

Для нас агенти повинні бути вбудовані як у шар даних, так і у бізнес-потоки, щоб створити реальну цінність. Агент ціноутворення, наприклад, не просто LLM, який сидить на панелі; він інтегрований у інфраструктуру даних, розуміє контекст та підтримує реальне прийняття рішень.

По всьому нашому спектру з понад 100 агентів деякі діють як помічники, тоді як інші повністю автоматизовані. Найсильніша тяга спостерігається у управлінні ростом доходів, включаючи ціноутворення, промоції та медіа-мікс, де рішення приймаються часто та інтенсивно залежать від даних.

На стороні інженерії агенти моніторингу трубопроводів та вирішення помилок вже використовуються. Агенти FinOps знизили невикористані хмарні витрати на 35 відсотків. Також спостерігається сильна адоптація у сфері управління багатством.

Ми підтримуємо як екосистему Microsoft, так і Databricks, і забезпечуємо платформу для побудови агентів на замовлення. Не кожен агент потребує бути заснованим на LLM; архітектура повинна відповідати випадку використання, щоб збалансувати масштаб та вартість.

Керування є суттєвим. З агентами, які взаємодіють з фінансовими системами або клієнтськими даними, сильні периметри безпеки та нагляд людини побудовані, щоб забезпечити надійність у масштабі підприємства.

З вашим недавнім фінансуванням ви подвоюєте ставку на розвиток інтелектуальної власності. Наскільки важливо володіти пропрієтарними платформами порівняно з побудовою на основі існуючих екосистем у сучасному ландшафті штучного інтелекту?

Ми глибоко інтегровані з платформами, такими як Databricks, Microsoft та Anaplan, які забезпечують інфраструктуру та масштаб. Ми не намагаємося їх замінити.

Наш фокус полягає у володінні шаром інтелекту поверх нього. Пропрієтарна інтелектуальна власність дозволяє нам контролювати досвід, вкладати галузеву експертизу та доставляти стабільну цінність у масштабі.

Наша диференціація походить від галузевої експертизи. Чи то це PromoPulse AI для управління ростом доходів, чи WealthPulse для фінансових послуг, цінність полягає у розумінні реальних випадків використання та рішень.

Пропрієтарна інтелектуальна власність для нас є кодифікацією цієї експертизи. Це те, що робить платформу захищеною та справжньою.

Ви працювали в тісній співпраці з компаніями з Fortune 1000. Як очікування щодо ROI штучного інтелекту змінюються, коли виконавці вимагають вимірюваних результатів замість експериментів?

Зміна є реальною, але експериментування не зникло. Воно просто очікується рухатися швидше та підключатися до осяжних результатів.

Виконавці зараз оцінюють ROI через ширші лінзи, такі як швидкість прийняття рішень, лояльність клієнтів, інноваційна здатність та стійкість.

ROI штучного інтелекту більше не належить одному лідеру. CTO фокусується на інфраструктурі та даних, CFO дивиться на фінансовий вплив, а COO підкреслює операційну ефективність.

Організації, які успішно керують цим, виравнюють ці перспективи заздалегідь та зобов’язуються довгостроковими результатами.

Ваша стратегія розширення включає Північну Америку та Європу. Які відмінності ви спостерігаєте у зрілості адоптації штучного інтелекту та готовності підприємств у цих регіонах?

Відмінність полягає більше у менталітеті, ніж у можливостях.

Північна Америка пріоритезує швидкість та експериментування, підштовхуване конкурентним тиском.

Європа підкреслює керування та етичний штучний інтелект з самого початку. Однак це не означає повільшої адоптації. Підприємства балансують структуру з прискоренням.

Обидва регіони сходяться до масштабованого, відповідального штучного інтелекту, вбудованого у核心 операцій.

Ви недавно заснували CAIO Circle, щоб об’єднати лідерів штучного інтелекту. Які найurgentніші розмови відбуваються серед головних офіцерів штучного інтелекту зараз, особливо щодо керування та етики?

CAIO Circle був створений, щоб дати лідерам штучного інтелекту простір для відкритої дискусії.

Центральним викликом є балансування швидкості з довгостроковим ризиком. Довіра та пояснюваність є великими проблемами, особливо коли системи штучного інтелекту впливають на критичні рішення.

Керування змінюється від політичних документів до вбудованих операційних практик. В той же час багато організацій все ще缺ують моделі виконання, щоб доставити на свої стратегії штучного інтелекту.

Найцінніші інсайти часто приходять від відкритих обговорень серед колег, а не з офіційних презентацій.

Оглядаючи вперед три-п’ять років, чи очікуєте ви, що корпоративний штучний інтелект консолідується у єдині платформи, подібні до вашої, чи залишиться фрагментованою екосистемою інструментів та постачальників? Де Polestar Analytics планує позиціонувати себе у цьому майбутньому?

Фрагментація, ймовірно, продовжиться. Великі платформи, такі як Databricks, Microsoft, Salesforce та Anaplan, залишаться центральними гравцями.

Цому підприємствам потрібно шар, який об’єднує дані, інтелект та потоки роботи у щось дієвне. Це роль, для якої призначена 1Platform.

Майбутнє буде схилятися до платформ з глибокою галузевою експертизою. Генеричні горизонтальні рішення будуть боротися за диференціацію.

Правdziва цінність прийде від розуміння галузевих потреб та вбудовування інтелекту безпосередньо у потоки прийняття рішень. Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Polestar Analytics.