A Chief AI Officer: cientista, arquiteta e coach — Rania Khalaf, WSO2

Ver no idioma original →

Autoria: AI Engineer · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: The Chief AI Officer: Scientist, Architect, Coach — Rania Khalaf, WSO2 · Canal: AI Engineer · 21:46 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA

Resumo

Rania Khalaf descreve como o papel de Chief AI Officer ainda é novo e varia conforme o tipo de empresa, sua maturidade em IA e as habilidades de quem ocupa a função. Ela organiza o trabalho em três frentes — cientista, arquiteta e coach — que podem receber pesos diferentes em cada organização. Com exemplos de IBM, uma startup de biotecnologia e WSO2, explica como definir prioridades, acompanhar a adoção de IA e escolher métricas que não incentivem comportamentos inadequados. Ao final, destaca a importância do apoio da liderança e de moldar a função de acordo com as habilidades e interesses de cada pessoa.

Pontos-chave

• As responsabilidades de um Chief AI Officer variam de acordo com o tipo de empresa, a maturidade em IA e o perfil da pessoa contratada.
• A função pode ser entendida por três frentes: explorar e experimentar como cientista, orientar a estratégia como arquiteta e educar e apoiar pessoas como coach.
• Em empresas que vendem software, a estratégia de IA pode envolver novos produtos e a adaptação dos produtos existentes para uso por agents.
• A adoção de IA exige experimentação contínua, pois a tecnologia muda rapidamente.
• Para avaliar a fluência em IA, é mais útil observar quem consegue aplicá-la no trabalho e como os workflows mudam do que contar tokens.
• A adoção pode avançar de tarefas simples para a transformação de workflows e o uso de agents em equipes.
• Produtos de software podem ser preparados para uso por agents com recursos como MCP, skills e CLI.
• As métricas devem mudar conforme a empresa avança e precisam ser escolhidas com cuidado, pois as equipes tendem a otimizar aquilo que é medido.
• Khalaf recomenda que quem ocupa essa função tenha forte apoio e uma relação próxima com o CEO.
• Como a função ainda é fluida, é possível moldá-la para alinhar as necessidades da empresa às habilidades e aos interesses de quem a exerce.

Capítulos

Início	Capítulo	Resumo
00:01	O papel de Chief AI Officer	Khalaf apresenta a função e explica que seu escopo muda conforme a empresa, sua maturidade em IA e as competências de quem a ocupa.
05:39	As frentes de cientista, arquiteta e coach	Ela detalha como cada frente pode variar, desde experimentação e estratégia até a gestão de projetos e a orientação de equipes e clientes.
10:18	Experiências em WSO2 e biotecnologia	Khalaf compara seu trabalho atual na WSO2 com a experiência em uma startup de biotecnologia e mostra como as necessidades de IA diferem entre empresas.
12:27	Como medir a adoção de IA	Ela propõe acompanhar fluência, distribuição de capacidades, mudanças nos workflows e acesso a ferramentas, em vez de usar a contagem de tokens.
17:35	A estratégia e os produtos de IA da WSO2	Khalaf apresenta a empresa e descreve como suas plataformas vêm incorporando recursos para APIs, identidade, agents e gestão de IA.
20:13	Conselhos para moldar a função	Ela recomenda buscar apoio próximo do CEO e adaptar o papel às necessidades da empresa e às próprias habilidades e interesses.

Citações

A IA está em tudo, e isso pode ser realmente avassalador. — 02:32

Minhas conversas são sempre: quais problemas vocês estão enfrentando? — 05:09

Você obtém aquilo que mede. — 17:04

Tente encontrar algo na interseção entre aquilo em que você é bom, o que ama, o que o mundo precisa e pelo que pode ser pago. — 21:16

Conceitos e entidades

• Rania Khalaf (pessoa): Executiva que compartilha sua experiência no papel de Chief AI Officer em empresas de tecnologia e biotecnologia.
• WSO2 (empresa): Empresa de software open source em que Khalaf atua e cuja estratégia inclui produtos para APIs, integração, identidade e IA.
• IBM (empresa): Empresa em que Khalaf trabalhou por 20 anos em pesquisa.
• Claude (modelo): Modelo mencionado por Khalaf como uma das ferramentas usadas para analisar currículos e anúncios de vagas.
• Gemini (modelo): Modelo mencionado por Khalaf como uma das ferramentas usadas para analisar currículos e anúncios de vagas.
• MCP (conceito): Recurso que, junto com skills e CLI, Khalaf cita como parte da preparação dos produtos para serem usados por agents.
• Chief AI Officer (conceito): Função de liderança em IA cujo escopo varia conforme a empresa, sua maturidade e o perfil profissional de quem a ocupa.
• Fluência em IA (conceito): Capacidade das pessoas em diferentes equipes de usar IA para realizar e ampliar o próprio trabalho.
• Agent identity (conceito): Gestão de identidade e acesso para agents, apresentada como uma extensão das capacidades de identidade da WSO2.
• AI Gateway (ferramenta): Componente da plataforma de APIs da WSO2 destinado a governar interações com IA.
• Databricks (empresa): Empresa cujo produto Khalaf diz ter adotado durante seu trabalho na startup de biotecnologia.

