拉坦视觉分析CEO拉詹·塞图拉曼 – 采访系列

拉詹·塞图拉曼，拉坦视觉分析CEO，是一位经验丰富的高管，其职业生涯跨越咨询、人才领导和企业转型，在加入拉坦视觉分析之前曾在安永和KPMG担任领导职务。从首席人力资源官到CEO的晋升反映了他对人才发展、组织设计和可扩展的运营模式的重视，这些现在塑造了他对人工智能和分析的方法。凭借在招聘、学习和商业战略方面的深厚经验，他始终专注于将人员、文化和技术对齐，以推动可衡量的成果，最后带领拉坦视觉分析完成了IPO和全球扩张，同时将人工智能定位为一种商业能力，而不是独立的功能。

拉坦视觉分析是一家全球数据分析和数字转型公司，帮助企业利用数据、人工智能和高级分析来改善决策和推动增长。该公司提供数据工程、预测分析和人工智能驱动的咨询服务，跨行业包括金融服务、零售和技术，全球范围内与500强客户合作。其核心价值在于将原始数据转化为可行的见解，使企业能够优化运营、预测趋势和在日益竞争的经济中创造竞争优势。

您在安永和KPMG开始了您的职业生涯，担任咨询和人才领导职务，然后成为拉坦视觉分析的CEO，带领公司完成IPO和首次收购。您的背景如何影响您今天扩展人工智能和分析的方式？

我的早期职业生涯专注于人才、领导力发展和建立可扩展的组织。这种经验继续塑造我如何思考人工智能。仅仅依靠技术无法扩展一个组织。重要的是团队如何采用它，领导者如何围绕它对齐，以及业务问题如何明确定义。在拉坦视觉分析，我们花费大量时间帮助组织建立必要的运营模式、技能和文化，以将分析和人工智能转化为日常决策。

因此，我倾向于通过组织准备度来思考人工智能。扩展人工智能需要强大的领域专业知识、数据基础和能够将洞察转化为行动的团队。我的重点始终是与将人工智能视为独立能力相反，共同建立这些能力。

您曾谈到人工智能极简主义——优先考虑清晰、好奇和文化，而不是追求每个新的人工智能趋势。人工智能极简主义在实践中对企业领导者来说是什么样的？

人工智能极简主义始于关注。企业领导者不需要追求每个新模型或能力。他们需要一个小的有意义的问题集合，人工智能可以在其中改善决策或生产力，例如定价决策、供应链规划或知识在组织内的流动。从一个明确定义的问题开始，帮助团队建立信心，并了解什么是负责任的扩展。

这也意味着将人工智能嵌入真实的工作流程中，而不是将其视为一个孤立的实验。当团队看到技术帮助他们解决日常问题时，采用率往往会自然增长。好奇心和实验仍然很重要，但当它们植根于明确的目的时，效果最佳。

许多组织在加强数据基础之前就匆忙地采用生成性人工智能。公司建立在不稳定的基础上的警告信号是什么？

我经常注意到的一件事是，当人工智能对话的进展速度远远超过数据对话的进展速度时。如果领导者正在讨论共驾驶和生成性模型，但仍然存在关于关键数据的位置、所有权或业务信任的指标的混淆，那通常是基础尚未准备好的信号。人工智能系统严重依赖可靠和良好管理的数据。在没有这些的情况下，人们很难信任输出结果。

另一个信号是当公司有很多正在进行的试点项目，但很少有真正影响决策的项目。生成性人工智能可以产生令人印象深刻的演示，但真正的测试是它是否成为组织运作的一部分。

自从您担任CEO以来，您为全球客户带来了可衡量的影响。哪些公司成功地将人工智能运营化，而哪些公司仍然停留在试点阶段？

成功扩展人工智能的公司将其视为一种运营纪律，而不是创新侧项目。他们分配执行所有权，将用例与可衡量的业务成果联系起来，并从一开始就设计为集成。他们还投资于不太光鲜的工作，例如数据管道、治理、流程重设计和用户采用。这通常是试点项目和真正改变决策的能力之间的区别。

在拉坦视觉分析，我们看到公司在将人工智能锚定在一个对企业来说已经很重要的业务问题时会移动得更快，例如提高计划准确性、库存结果或供应商可见性。将人工智能与企业已经关心的指标联系起来，可以更好地获得资金、治理和采用。

