Amit Sharma, CEO và Người sáng lập của CData – Loạt phỏng vấn

Amit Sharma, CEO và Người sáng lập của CData Software, là một nhà điều hành công nghệ đã dẫn dắt CData từ giai đoạn khởi nghiệp ban đầu trở thành một nhà lãnh đạo toàn cầu trong lĩnh vực kết nối và tích hợp dữ liệu. Với sự nghiệp bao gồm các vai trò như kỹ sư phần mềm tại Infosys và Elixar, kiến trúc sư kỹ thuật tại /n Software, và sau đó là CTO tại CData, ông đã xây dựng chuyên môn sâu về truy cập dữ liệu doanh nghiệp và cơ sở hạ tầng. Kể từ khi trở thành CEO vào năm 2014, ông đã dẫn dắt sứ mệnh của CData nhằm đơn giản hóa cách các tổ chức kết nối, tích hợp và sử dụng dữ liệu trên các hệ thống, giúp định vị công ty như một lớp cơ sở của chuyển động dữ liệu hiện đại.

CData Software là một nhà cung cấp hàng đầu về các giải pháp truy cập và kết nối dữ liệu. Các sản phẩm dữ liệu tự phục vụ và nền tảng kết nối của công ty cung cấp quyền truy cập phổ quát vào dữ liệu trực tiếp trên hàng trăm ứng dụng trên cơ sở và đám mây được sử dụng rộng rãi. Hàng triệu người dùng trên toàn thế giới phụ thuộc vào CData để hỗ trợ phân tích nâng cao, tăng tốc việc áp dụng đám mây và xây dựng các tổ chức dựa trên dữ liệu nhiều hơn. Được thiết kế để có thể được tiêu thụ bởi bất kỳ người dùng nào, có thể truy cập được trong bất kỳ ứng dụng nào và có thể mở rộng cho các doanh nghiệp của mọi quy mô, CData đang định nghĩa lại cách các doanh nghiệp truy cập và sử dụng dữ liệu.

Bạn bắt đầu sự nghiệp của mình ở Ấn Độ tại Infosys và sau đó chuyển sang phần mềm doanh nghiệp của Mỹ. Bài học đầu tiên từ giai đoạn đó vẫn định hình cách bạn lãnh đạo như thế nào ngày nay?

Thời gian của tôi tại Infosys đã cho tôi sự tiếp xúc sớm với nhu cầu của công nghệ doanh nghiệp quy mô lớn — sự phức tạp, nhu cầu về độ tin cậy và cách các tổ chức lớn tiếp cận các vấn đề kỹ thuật. Điều đó đã tạo ra một sự tôn trọng sâu sắc đối với cấu trúc và chất lượng doanh nghiệp. Nhưng khi tôi chuyển sang một công ty khởi nghiệp của Mỹ, tôi đã phát hiện ra rằng tôi phát triển mạnh trong tốc độ, sự linh hoạt và khả năng tạo ra tác động trực tiếp. Ngày nay, nền tảng kép đó định hình cách tôi lãnh đạo CData Software: Tôi nhấn mạnh vào các tiêu chuẩn và độ bền của doanh nghiệp, đồng thời nuôi dưỡng một văn hóa nhanh nhẹn, đơn giản, dễ sử dụng và thực hiện nhanh.

Sau hơn một thập kỷ làm CEO của CData, sự thay đổi trong tư duy hoặc cách tiếp cận nào là quan trọng nhất trong việc mở rộng công ty từ những ngày đầu thành một doanh nghiệp toàn cầu?

Sự thay đổi lớn nhất đối với tôi là chuyển từ việc suy nghĩ như một người xây dựng công nghệ sang suy nghĩ như một người xây dựng một tổ chức. Trong những ngày đầu, sự tập trung của tôi gần như hoàn toàn vào sản phẩm; đảm bảo rằng nó được thiết kế tinh tế, đáng tin cậy và giải quyết các vấn đề thực sự. Khi CData mở rộng, tôi phải học rằng phần mềm tuyệt vời alone không đủ; bạn cần những người tuyệt vời, các nhà lãnh đạo mạnh mẽ và các quy trình có thể mở rộng mà không làm chậm bạn lại. Điều đó có nghĩa là đầu tư sớm vào việc tuyển dụng, trao quyền cho các đội và xây dựng các hệ thống lặp lại trên bán hàng, hỗ trợ và hoạt động, đồng thời vẫn bảo vệ văn hóa kỹ thuật của chúng tôi. Sự thay đổi trong tư duy là nhận ra rằng công việc của tôi không chỉ là tạo ra công nghệ tuyệt vời, mà là tạo ra một môi trường trong đó công nghệ tuyệt vời có thể được xây dựng một cách nhất quán bởi một đội ngũ toàn cầu đang phát triển.