Tradução completa (pt-BR)

00:01 [música] Oi, pessoal. Como vocês estão? Tudo bem. Estou muito animada de ver todos vocês aqui, ainda acordados e prontos. Então, hoje eu queria compartilhar minhas experiências no cargo de diretora de IA. É algo muito novo. Recebo muitas perguntas sobre isso. Estou nesse

00:31 cargo há quase dois anos e em alguma variação dele há cerca dos últimos cinco anos. E, para começar, eu gostaria de ter uma ideia de quem está aqui. Quantas pessoas trabalham em empresas que desenvolvem e vendem produtos de software? Ótimo. E quantas pessoas têm alguém liderando a área de IA que não seja o CEO ou o

01:02 CTO? Muito legal. Então, vamos direto ao assunto. Isso ajuda. Como eu estava dizendo, esse cargo é novo, mas está se tornando cada vez mais popular. E o que descobri é que ele significa coisas drasticamente diferentes dependendo de dois critérios. O primeiro é a empresa, o tipo de empresa em que você trabalha; o segundo é o nível de maturidade em IA dessa empresa. Há também outra

01:32 dimensão, que realmente depende do conjunto de habilidades e da experiência da pessoa no cargo. E também vi isso variar bastante. Em alguns casos, o cargo foi criado para uma pessoa específica, que traz um conjunto específico de habilidades. Em outros casos, havia uma necessidade muito específica e contrataram alguém para atendê-la. Vamos ver: como é tão difícil contratar para esse cargo especificamente, também veremos que as empresas que estão recrutando têm bastante abertura quanto ao que exatamente

02:02 a pessoa poderá fazer, dependendo de quem encontrarem, de quanto essa pessoa se encaixar e de se ela poderá complementar a equipe. Também já vi o cargo, às vezes, se dividir em dois. Mas o mais interessante é que até nesses estudos da IBM, com um ano de diferença, os números foram de 11% em 2024, para 26% em 2025 e agora 76%. Certo. Então, o complicado nesse

02:32 cargo é que ele é ótimo. Certo, tenho uma diretora de IA, mas há IA em tudo, não é? É meio como dizer digital ou, sei lá, eletricidade. Está em tudo e pode significar muitas coisas, o que pode ser realmente avassalador, não é? Então, é preciso ter muita disciplina para fazer isso bem, continuar sentindo prazer no trabalho e não ficar sobrecarregado. Como podemos fazer isso? Na minha experiência, a resposta tem sido dividir o trabalho em três áreas de foco. Uso os termos cientista, arquiteto e coach. Vou

03:03 explicar um pouco melhor. Cientista significa que você está explorando, experimentando e construindo. Arquiteto: você também está construindo, mas também trabalha muito mais com estratégia. Se a empresa vende produtos de software, você está pensando em criar novos softwares e influencia a estratégia de produto. Se a empresa não desenvolve produtos de software, você cria e incorpora IA de maneiras que afetam não só os resultados financeiros, como a redução de custos e a produtividade, mas também a receita, por meio de novos

03:33 fluxos de receita, da entrada em novos mercados e assim por diante. Também incluí um aspecto que é muito importante aqui. Estou em uma função que se reporta ao conselho, certo? Então, preciso prestar contas ao conselho tanto nesta empresa quanto na anterior em que trabalhei. Por isso, parte do trabalho também é ser responsável pelo que estamos fazendo em IA e por como isso está ajudando a empresa e nossos clientes. E, por fim, a parte de coach me surpreendeu. Passei 20 anos na área de pesquisa da IBM

04:07 liderando cerca de um terço da organização global de pesquisa em IA. Quando aceitei meu primeiro emprego nessa função, esqueci que é preciso passar muito tempo divulgando, educando, compartilhando e comunicando em excesso o que você está fazendo, como a IA pode ajudar e de que maneiras as pessoas podem adotá-la — não só para seus funcionários, mas também para seus clientes. E, agora, nesta função, também passo muito tempo atuando como consultora de confiança para muitos dos nossos clientes. Então,

04:37 pessoas que ocupam minha função em outras empresas ou CTOs que estão começando a adotar IA. Elas querem saber o que está acontecendo em outros lugares. Então, faço muitas ligações com clientes, e nunca vou dizer: “Compre o meu produto”, certo? Isso só acontece mais adiante, se tiverem interesse. Nossas conversas são sempre sobre quais problemas estão enfrentando e como pensamos a respeito deles. Não tenho slides, mas tudo bem. Voltou?

05:09 Bem, enquanto você conserta isso, vou dizer mais algumas palavras. Certo. A conversa que tenho com eles é mais na linha de uma consultoria de confiança. Entendo quais problemas estão enfrentando e vejo se nossa tecnologia se encaixa. Se nossas soluções não servirem, posso indicar outra coisa que funcione muito melhor para eles e para o estágio em que estão. Às vezes, voltam a falar comigo ou simplesmente querem conversar de novo. Temos muitos produtos que também não têm a IA como foco principal. Então, posso conversar com clientes que não usam nenhum dos nossos recursos de IA, mas querem pensar no que poderiam fazer no

05:39 futuro. Obrigada. Cada uma dessas áreas de foco também abrange um espectro, e acho que esse espectro depende muito do tipo de empresa e do conjunto de habilidades que você traz para o cargo. No caso dos cientistas, por exemplo, mesmo em uma das extremidades, não é preciso ter doutorado; basta explorar bastante. Acredito que, neste mundo da IA, que está mudando tão rapidamente, é preciso ter sempre parte da equipe experimentando, entendendo as novidades, testando-as e vendo como se encaixam. Eu

