„Wolalibyśmy trzymać się mojego planu” – powiedziała Amber Stanton, gdy moja prezentacja była jeszcze wyświetlana na ekranie.

Potem Richard podszedł do mnie.

Był czarujący, bezpośredni i widocznie zaniepokojony.

Torrance Analytics Group była kiedyś obiecującą firmą technologii finansowych, ale jej platforma się starzeje. Większe banki domagały się możliwości, których jej systemy nie były w stanie zapewnić. Zbliżały się dwa duże przedłużenia umów, a zespół inżynierów firmy miał trudności z nadążaniem za nowymi konkurentami.

Chciał kogoś, kto będzie w stanie odbudować technologię, nie zawodząc przy tym klientów, którzy od niej zależeli.

„Wydajesz się osobą, która wie, co sprawdza się na prezentacji, a co w banku” – powiedział mi.

Doceniłem to wyróżnienie.

To właśnie na tym zbudowałem swoją karierę.

Dorastałem w Hamilton w Ontario, jako drugi syn hutnika i pielęgniarki. Moi rodzice nie mieli dużo pieniędzy, a w naszym domu panowało przekonanie, że beztroska kosztuje.

Uważnie słuchałem w szkole, starałem się o stypendia i ukończyłem studia na Uniwersytecie Waterloo. Później uzyskałem tytuł magistra na Queen’s University.

Kiedy Richard mnie zatrudnił, spędziłem już prawie trzy dekady na budowaniu infrastruktury wykrywania oszustw dla instytucji finansowych w Ameryce Północnej.

Nie chciałem jakiegoś prestiżowego tytułu.

Chciałem wykorzystać tę okazję i zbudować coś porządnego.

Richard zaoferował mi stanowisko kierownicze w dziale technicznym, znaczny udział w kapitale zakładowym oraz władzę nad technicznym zarządzaniem firmą.

Zrozumiał, że platformę trzeba zbudować od nowa, a nie ciągle ją łatać.

Albo przynajmniej tak mi się wydawało.

Przez kolejne cztery lata pomagałem przekształcić ClearShield ze starego, przestarzałego silnika reguł w platformę inteligencji behawioralnej, która potrafi identyfikować nietypowe wzorce transakcji, nie zakłócając przy tym nieustannie spokoju prawowitym klientom.

Podstawowy problem był bardziej skomplikowany, niż większość osób spoza branży przypuszczała.

Tradycyjny system wykrywania oszustw mógł sygnalizować podejrzane zachowania, stosując stałe reguły. Jednak klienci nie zachowywali się w ten sam sposób. Transakcja, która była normalna dla jednego posiadacza konta, mogła być zupełnie nietypowa dla innego.

Jeśli system był zbyt wrażliwy, zakupy niewinnych klientów były blokowane. Banki musiały się mierzyć z niepotrzebnymi kontrolami i przeciążonymi zespołami audytorów.

Gdyby system był zbyt pobłażliwy, ważne sygnały ostrzegawcze mogłyby zostać przeoczone.

Znalezienie właściwej równowagi nie było jednorazową zmianą.

Potrzebny był model, który potrafiłby odmiennie interpretować zachowania w różnych instytucjach, przy różnych typach kont i zmieniających się wzorcach transakcji.

Większość mojej pracy tam była wykonywana.

Rano analizowałem wyniki nocnego przetwarzania, po południu omawiałem z inżynierami decyzje dotyczące architektury, a wieczorem porównywałem dane dotyczące dokładności z rzeczywistymi wzorcami transakcji.

Bywały dni, kiedy najważniejszym osiągnięciem było powstrzymanie kogoś przed wprowadzeniem pozornie niegroźnej zmiany, która skutkowałaby tysiącami błędnych klasyfikacji na dużą skalę.

Mój główny architekt systemów, Lynn Novak, rozumiał czasy, w których przyszło nam żyć.

Był inteligentny, metodyczny i wystarczająco pewny swojego osądu, by kwestionować mój, gdy uważał, że się mylę.

Dobrze nam się współpracowało, ponieważ żadne z nas nie uważało różnicy zdań za obrazę.

Czasami przychodził do mnie z wynikami, które przeczyły naszym założeniom. Spędzaliśmy godzinę na identyfikowaniu problemu, a potem kolejne dwie na ustalaniu, czy problem tkwił w danych, modelu, czy w naszej interpretacji.

To nie była dramatyczna praca.

Ale to miało znaczenie.

Wiosną ubiegłego roku nasz program pilotażowy z udziałem trzech banków zarejestrowanych w Kanadzie osiągnął wskaźnik fałszywie dodatnich wyników na poziomie 0,3 procent.

Dane były tak obiecujące, że audytorzy poprosili nas o dokonanie przeglądu metodologii testowania.

Zrobiliśmy to.

Wyniki pozostały takie same.

Po raz pierwszy Torrance dysponowało technologią, która mogła wiarygodnie konkurować o znacznie większe kontrakty instytucjonalne.

Postęp ten stał się podstawą inwestycji o wartości siedemdziesięciu milionów dolarów z Great Lakes Capital Partners.

To również wzbudziło zainteresowanie Amber Stanton tym, co robiliśmy.

Amber dołączyła do Torrance półtora roku wcześniej po uzyskaniu tytułu MBA w Londynie.

Richard stworzył dla niego stanowisko Dyrektora ds. Innowacji.

Przyznano mu biuro na trzydziestym ósmym piętrze, hojny budżet i swobodę uczestniczenia w spotkaniach kilku działów.

Na początku nie miałem nic przeciwko jego udziałowi.

Firmy potrzebują ludzi, którzy rozumieją rynek, klientów i strategię pozycjonowania. Dobra inżynieria nie przekłada się automatycznie na sukces firmy.

Kiedy Amber przyszła na techniczne dyskusje, odpowiedziałem na jej pytania.

Czasami zadawał ludziom pytania, które go nurtowały.

Innym razem bardziej interesowało go, jak przedstawić wynik, niż co on faktycznie oznaczał.

Dla kogoś pracującego w branży strategicznej nie było to niczym niezwykłym.

Problemy zaczęły się, gdy nie potrafił już odróżnić rozumienia pracy od jej wykonywania.

Sześć miesięcy przed prezentacją dla inwestorów Amber przeprowadziła kwartalne podsumowanie zarządu dotyczące naszego pilotażowego programu Calgary Credit Union.

Zaprezentował wyniki będące efektem jego inicjatywy strategicznej.

Mój zespół inżynierów przeprowadził testy, opracował architekturę, zbadał problemy i zweryfikował wyniki.

Amber brała udział w dyskusjach na temat projektu.

Poczekałem, aż prezentacja się skończy, zanim zwróciłem się do Richarda.

„Czy moglibyśmy porozmawiać prywatnie?”

Zaprosił mnie do swojego biura.

Wyjaśniłem, że nie mam nic przeciwko temu, żeby Amber mówiła o komercyjnym potencjale naszej technologii. Mogłem jednak nieprecyzyjnie przedstawić projekt pilotażowy, jakby to ona go zainicjowała i kierowała.

Richard słuchał z cierpliwym wyrazem twarzy, który czasami przybierał nawet wtedy, gdy już postanowił nic nie robić.

„Naucz się zawodu, Michaelu.”

“Rozumiem.”