CData đã tập trung vào “đơn giản hóa quyền truy cập vào bất kỳ dữ liệu nào, ở bất kỳ đâu” trong một thời gian dài. Sứ mệnh đó đã thay đổi như thế nào khi ngành công nghiệp chuyển sâu vào các ứng dụng bản địa AI?

Từ đầu, sứ mệnh của chúng tôi tại CData là làm cho dữ liệu có thể truy cập được phổ quát bằng cách sử dụng các giao diện tiêu chuẩn hóa, bởi vì chúng tôi tin rằng nút thắt lớn nhất đối với sự đổi mới không phải là lưu trữ hoặc tính toán, mà là quyền truy cập. Ý tưởng cốt lõi đó vẫn không thay đổi, nhưng bối cảnh đã thay đổi. Khi các tổ chức chuyển từ phân tích sang đám mây và bây giờ vào AI, chi phí của quyền truy cập dữ liệu bị phân mảnh và không nhất quán chỉ tăng lên. Điều đã thay đổi là trách nhiệm của chúng tôi: không chỉ là kết nối các ứng dụng với dữ liệu, mà là đảm bảo rằng dữ liệu đáng tin cậy, thời gian thực và có thể sử dụng được trên các môi trường phân tán và phức tạp ngày càng tăng. Trong kỷ nguyên AI, quyền truy cập alone không đủ. Dữ liệu phải có thể được sử dụng ngay lập tức mà không cần phải có các kỹ sư tùy chỉnh trong vài tuần.

Khi các ứng dụng bản địa AI trở thành tiêu chuẩn, sứ mệnh của chúng tôi đã mở rộng để bao gồm việc làm cho dữ liệu sẵn sàng cho AI theo mặc định. Điều đó có nghĩa là cho phép tính nhất quán về ngữ nghĩa, kết nối hiệu suất cao, quyền truy cập có ý thức về quản lý và tích hợp thời gian thực trên các nguồn dữ liệu có cấu trúc và SaaS, để các mô hình và tác nhân có thể làm việc với thông tin đáng tin cậy và mới, không phải là các tích hợp điểm hoặc bản sao cũ. Về mặt thực tế, chúng tôi tập trung vào việc loại bỏ ma sát giữa nơi dữ liệu sống và nơi các hệ thống AI hoạt động, để các đội có thể chuyển từ thí nghiệm sang sản xuất nhanh hơn. Chúng tôi xem mình không chỉ là một nhà cung cấp kết nối, mà là một lớp dữ liệu cơ bản cho các doanh nghiệp được thúc đẩy bởi AI, âm thầm cung cấp năng lượng cho các hệ thống tạo ra các ứng dụng thông minh có thể.

Với sự tăng tốc của AI tạo ra, “dữ liệu sẵn sàng cho AI” thực sự có nghĩa là gì với bạn, và ở đâu bạn thấy các tổ chức hiểu lầm ý tưởng đó nhiều nhất?

Đối với tôi, “dữ liệu sẵn sàng cho AI” có nghĩa là dữ liệu có thể truy cập được, đáng tin cậy, hiện tại và có thể hiểu được bởi cả con người và máy móc mà không cần phải có các đường ống tùy chỉnh. Điều đó không chỉ là về việc di chuyển dữ liệu vào một hồ hoặc nhà kho. Đó là về việc đảm bảo rằng các hệ thống, mô hình và tác nhân có thể truy cập dữ liệu một cách nhất quán thông qua các giao diện được quản lý và tiêu chuẩn hóa. Sự sẵn sàng cho AI phụ thuộc ít vào nơi dữ liệu được lưu trữ và nhiều hơn vào việc liệu nó có thể được khám phá, truy vấn, tin cậy và tích hợp trong thời gian thực hay không. Nếu không có nền tảng đó, ngay cả các mô hình tiên tiến nhất cũng sẽ hoạt động trên thông tin không đầy đủ hoặc cũ.