06:11 não acho que exista uma alternativa, porque a tecnologia está avançando muito rápido. Na outra extremidade, para os arquitetos, está o lado de criar e inventar. Também já vi algo que me surpreendeu: descobri isso quando recebi um e-mail com algo como “formação em IA para diretores de IA”. Pensei: “Espera aí, como alguém consegue esse emprego sem saber sobre IA?” Então percebi que há empresas em que a pessoa nesse

06:41 cargo realmente entende do negócio e atua como uma espécie de responsável. Ela tem um orçamento e tenta entender os projetos que as pessoas propõem, quais deles vão gerar valor suficiente, define prioridades, distribui o orçamento, gerencia os projetos e presta contas, certo? Para isso, não é preciso ter conhecimentos profundos de IA, mas é preciso entender muito bem o negócio e ser uma excelente gestora operacional. Na outra extremidade, está mais o que eu faço: moldar toda a estratégia da empresa e reinventar a maneira como trabalhamos em termos de produtividade

07:11 e também de produtos, estratégia e entrada no mercado. Por fim, a parte de coach também depende do tipo de empresa. Se você trabalha em uma empresa que não vende um produto de IA, passa muito tempo orientando as pessoas dentro da empresa. Você orienta as diferentes equipes e os funcionários sobre como usar as ferramentas. Quer que eles descubram por conta própria coisas como alucinações, porque você pode explicar até ficar sem voz, mas as pessoas não acreditam até vivenciarem isso. À medida que a empresa amadurece,

07:41 você passa a orientar mais as pessoas de fora, trabalhando com clientes, com a comunidade e assim por diante. Também trabalhei com Claude e Gemini para me ajudar a analisar currículos de pessoas que ocupam esse cargo, além de anúncios de vagas para o cargo, e compará-los com essas direções do espectro para ver o que os modelos achavam. Estas são algumas das áreas que identificaram. Isso confirma que, na verdade, tudo depende da pessoa. Então, a linha representa o tipo de

08:14 a persona e seu conjunto de habilidades, e as colunas são os controles deslizantes, certo? Então, vou dar alguns exemplos da minha própria trajetória, porque essa área é muito fluida e nova. Acho que isso é o mais útil que posso fazer, espero. Depois da IBM Research, entrei em uma startup de biotecnologia unicórnio na região de Cambridge que trabalhava com agricultura. Eles usavam CRISPR em milho, soja e trigo para criar plantas que produzem mais alimentos e usam

08:44 menos água. Mas, para fazer esses experimentos, eram necessários 10 anos e uma enorme quantidade de terra para validar se a edição genética funcionaria. Então, eram necessários métodos para ajudar os cientistas a formular hipóteses melhores sobre quais edições fazer, certo? Essa foi a porta de entrada para a parte de IA e dados. Quando cheguei lá, eles disseram: “Ah, você é uma pessoa de computação.” Eles tinham geneticistas incríveis e profissionais de IA incríveis, mas não muitas pessoas de tecnologia com experiência em engenharia. Então disseram: “Vamos

09:15 também lhe dar essa responsabilidade e, por favor, contrate um CISO.” E não tínhamos engenheiros de dados. Então, esse mandato cresceu muito rapidamente e foi muito além de “vamos criar IA juntos”. Mas aquela empresa vendia sacos de sementes, certo? Na IBM, eu estava construindo a plataforma. Acabei levando a empresa a se tornar totalmente AWS. Comprei o Databricks, certo? E então passei o tempo dos meus engenheiros desenvolvendo novos algoritmos para descoberta genética e migrando do Box para a

09:46 Microsoft, além de cuidar de coisas assim, do lado de TI, o que foi interessante, mas não era algo que me desse alegria e paixão. Então, foi uma experiência muito diferente e exigiu um conjunto de habilidades muito diferente. Mas a IA também estava mudando fundamentalmente a forma como a empresa operava e sua capacidade de ter muito sucesso, certo? Então, voltando aos controles deslizantes e assim por diante, eu diria que, na WS2, que é

10:18 o cargo que ocupo agora, sou cerca de 20% cientista, eu diria 60% arquiteta e 20% coach, certo? E esses controles deslizantes abaixo também mostram onde estou em cada uma das dimensões, certo? Temos uma pequena equipe de pesquisa, com a qual fizemos trabalhos muito interessantes. Trabalhamos bastante para mudar a estratégia da empresa, que agora é muito focada no agentic enterprise fabric, e passo muito tempo orientando pessoas, principalmente fora da empresa. Temos uma base de funcionários muito

10:48 voltada à tecnologia. Cerca de 75% das pessoas da empresa são técnicas, e elas são muito, muito curiosas, certo? É o tipo de lugar em que, se você não for curioso, provavelmente não vai ficar por muito tempo, certo? Então, não preciso fazer muita orientação interna; faço muita orientação externa. No meu cargo anterior, que acabei de mencionar, era muito diferente. Lá, o objetivo não era inventar um novo algoritmo nem criar novos modelos de base, certo? A ideia era: como podemos