您如何在大型组织中扩展人工智能，同时保持治理、安全性和问责制？

负责任的扩展始于承认人工智能决策最终会影响真实的客户、员工和业务成果。这意味着治理不能是一个事后补充的东西。组织需要围绕数据访问、模型监督和生产中的监控制定明确的政策。

在实践中，最有效的治理模型是跨职能的。业务领导者、技术团队和风险或合规团队都需要参与。人工智能系统也会从生成输出的透明度和人类判断仍然至关重要的地方中受益。通过早期建立防护措施，组织可以在保持信任的同时扩大采用范围。

拉坦视觉分析与不同数字成熟度的企业合作。您的人工智能战略在为组织提供咨询时会有何不同？

对于一个成熟的组织，谈话通常是关于加速。他们已经拥有有意义的数据资产，因此我们专注于优先考虑高价值的用例、提高可访问性和将人工智能嵌入工作流程中，以便业务可以快速采取行动。这可能涉及企业知识检索、供应链中的连接计划或可以提高决策速度的领域特定模型。

对于早期阶段的组织，起点不同。我们花更多时间在数据准备、治理、BI现代化和能力构建上，以便公司能够以可持续的方式支持人工智能。在这种情况下，成熟度评估和排序至关重要。你不想对仍然缺乏可靠数据、共同的KPI或对要解决的问题的高层对齐的业务承诺一个有代理的未来。

考虑到您在人才招聘和学习方面的深厚经验，公司在人工智能时代应该优先发展哪些内部技能，而哪些技能应该外部招聘？

在内部，我认为公司应该专注于建立广泛的人工智能和数据素养。并非每个人都需要成为数据科学家，但整个业务中的员工应该优先考虑基于洞察力的决策、提出更好的问题并在日常工作流程中使用人工智能工具。当这种做法在团队中传播时，就会变得更容易确定人工智能可以真正提供帮助和不应使用的地方。

在外部，招聘往往更专业。像数据工程、机器学习架构和人工智能治理这样的角色需要深厚的专业知识，这些专业知识组织可能并不总是拥有。做得好的公司通常将这些专家与了解背景和需要改进的决策的业务团队结合起来。

文化抵制往往会减缓转型。您发现哪些领导行为在建立人工智能采用的信任和动力方面最有效？

领导层的清晰沟通会产生很大的影响。员工希望了解为什么引入新技术以及它们如何与公司的战略相连。解释人工智能计划背后的目的并将其与实际的业务目标联系起来，有助于在整个组织中建立信心。

学习同样重要。自动化和人工智能已经在重塑许多行业，因此公司需要积极支持员工在人工智能技术发展的同时发展新能力。当人们看到与技术一起成长的真实机会时，他们会更加开放地接受变化。

随着人工智能被嵌入决策过程中，董事会和高管团队如何重新思考绩效指标和问责制？

人工智能改变了决策的方式，因此领导团队需要超越传统的项目指标。真正的问题是人工智能是否在重要的业务领域改善决策的质量和速度，例如改善需求预测、定价决策或对市场变化的响应速度。

如果这些结果正在改善，那么人工智能就正在发挥作用。人工智能的性能不能长时间地与业务性能分开存在。

问责制也需要更加明确。有人仍然拥有数据的所有权，某人负责监控生产中的系统，最后有人做出最终的决定。人工智能可以支持这些决策，但治理和监督仍然至关重要。

在接下来的三到五年中，哪些企业人工智能采用的转变将最重要——领导者现在应该做什么来保持领先地位？

在接下来的几年里，人工智能将开始在日常业务决策中发挥更大的作用。许多公司已经花费时间进行试点和概念验证。下一步是确保这些能力实际上支持团队的规划、需求预测、供应链管理或营销决策。

工作也将随着人工智能变得更加强大而演变。随着日常任务变得更加自动化，角色将转向引导、解读和与人工智能系统一起工作。组织如果能够加强数据基础，并帮助员工建立这些能力，就会更容易地适应人工智能成为日常运营的一部分的变化。

感谢您这次精彩的采访，希望了解更多的读者可以访问拉坦视觉分析。