Ở đâu tôi thấy các tổ chức hiểu lầm khái niệm đó là khi họ giả định rằng tập trung hóa tự động bằng cách sẵn sàng cho AI. Các đội thường tin rằng một khi dữ liệu được hợp nhất vào một nền tảng duy nhất, họ đã “sẵn sàng cho AI”, khi trong thực tế họ đã tạo ra một silo mới. Những người khác đầu tư quá nhiều vào công cụ mà không giải quyết chất lượng dữ liệu, ngữ nghĩa và kết nối, những vấn đề không hấp dẫn nhưng làm hoặc phá vỡ các hệ thống AI thực tế. AI không thất bại vì mô hình; nó thất bại vì dữ liệu lộn xộn, không thể truy cập hoặc cũ. Các tổ chức sẽ thắng là những tổ chức coi sự sẵn sàng của dữ liệu như một kỷ luật hoạt động, không phải là một dự án di chuyển một lần.

Nghiên cứu mới của bạn, Tình trạng Kết nối Dữ liệu AI: Tầm nhìn 2026, cho thấy chỉ 6% các nhà lãnh đạo AI tin rằng cơ sở hạ tầng dữ liệu của họ hoàn toàn sẵn sàng cho AI. Tại sao bạn nghĩ khoảng cách sẵn sàng lại lớn đến vậy, và điều đó nói gì về quỹ đạo hiện tại của ngành?

Khoảng cách là lớn vì hầu hết các tổ chức đã đầu tư vào việc thu thập và lưu trữ dữ liệu lâu trước khi họ đầu tư vào việc làm cho dữ liệu có thể sử dụng được cho AI. Trong thập kỷ qua, các công ty đã xây dựng các hồ, nhà kho và đường ống, nhưng họ hiếm khi xây dựng một lớp truy cập gắn kết đảm bảo dữ liệu có thể truy cập được, nhất quán và đáng tin cậy trên các hệ thống. Kết quả là, các nhà lãnh đạo phát hiện ra rằng khi họ bắt đầu triển khai AI vào các quy trình làm việc thực tế, cơ sở hạ tầng cơ bản của họ không thể hỗ trợ tốc độ, quy mô hoặc độ tin cậy mà AI đòi hỏi. Tỷ lệ 6% không phản ánh sự thiếu tham vọng, mà là thực tế rằng AI暴露 những điểm yếu mà luôn có mặt nhưng không quan trọng quá nhiều trong phân tích truyền thống.

Điều mà dữ liệu nói về ngành là chúng ta đang ở giai đoạn đầu của đường cong áp dụng AI, không phải giai đoạn cuối. Các tổ chức đang thử nghiệm mạnh mẽ ở lớp ứng dụng, nhưng họ đang nhận ra rằng thành công phụ thuộc vào việc hiện đại hóa nền tảng dữ liệu cơ bản bên dưới. Chúng ta đang bước vào một giai đoạn sửa chữa, nơi sự tập trung đang chuyển từ các thử nghiệm bóng bẩy sang sự sẵn sàng hoạt động – truy cập được tiêu chuẩn hóa, tích hợp được quản lý và kết nối thời gian thực. Những người chiến thắng sẽ không phải là những công ty xây dựng nhiều thử nghiệm nhất, mà là những công ty hiện đại hóa cơ sở hạ tầng dữ liệu của họ đủ nhanh để chuyển những thử nghiệm đó vào sản xuất với quy mô.

Các phát hiện cũng cho thấy 71% các đội AI dành hơn một phần tư thời gian của họ cho việc “đường ống dữ liệu”. Theo quan điểm của bạn, phần việc nào thực sự là chiến lược chứ không chỉ là nợ kỹ thuật?

Một số lượng nhất định “đường ống dữ liệu” thực sự là chiến lược khi nó liên quan đến việc tạo ra quyền truy cập bền vững vào dữ liệu thông qua các giao diện tiêu chuẩn và thiết kế cho khả năng mở rộng và quản lý từ đầu. Đầu tư vào kết nối nhất quán, dịch vụ dữ liệu được chia sẻ và các mẫu tích hợp đáng tin cậy là công việc nền tảng trả nợ trên mọi ứng dụng và mô hình đến sau. Vấn đề là hầu hết các đội không làm loại “đường ống” đó. Họ đang xây dựng lại các đường ống một lần, viết các kết nối giòn và vá các tích hợp chỉ giải quyết một vấn đề một lần. Đó là nợ kỹ thuật ngụy trang thành tiến bộ.