11:20 incorporar algumas das técnicas de IA conhecidas? Como podemos reunir os dados, que estavam completamente desorganizados, certo? Como podemos limpar e integrar os dados? E como podemos incorporar essas coisas aos processos existentes? Em alguns casos, houve mais invenção na parte de descoberta genética, mas, em outros, era uma questão de operações básicas. Por exemplo, os cientistas tinham a hipótese de que medir o tamanho do embrião do milho era um indicador de quão provável era o sucesso da etapa seguinte da edição genética. Mas era caro demais pedir a humanos que fizessem isso, certo? Então, eles disseram: “Por favor, podemos usar IA?” Eu fiz mestrado em visão computacional, então analisei isso e pensei: “Sim, claro que podemos usar IA, mas basta detectar blobs; não precisamos de machine learning. Só precisamos de visão computacional básica.” Usamos um algoritmo muito simples e funcionou muito bem, certo? E isso ajudou. Em outro caso, para a descoberta genética, fizemos um trabalho muito interessante com aves e coisas assim.

11:52 Provavelmente, isso é necessário para que a próxima etapa da edição genética seja bem-sucedida, mas era caro demais para as pessoas fazerem direito. Então, elas perguntaram: “Por favor, podemos usar IA?” Fiz meu mestrado em visão computacional, então analisei aquilo e pensei: “Bem, sim, claro que podemos usar IA, mas você só precisa de detecção de blobs; não precisa de machine learning. Só precisa de visão computacional básica.” Usamos um algoritmo muito simples, e funcionou muito bem, certo? E isso ajudou. E, no outro caso, para a descoberta de genes, fizemos algo muito interessante com pássaros e coisas assim.

12:27 Então, esta é uma tentativa de organizar um pouco as ideias numa grade, para pensar sobre o assunto. Na minha opinião, com base na minha experiência na IBM, na startup de biotecnologia e agora na WSO2, essas são as dimensões que considero: a empresa vende software? A população é principalmente técnica? E em que ponto da jornada de IA vocês estão? Então, perguntam muito o que eu mensuro. Alguém me pediu para mensurar tokens

12:57 para saber quanta IA usamos, e eu disse que não. Porque é muito fácil manipular essa métrica; não é que seja difícil mensurá-la, mas não quero. Então, perguntaram o que eu mensuro no lugar, e eu disse: “Estas são as coisas que observo: a fluência em IA da força de trabalho. Só algumas pessoas de um centro de excelência conhecem IA e, sempre que alguém precisa fazer alguma coisa, tem de recorrer a elas? Há pessoas que desenvolvem soluções em diferentes áreas?”

13:28 Há pessoas que sabem o suficiente para fazer o trabalho e realmente ampliá-lo, trabalhando em marketing, em diferentes equipes de engenharia etc.? Ou vocês estão concentrando tudo isso? Agora tenho uma pequena equipe central de IA que trabalha com todo mundo, mas também tenho uma liderança de IA em cada produto, e cada equipe de produto tem pessoas trabalhando nos recursos de IA do produto, certo? E depois temos alguns produtos que são AI first, certo? Então, todo mundo que trabalha neles está trabalhando com IA. Acho que o nível de adoção importa: vocês estão apenas fazendo

13:58 uma tarefa simples, como limpar um e-mail ou completar código, ou estão mudando um workflow inteiro para obter um resultado melhor? Algumas das nossas equipes, por exemplo, implementaram funcionários agentic. São agents que você pode instanciar e que trabalham junto com a equipe, certo? Então, esse é um espectro, e diferentes equipes estão em diferentes pontos dele. Disponibilidade de ferramentas: como empresa, vocês assinam algumas ferramentas? Reembolsam ou pagam os custos com contas de equipe ou empresariais? E visibilidade geográfica. Então,

14:32 isso é otimização para mecanismos generativos, certo? Os LLMs conseguem nos encontrar? Conseguem saber o que fazemos? Alguém pesquisa? Há muita coisa acontecendo nessa área. Ainda estamos trabalhando nisso. Acho que, para muitas outras pessoas também, não é tão simples. E também foi interessante: alguém me disse isso ontem mesmo. A pessoa disse: “A web passou a ser feita para agents. Já não dá para humanos lerem, porque tudo está sendo escrito com a expectativa de que um LLM vai ler, e isso é muito frustrante.” Aí ela disse: “Então vou

15:02 pedir aos meus LLMs que leiam e resumam para mim, e, de agora em diante, só vou conversar com humanos”, certo? Para produtos de software, no começo, quando assumi esse cargo, a questão era: o que devemos criar, o que devemos ampliar e com quem devemos fazer parcerias? Depois, quisemos que todos os nossos produtos pudessem ser consumidos por agents e LLMs. Então, a documentação precisava poder ser consumida por LLMs. No ano passado, adicionamos suporte de primeira classe para agents, LLMs e ferramentas a todos os nossos produtos, e neste ano estamos garantindo que todos os produtos possam ser

15:33 usados por agents. Então, tudo precisa ter um servidor MCP, skills, CLI etc. Preços à prova de agents. Todos já ouvimos dizer que o SaaS está morto e, se você cobra por usuário ou algo assim, o que acontece quando os agents chegam e fazem o consumo disparar? Então, nossos preços são todos baseados no consumo. E também usamos a nossa própria stack. Hoje ouvi outra coisa interessante sobre isso. Alguém me disse: “Ah, trabalho numa empresa que não vou mencionar, e nos obrigam a usar o nosso produto. Seria ótimo, exceto que ninguém…”

16:03 feedback, certo, para melhorar o produto.” Então, espero que fechemos o ciclo de feedback e não apenas façamos as pessoas usarem nossos produtos, mas que elas os usem porque gostam deles e porque eles as ajudam. E a terceira dimensão é o mercado e o ecossistema. Liderança de pensamento em IA não se resume a artigos pelos quais você pode pagar. Você tem mídia espontânea? Ou seja, é convidado para dar palestras? Tem publicações? Aparece na imprensa porque está fazendo algo realmente interessante? Certo? Reconhecimento de analistas, adoção por clientes e casos de uso

16:34 são, na minha opinião, muito, muito importantes, certo? Passo bastante tempo pensando no que incomoda meus clientes e em como podemos melhorar isso. Somos uma empresa totalmente open source. Então, tudo o que fazemos é 100% open source. Não é open core. Para nós, também é um sinal muito importante: participação e adoção da comunidade, estrelas e forks e, por fim, ARR dos produtos de IA. Alguns dos nossos produtos de IA são muito novos, então não há muito ARR

17:04 ainda, mas algumas dessas outras coisas podem dar uma indicação disso enquanto decolamos. E também acho que receita não é o único número que importa, assim como tokens não são o único número que importa. Então, acho que o que você mede deve mudar com o tempo, com base no que está fazendo e no que sua empresa está fazendo, certo? Para mim, é isso que estou medindo agora. Quando essas coisas amadurecerem, vou mudar essa lista, certo? Pense bastante nisso, porque você realmente obtém aquilo que mede. Você começa a

17:35 medir alguma coisa, e todo mundo vai se esforçar para otimizá-la. Só algumas palavras sobre a WSO2. Temos cerca de 20 anos. Temos cerca de 150 milhões em ARR. Nosso software viabiliza muitos recursos em mais de 90 países, em seis continentes. Nossos principais produtos — nossa história tem sido em plataformas de API, plataformas de integração, gerenciamento de identidade e acesso e

18:07 plataformas internas para desenvolvedores. Temos um produto para isso. Nos últimos dois anos, desde que cheguei, adicionamos identidade de agentes e um gateway de IA para governar suas interações com IA. Adicionamos um construtor de agentes à nossa plataforma de integração. É isso que fazemos, e tudo o que fazemos é open source. Este é todo o nosso portfólio atual. Na parte inferior, vocês verão as quatro plataformas que já existiam alguns anos atrás. E começamos dizendo que iríamos expandi-las para atender ao que as IAs precisam, certo? Então,

18:40 as APIs de LLM e IA são APIs, no fim das contas, mas precisam ser gerenciadas de outra forma. Então, adicionamos um gateway de IA à plataforma de API. Na plataforma de identidade, já sabemos fazer um gerenciamento de identidade e acesso bastante robusto para pessoas. Então, agora vamos fazer isso também para agentes. Adicionamos identidade de agentes. Isso foi tudo no ano passado e, neste ano, lançamos uma plataforma de agentes que permite usar esses recursos, mas também reuni-los e gerenciar todo o ciclo de vida desses

19:11 agentes. Vou dar também alguns exemplos do lado da ciência. Como mencionei, temos um pequeno grupo de pesquisa e tenho muito orgulho de termos três publicações neste ano. Duas delas são com estudantes de graduação no Sri Lanka. É a primeira publicação deles, e uma delas ganhou um prêmio de melhor artigo. Do lado da arquitetura, a ideia era: a IA é um objeto brilhante e incrível, mas queremos incorporá-la em toda a estrutura digital. Então, como podemos expandi-la com

19:42 esses recursos, como mencionei antes? Essas são as coisas que adicionamos, e o agent manager é a novidade mais recente. Acabamos de lançá-lo. Por causa do tempo, não vou me aprofundar, mas sintam-se à vontade para explorar o repo no GitHub e o site. Para concluir, em poucas palavras: não existe solução mágica. Depende da empresa, e é preciso trabalhar muito de perto com outras pessoas. Se tentarem algo assim, sugiro que

20:13 tenham um forte apoio e uma boa relação com o CEO, porque será necessário trabalhar muito de perto com várias outras áreas da empresa. Também vi lugares em que, se a empresa é muito voltada para IA, o diretor — como o diretor de produto e o diretor de IA — é a mesma pessoa, certo? Em outros lugares, isso foi surpreendente: em empresas que não são de software, também vi casos em que a pessoa que chefiava o RH passou a chefiar a área de IA.

20:45 Não sei bem o que acho disso. Mas, sim, eu sei. Fico pensando: “Tudo bem”. É interessante, as coisas estão acontecendo. Todo mundo está tentando descobrir o que fazer, certo? Porque disseram: “Ah, agentes são força de trabalho, nossa força de trabalho, então o RH vai gerenciá-los”. Entendo isso. Gosto que as pessoas se sintam como eu nesta sala, porque aquele rumor que ouvi… [risos] não foi bem recebido. Mas vou deixar vocês com isto para concluir. Quando penso até mesmo

21:16 no meu caso, em assumir este cargo, eu tentava pensar: “Certo, o que eu faço bem, o que eu amo, do que o mundo precisa e pelo que posso ser pago?”. Tente encontrar algo na interseção disso. Como essa função ainda é muito fluida, se você tem interesse e está procurando, e encontra algum ponto de convergência, tente moldá-la de modo que você fique no centro e que ela o faça feliz. E, quanto às coisas de que não gosta, veja se consegue pedir para alguém