Điều gì là chiến lược là bất cứ điều gì giảm ma sát trong tương lai: loại bỏ mã tùy chỉnh để ủng hộ các tiêu chuẩn, xây dựng các dịch vụ dữ liệu có thể tái sử dụng và kết nối các hệ thống theo cách có thể mở rộng trên các đội và trường hợp sử dụng. Khi “đường ống” trở nên vô hình và có thể lặp lại, nó ngừng trở thành một loại thuế đối với các đội AI và trở thành một công cụ. Mục tiêu thực sự không phải là dành ít thời gian cho dữ liệu. Đó là ngừng dành thời gian cho cùng một vấn đề dữ liệu một lần nữa.

Một điểm dữ liệu nổi bật từ báo cáo là 46% doanh nghiệp hiện yêu cầu quyền truy cập thời gian thực vào sáu hoặc nhiều nguồn dữ liệu cho một trường hợp sử dụng AI duy nhất. Điều đó phản ánh những gì bạn đang thấy với khách hàng, và điều gì khiến mức độ kết nối này trở nên khó khăn?

Có, điều đó phù hợp chặt chẽ với những gì chúng tôi đang thấy với khách hàng. Các trường hợp sử dụng AI hiện đại, cho dù đó là phân tích dự đoán, động cơ khuyến nghị hoặc quy trình tự động, hiếm khi phụ thuộc vào một hệ thống duy nhất. Doanh nghiệp thường cần kết hợp ERP, CRM, ứng dụng SaaS, nền tảng phát trực tuyến, cơ sở dữ liệu di sản để tạo ra các thông tin có ý nghĩa. Thách thức không chỉ là số lượng nguồn; đó là sự đa dạng, các giao thức khác nhau, định dạng và tần suất cập nhật, và kỳ vọng rằng dữ liệu này sẽ có sẵn trong thời gian thực để các mô hình AI tiêu thụ.

Điều gì khiến mức độ kết nối này trở nên khó khăn là các phương pháp tích hợp truyền thống không bao giờ được thiết kế cho tốc độ, quy mô và độ tin cậy mà AI yêu cầu. Các kết nối một lần và đường ống批 chỉ đơn giản là không thể theo kịp. Truy cập thời gian thực thực sự đòi hỏi các giao diện được quản lý, các ngữ nghĩa nhất quán trên các hệ thống và giám sát để đảm bảo chất lượng và khả năng truy cập dữ liệu. Nếu không có nền tảng đó, các đội sẽ dành nhiều thời gian hơn để chiến đấu với các đường ống hơn là xây dựng các giải pháp AI, điều này làm chậm sự đổi mới và giới thiệu rủi ro. Các tổ chức thành công sẽ là những tổ chức coi kết nối như một khả năng chiến lược, không chỉ là một nhiệm vụ kỹ thuật.

Báo cáo nhấn mạnh sự nhất quán về ngữ nghĩa, ngữ cảnh và kết nối như các đặc điểm định nghĩa của cơ sở hạ tầng dữ liệu AI trưởng thành. Tổ chức nên nghĩ về việc trình tự các ưu tiên này như thế nào?

Khi nghĩ về việc trình tự, các tổ chức nên bắt đầu với kết nối. Nếu dữ liệu không thể truy cập được đáng tin cậy trên các hệ thống, mọi thứ khác trở nên vô nghĩa. Các mô hình AI không thể học từ những gì chúng không thể tiếp cận. Thiết lập các kết nối được quản lý và tiêu chuẩn hóa trên tất cả các nguồn dữ liệu quan trọng đặt ra nền tảng cho mọi thứ tiếp theo. Nếu không có lớp đó, các đội sẽ xây dựng các đường ống dễ vỡ, một lần, tạo ra nhiều công việc hơn trong đường ống.

Một khi kết nối đã được thiết lập, sự nhất quán về ngữ nghĩa trở thành ưu tiên tiếp theo. Dữ liệu cần một ngôn ngữ chung để thông tin từ nhiều nguồn có thể được giải thích đúng và kết hợp một cách có ý nghĩa. Ngữ cảnh tự nhiên theo sau: hiểu không chỉ các giá trị mà còn ý nghĩa của chúng trong quy trình kinh doanh, thời gian và mối quan hệ đảm bảo rằng các mô hình AI có thể đưa ra dự đoán chính xác, có thể hành động. Xử lý các yếu tố này như một trình tự có cấu trúc – kết nối trước, ngữ nghĩa thứ hai, ngữ cảnh thứ ba – cho phép các tổ chức xây dựng một cơ sở hạ tầng dữ liệu sẵn sàng cho AI có thể mở rộng và hỗ trợ trí tuệ đáng tin cậy, sẵn sàng sản xuất.