21:46 trabalhar nelas de outra forma, ou talvez outra empresa seja mais adequada, com maior alinhamento com seus interesses, com aquilo que você ama e com suas necessidades e habilidades. Certo. Muito obrigada. Se tiverem perguntas, estarei por aqui. [aplausos]

Transcrição original

[00:01] [music] Hi everyone. How are you? All right. I’m so excited to see all of you here still awake and ready. Um, so today I wanted to uh share my experiences on the chief AI officer role. It’s very new. I get a lot of questions about it. I’ve been in this

[00:31] role for nearly two years and some variant of it for about the last five. And um I wanted to so to get started I just would like to get an idea about the folks around here. Um how many are in companies that build and sell software products? All right, great. Um, and um, how many folks are uh, have someone leading AI that is not the CEO or the

[01:02] CTO? All right, very cool. So, we’ll we’ll jump right in. This helps. Um, so like I was mentioning, the stroll is new, but it’s becoming more and more popular. And what I found is that it means drastically different things based on two criteria. One is the company, the type of company you’re working for and two is the level of AI maturity of that company. There’s also another

[01:32] dimension which really is depending on the skill set and the background of the person in the role and I’ve seen that also vary a lot and in some cases the role was created for a particular person that brings a particular skill set right um in other cases there was a very specific need and people hired in for it right so we’ll see because it’s so hard to hire for this role specifically we’ll also see that um there’s a lot of open-mindedness in the companies that are recruiting for it for exactly what

[02:02] the person might do based on the person they find and how well that fits and if they can complement it. So I’ve also seen it sometimes breaking into two. Um but the really interesting things is you see like even these IBM studies one year apart uh so it was like 11% in 2024 26% in 25 and now 76%. Um, okay. So, the tricky thing about this

[02:32] role is like it’s so great. Okay, I have an AI officer, but there’s AI in everything, right? It’s kind of like saying digital or I don’t know, electricity. It it’s in everything and it can be so many things and it can be really overwhelming, right? So, you have to have a lot of discipline to do it well and to still have joy and not to get overwhelmed and overloaded. Um, so how can we do that? So in my experience, it’s been about breaking it into three focus areas. Um I use the word scientist, architect, and coach. I’ll

[03:03] explain a little more. So scientist is more um you’re exploring, you’re experimenting, you’re building. Architect, you’re also building, but you’re also doing a lot more strategy. If the company is selling software product, you’re really thinking about creating new software, you’re impacting the product strategy. um if the company doesn’t build software product, you’re creating you’re adding AI in ways that affect not only the bottom line and like cost takeout and productivity but also the top line in terms of um new revenue

[03:33] streams or getting to new markets and so on. Um I’m putting also there is one piece that is uh quite important here. So like I’m in a board-facing role, right? So I have to report out to the to our board in both this company and the previous one I was in. And so for that there’s also part of the job that’s like responsibility for the what we’re doing in AI and how that is helping the company and our customers. And finally for coach the coach one of surprised me. Um I had spent 20 years in IBM research

[04:07] um running about a third of the global research AI organization and when I took my first job in this role I forgot that you have to really spend a lot of time um evangelizing educating sharing overcommunicating about what you’re doing about what how AI can help about ways people can adopt it not only to your employees but also to your customers and now in this role I also spend a lot of time as like trusted advisor to many of our customers. So

[04:37] people in my role at other customers or CTOs that are starting to adopt AI, right? They they want to learn about okay what’s happening in other places. So I do a lot of calls with customers and I’m never going to be like here buy my thing, right? Um that happens later downstream if they’re interested. My discussions are always what problems are you having? This is how we think about the problem. And I have no slides, but that’s okay. Does it come back?

[05:09] Well, while you fix it, I’ll say a few more words. Right. So, the conversation I have with them is more of a a trusted advisor. Like, I understand what problems they’re having. I see if our technology fits. If our stuff doesn’t fit, I might direct them to another thing that works much better for them and where they are. And sometimes they’ll come back or they’ll just want to have a discussion again. Um, we have many products uh that are also not AI first. So, you know, we I might talk to some customers that don’t use any of our AI capability, right? But they want to think about what they could do in the

[05:39] future. Thank you. And then each of these focus areas has a range and I think this range really depends on the kind of company and the skill set that you’re bringing to the role. So for the scientists like even at one set you don’t have to have a PhD you’re just exploring heavily. I do believe in this AI world that’s moving so so quickly, um, you have to always have some of your team experimenting and understanding what’s new and trying it out and seeing how it fits, right? I

[06:11] don’t think there’s a way around that because the tech is moving so fast. Um, but on the other end is like the creator inventor side of the house for the architects. I’ve also seen I was surprised by this because I discovered it when I got an email um saying something like uh AI education for chief AI officers and I’m like wait what like how do you get this job if you don’t know about AI and then I realized that there are some companies that they have someone in the

[06:41] role that really understands the business and they’re really a steward so they have a budget and they’re trying to understand you know people propose projects and they’re trying to understand which projects will bring enough value and they prioritize and they allocate budget and they project manage them and they report out right so for that you don’t need deep AI knowledge but you need to understand the business really well and be a very strong operator right on the other side is more like what I’m doing which is like you’re shaping the whole strategy of the company you’re reinventing how we do things in terms of our productivity

[07:11] but also in terms of the products and the strategy in the go to market uh and finally for coaching it also depends on the kind of company if you’re in a company that’s not really selling an AI product, you’re spending a lot of time coaching inward. You’re coaching your uh the different teams, the the employees about how to use things. You want them to discover for themselves things like hallucination because you can explain until you’re blue in the face, but people don’t believe it until they experience it. Um and then, uh as the company has more maturity, you’re

[07:41] doing more coaching outward, right? So, working with customers, working with the community and and things like that. So uh I also uh worked with Claude and Gemini to help me like analyze resumes of people in the role, right? And also job postings of people in the role and match them to these slider directions and see like what it thinks. And these are some of the areas it found. So this validates that like really it’s the person. So um the row is the type of

[08:14] persona and their skill set and then the columns are the sliders, right? Um so I’m going to give some examples from my own journey because this is area is so fluid and new. So I think that’s the the most useful I hope thing to do. Uh so after IBM research I joined a biotech uh unicorn in the Cambridge area that was working in agriculture. So they were using crisper for corn, soy and wheat to make plants that make more food and use

[08:44] less water. But to do those experiments took 10 years and a ton of land to validate like if your gene edit would work. So you needed methods to help the scientists make better hypothesis of what edits to make. Right? So that was the way in the door for the AI and data part. Um and then when I got there they were like oh you are like a computer person. They are more like they had amazing geneticists and amazing act people but not a lot of tech people from like engineering. So they’re like, “We’re

[09:15] also going to give you it and please hire a CISO.” And we had no data engineers. So like that mandate grew very quickly, very far beyond the let’s build AI together. Um but that company sold bags of seeds, right? So we’re in IBM, I was building platform here. I was like we we end up uh to be a fully AWS shop. I bought data bricks, right? Right. And then I spent my engineers time building new algorithms for gene discovery and um moving from uh box to

[09:46] Microsoft and you know things like that the IT side which uh was interesting uh but uh not my joy and passion. So that was a very different experience and a very different skill set of what to do there. But also the AI there was also fundamentally uh changing what the how the company operates and its ability to have great success. Right? So if you go back to the sliders and so on. So I would say like at WS2 which is

[10:18] the job I have now I’m at about like 20% scientist I want to say 60% architect 20% coach right. Um and these uh sliders below are also showing like where I’m at in each of the dimensions. Right? So we have a small research team there that uh we’ve done some very interesting work. We’ve really worked to change the strategy of the company that’s very focused now on the agentic enterprise fabric and I spent a lot of time coaching mainly outward. We have a very

[10:48] techforward employee base. are about 75% technical people uh on in the whole company and people are super super curious right it’s the kind of place where if you’re not curious you probably won’t stay for very long right um so then I don’t have to do a lot of inward coaching I do a lot of outward coaching um in my previous role the one I was just mentioning right it was very different so uh there the point was not to we didn’t need to invent new algorithm or make new uh foundation models right the idea was how can How

[11:20] can we infuse some of the AI techniques that are well known? How can we gather the data was a total mess, right? How can we clean and integrate the data um and how do we like inject these things into the processes that they have. In some case there was more invention for the gene discovery part but in other places it was just about basic operations. So for example uh the scientists had a hypothesis that if you measure the size of the embryo of the corn embryo that is an indicator of how likely the size was an indicator of how

[11:52] likely you are for the next step to be successful in your gene editing but it was too costly for humans to do it right so they oh please can we use AI and um I did my masters in computer vision so I looked at that I was like well yeah sure we can use AI but you just need like blob detection you don’t need any machine learning that you just need basic computer vision and we use a very simple algorithm and it worked really well right and that helped. Um and then in the other case for gene discovery we did some very interesting with birds and and things like this.

[12:27] Uh so this is a bit like I was trying to put it a bit on a grid of how do we think about it and really in my view with my experience having been like at IBM and at the biotech startup and now at WSO2 those are the dimensions I think about right like does the company sell software is the is the population mainly technical um and where are you in your AI journey? So uh I get asked a lot what I measure. Um, someone asked me to measure tokens

[12:57] because to see how much AI we do and I said no. Um, because right it’s so easily hackable like I’m not like okay it’s easy to measure it but I don’t want to. Um so they asked me what do you measure instead and I said okay these are the things I look at AI fluency of the workforce like is it only a few people that know AI in a center of excellence and anytime anyone has to do anything you have to get those people um are there builders across the functions

[13:28] right are there people who know how to do enough to get their job done and to really augment it that are you know in marketing in different engineering teams etc or again are you holding all of those so now I have a small central AI team that kind of works with everybody but I have an AI lead in every single product and every product team has folks working on the AI capabilities in it right um and then we have some products that are AI first right so everybody there is working on AI level of adoption I think matters like are you just doing

[13:58] a simple task cleaning an email code completion or are you changing an entire workflow for a better outcome or like we have a couple of our teams that have put agentic employees right so you have these agents that you can instantiate and they work alongside inside the team, right? So that’s a spectrum and different teams are in different parts of this spectrum. Uh tool availability like have you as a company do you have you subscribe to some tools and are you reimbursing or paying the cost with team or enterprise accounts? Um and then geo visibility. So