Các nhà cung cấp phần mềm bản địa AI hiện yêu cầu khoảng ba lần số tích hợp bên ngoài hơn so với các nhà cung cấp truyền thống. Điều gì đang thúc đẩy khoảng cách mở rộng này, và điều đó tiết lộ gì về nơi phần mềm đang đi?
Khoảng cách mở rộng được thúc đẩy bởi bản chất của AI chính nó: các ứng dụng bản địa AI phát triển mạnh trong dữ liệu đa dạng, thời gian thực từ nhiều nguồn. Không giống như phần mềm truyền thống, hoạt động trong một hệ thống hoặc bộ duy nhất, các mô hình AI cần phải tiêu thụ, tương quan và phân tích thông tin trên các hệ thống ERP, nền tảng CRM, ứng dụng SaaS, nguồn phát trực tuyến và nhiều hơn nữa. Mỗi tích hợp là thiết yếu để cung cấp cho AI đủ ngữ cảnh và phạm vi để tạo ra dự đoán, khuyến nghị hoặc hành động tự động chính xác.

Xu hướng này tiết lộ rằng phần mềm đang chuyển từ các ứng dụng bị cô lập sang các hệ sinh thái thông minh, kết nối. Những người chiến thắng sẽ không phải là các sản phẩm hoạt động tốt một mình. Họ sẽ là các nền tảng có thể truy cập và tích hợp dữ liệu một cách无缝 ở bất cứ nơi nào nó sống. Về mặt thực tế, điều đó có nghĩa là kết nối, tiêu chuẩn hóa và tích hợp thời gian thực không còn là những tính năng tốt; chúng là các khả năng cơ bản để phần mềm bản địa AI cung cấp giá trị thực sự.

Nhìn về tương lai năm năm, bạn tin rằng điều gì sẽ trở thành nút thắt quan trọng nhất đối với thành công của AI – kết nối, đường ống thời gian thực, mô hình hóa ngữ nghĩa, quản lý hoặc điều gì khác hoàn toàn?

Nhìn về tương lai, tôi tin rằng quản lý và bảo mật sẽ trở thành nút thắt quan trọng nhất đối với thành công của AI. Mặc dù kết nối và đường ống thời gian thực vẫn là những yêu cầu cơ bản – các mô hình AI chỉ có thể hiệu quả như dữ liệu mà chúng có thể truy cập – các tổ chức đang nhanh chóng nhận ra rằng AI không được quản lý là không bền vững và có khả năng nguy hiểm. Khi AI chuyển từ thí nghiệm sang sản xuất và bắt đầu ảnh hưởng đến các quyết định kinh doanh quan trọng, rủi ro của thiên vị, vi phạm tuân thủ, rò rỉ dữ liệu và lỗi hoạt động tăng lên theo cấp số nhân.

Thách thức không chỉ là về việc di chuyển dữ liệu nữa – đó là về việc di chuyển đúng dữ liệu, với đúng các kiểm soát, đến đúng các hệ thống, theo một cách có thể theo dõi và kiểm toán được. Các tổ chức không thể nhúng các khuôn khổ quản lý mạnh mẽ và các giao thức bảo mật từ đầu sẽ phải đối mặt với áp lực quản lý ngày càng tăng, rủi ro về danh tiếng và cuối cùng, các hệ thống AI mà họ không thể tin cậy hoặc mở rộng quy mô. Chúng ta đã thấy những dấu hiệu đầu tiên: các doanh nghiệp do dự khi triển khai AI vì họ không thể đảm bảo nguồn gốc dữ liệu, kiểm soát truy cập hoặc tuân thủ các quy định đang phát triển.

Các tổ chức thành công nhất trong năm năm tới sẽ là những tổ chức coi quản lý và bảo mật không phải là những suy nghĩ sau cùng, mà là những công cụ chính cho AI. Vâng, bạn cần kết nối và đường ống thời gian thực để có dữ liệu chảy – nhưng nếu không có quản lý và bảo mật, dữ liệu đó sẽ trở thành một trách nhiệm chứ không phải là một tài sản. Tương lai của AI không chỉ là về tốc độ hoặc quy mô; đó là về niềm tin, trách nhiệm và triển khai có trách nhiệm ở mọi lớp của ngăn xếp dữ liệu.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập CData Software.