[14:32] this is generative engine optimization, right? Can LLM find us? Can they know what we do? Someone searches? There’s a lot going on there. We’re still working uh on that. I think with a lot of other people it’s not so straightforward. Um and that’s where also someone it was interesting. Someone was telling me that just yesterday, right? They’re like the web has become for agents. Like it’s unreadable for humans anymore because everything is being written assuming an LLM is reading it and it’s so frustrating. He’s like so I’m just going

[15:02] to have my LLMs read and summarize for me and I’m only going to talk to humans from now on, right? Um for software products uh in the beginning like when we when I started in this role it was about like what should we build what should we extend and where should we partner um and then I we wanted all our products to be agent and LLM consumable. So the docs need to be LM consumable. Uh last year we added first class support for agents LLMs and tools to all our products and this year we’re making sure every product can be

[15:33] used by agents. So everything needs to have an MCP server and skills and CLI etc. Um agent proof pricing. So we’ve all heard this whole SAS is dead and if you price per se and whatever what happens when the agents come and blow it out of the water the consumption. So we are our pricing is all consumption based and then dog footing our stack. I heard another interesting thing today about that. Somebody told me like, “Oh, I’m at so and so company which I won’t name and they make us use our product and it would be great except nobody takes any

[16:03] feedback, right, to make the product better.” So hopefully we close the feedback loop and not only make people use our stuff, but they use it if they like it and if it helps them. And then the third dimension is the market and ecosystem. So AI thought leadership is not about like articles you can pay for, but do you have earned media, which is are you invited for talks? Do you uh have publications? Are you showing up in the press because you’re doing something interesting for real? Right? Uh analyst recognition, customer adoption and use

[16:34] cases is I think very very important, right? Like I stay up a lot thinking about what hurts for my customers and how we can make it better. Uh we are a fully open source company. So everything we do is 100% open source. It’s not open core. And um so for us also that’s a really important signal right community participation and adoption and stars and forks and then finally AR from AI products right some of our AI products are very new so there isn’t a lot of AR

[17:04] but some of these other things can give signal to it as we get off the ground um and also I think um revenue is not the only number that matters like tokens is not the only number that matters so this is and I think what you measure measure should change over time based on what you’re doing and what your company is doing, right? So for me, this is what I’m measuring now. Once these things like reach maturity, I will change this list of things, right? Um but think a lot about it because you really get what you measure. You start

[17:35] measuring something, everyone’s going to optimize for that. Um so just a few words about WSO2. So um we’re about 20 years old. We’re about 150 million in ARR. Uh our software powers uh a lot of capability in over 90 countries in six continents. Uh our main products are our history has been in API platforms, integration platforms, uh identity and access management and uh

[18:07] internal developer platform. We have a product for that. And in the last couple of years since I came, we’ve added agent identity and AI gateway to govern your uh AI interactions. We’ve added an agent builder to our integration platform. So that’s what we do and everything we do is open source and this is our whole portfolio today. So you’ll see on the bottom the four platforms this is what existed like uh some years back and the way we started was saying we’re going to extend out into what AIs need, right? So

[18:40] LLM AI APIs are APIs at the end of the day, but they need to be managed differently. So we put an AI gateway in the API platform. The identity platform, we already know how to do very robust identity and access managements for humans. So now let’s do it for agents too. We added agent identity. This was all last year and this year we’ve released an agent platform um that lets you use those things but also lets you uh put it all together and manage the whole life cycle of these

[19:11] agents. So I’ll give a couple examples on the scientist side too. We have a small research group like I mentioned I’m very proud we have these uh three publications this year. Two of them are with undergrads in Sri Lanka. Uh that is their first publication ever and one of them won a best paper award. Um on the architect side, right, the idea was AI is like great shiny object but we want to infuse it in the whole digital fabric. So how can we extend that with

[19:42] these capabilities like I mentioned before? So those are the things that we’ve added and agent manager is the the newest we’ve done. We’ve just released it. Um uh in the interest of time I won’t step but please feel free to explore the GitHub repo and the website. Um so just to close in a few more seconds the idea is okay there’s no silver bullet depends on the company you have to work very closely with others I suggest if you try something like this

[20:13] you have very strong backing and relationship with the CEO because you are going to have to work very closely with a lot of other parts of the company and I’ve seen also some places where if it’s a very AI forward company the chief officer like the chief product officer officer and the chief AI officer are one person, right? Or um in other places that was surprising in companies that are not software. I’ve also seen cases where the head of HR became the head of AI.

[20:45] I don’t know how I feel about that. But yeah, I know. I’m like I Okay, so it’s just interesting things are happening. Everyone’s trying to figure out what to do, right? because they said oh agents are work workforce our workforce so we manage them HR will manage them I appreciate that I like people feel like me in this room because that rumor I heard it it [laughter] was not the reaction um but uh so I’ll just leave you with this to close um when I think about even

[21:16] for me like to take this role I was trying to think okay um you know what I’m somebody had given me this advice like think about what are you good at on what you love, what the world needs and what you can be paid for and try to find something at the intersection. So since this role is very fluid still try to find if you’re interested in it and you’re looking you have a match somewhere try to shape it in a way that it you are at the center and it makes you happy and the things that you don’t like see if you can like have someone

[21:46] work on them differently or maybe a different company is a better fit that has a better alignment with your interests with your love and your needs and what you’re good at. All right. Thank you very much. If you have any questions, I’m around [applause]