Ankur Dhingra, CEO společnosti ProHance – Série rozhovorů

Ankur Dhingra, CEO společnosti ProHance, je zkušený technologický a provozní výkonný manažer s více než dvacetiletou praxí v oblasti produktivity podniku, finančních služeb a globálního obchodního provozu. ProHance vede od roku 2020 a soustředí se na vytvoření jednotné platformy pro sledování, řízení a zlepšování produktivity lidských pracovníků, dodavatelů i AI systémů. Před tím, než se stal CEO, byl Dhingra partnerem ve FutureIP, kde byl ProHance vyvinut jako platforma pro řízení operací a analytiku. Dříve strávil více než osm let ve společnosti American Express, kde působil jako viceprezident a generální ředitel globálního back‑office provozu a dříve vedl operace zákaznické angažovanosti zahrnující rozsáhlé telefonní, chatové, regulační a obchodní zajišťovací funkce. Jeho kariéra zahrnuje také vrcholové vedoucí pozice ve společnosti Genpact, kde řídil bankovní praxi s 1 100 zaměstnanci a rozpočtem $35 million P&L, a ve společnosti GE Capital, kde vedl operace finančních služeb v Indii.

ProHance je společnost zaměřená na podnikové inteligence pracovní síly a analytiku produktivity, která organizacím poskytuje v reálném čase přehled o tom, jak je práce vykonávána zaměstnanci, externími dodavateli, AI pomocníky a autonomními agenty. Její platforma, označovaná jako „Productivity Control Room“, kombinuje analytiku pracovní síly, plánování kapacit, inteligentní přidělování práce, měření produktivity a nástroje pro správu, aby pomohla podnikom identifikovat úzká místa v provozu, optimalizovat využití zdrojů a pochopit dopad AI na výkonnost organizace. ProHance uvádí, že její technologie používá více než 450 000 uživatelů ve 220 podnicích v 55 zemích, přičemž aplikace zahrnují bankovnictví a finanční služby, outsourcing obchodních procesů, globální centra kompetencí, zdravotnictví a informační technologie.

Strávili jste více než dvě desetiletí vedením rozsáhlých operací ve společnostech GE Capital, Genpact a American Express, než jste se stal CEO společnosti ProHance. Co vám tyto zkušenosti prozradily o omezeních tradičního řízení pracovní síly a produktivity a jak tyto poznatky formovaly způsob, jakým budujete ProHance pro podnik s AI‑prvním přístupem?

Moje zkušenost v GE Capital, Genpact a American Express mě naučila, že jednou z největších mezer v tradičním řízení pracovní síly nebyl nutně front‑office, ale back‑office.

V American Express jsem dříve pracoval na straně zákaznického servisu, kde call‑centrum mělo přístup k poměrně sofistikovaným technologiím pro měření produktivity – kde lidé tráví čas, využití, objemy interakcí a jak lze procesy optimalizovat. Když jsem však přešel k vedení back‑office operací, viděl jsem úplně jinou realitu.

Obrovské množství práce ve velkých podnicích probíhá za scénou – zpracování transakcí, správa případů, zadávání dat a další procesně řízené činnosti – přičemž existovalo jen velmi málo smysluplného měření toho, jak je tato práce skutečně vykonávána. Technologie a přehled, které byly k dispozici pro front‑office, jednoduše nebyly přeneseny do back‑office.

Stal jsem se téměř iracionálně posedlý tímto problémem. Začal jsem zkoumat dostupné technologie a mluvit s etablovanými hráči, ale to, co jsem našel, bylo buď příliš nešikovné, příliš drahé, nebo prostě nevyvinuté pro realitu back‑office operací. Stále jsem si říkal: toto je průmysl v hodnotě více než 150 miliard dolarů a problém, který existuje roky. Někdo to určitě řeší lépe.

To mě nakonec přivedlo k ProHance, kde Rajesh Sharma a Kishore Reddy (zakladatelé ProHance) již vybudovali technologii, která řešila mnoho výzev, jež jsem identifikoval jako pokročilý uživatel těchto systémů. Věděl jsem přesně, co technologie musí dokázat – automaticky zachytit aktivitu, fungovat napříč různými operačními systémy, měřit čas jak na systému, tak mimo něj, a poskytnout spolehlivý pohled na to, jak práce skutečně probíhá.

Ta zkušenost formovala mé současné uvažování o ProHance. Poučení je, že nelze vytvořit AI‑první podnik jen přidáním AI k existujícím nástrojům pro řízení pracovní síly. Nejprve potřebujete spolehlivé, detailní pochopení samotné práce. AI pak může transformovat způsob, jakým je tato práce analyzována, optimalizována a nakonec přepracována.

Pro mě je ProHance o přenesení stejné úrovně přehledu a inteligence, kterou podniky historicky měly ve front‑office, na celou organizaci – a využití AI k získání lepšího měření produktivity, což zásadně zlepší způsob, jakým je práce vykonávána.

Jak se generativní AI a AI agenti podílejí na rostoucím podílu znalostní práce, tradiční signály produktivity jako odpracované hodiny nebo využití aplikací mohou ztratit na významu. Jak by měly podniky redefinovat produktivitu, když člověk dokáže za 30 minut zvládnout to, co dříve trvalo několik hodin?

Produktivita se musí posunout od měření aktivity k měření výsledků. Pokud AI umožní někomu dokončit za 30 minut to, co dříve trvalo tři hodiny, tříhodinový benchmark již není relevantní. Důraz by měl být na tom, co bylo dosaženo, na kvalitě výstupu a na tom, jak efektivně byly využity čas a dovednosti.

To také znamená, že podniky musí pochopit, kde AI skutečně odstraňuje opakující se práci a kde lidský úsudek zůstává klíčový. Produktivita by měla čím dál více odrážet výsledky, kapacitu, kvalitu a obchodní dopad, spíše než odpracované hodiny u stolu nebo využití aplikací.

Popisujete inteligenci pracovní síly jako stále důležitější v AI‑prvním podniku. Co prakticky znamená „inteligence pracovní síly“ a jak se liší od nástrojů pro monitorování zaměstnanců a analytiku pracovní síly, které firmy historicky používaly?

Inteligence pracovní síly v podstatě spočívá v tom, že organizaci poskytuje jasnější pochopení toho, jak práce skutečně probíhá. Spojuje signály o pracovní zátěži, kapacitě, využití, procesech a výsledcích, aby vedoucí mohli identifikovat, kde jsou týmy přetížené, kde existuje volná kapacita a kde se práce zasekává.

To se liší od tradičního monitorování zaměstnanců, které se často zaměřovalo na individuální aktivitu. Inteligence pracovní síly by měla fungovat na mnohem širší úrovni. Cílem není ptát se „Co tento zaměstnanec dělá každou minutu?“, ale spíše „Jak práce proudí napříč organizací a co můžeme udělat pro její zlepšení?“

ProHance stále častěji kombinuje deterministická data pracovní síly s machine learningem k vytváření prediktivních poznatků, včetně identifikace potenciálního odklonu a rizik retence. Jak zajišťujete, že tyto AI modely rozlišují smysluplné vzorce od běžných odchylek v chování zaměstnanců, a jak důležitá je vysvětlitelnost, když manažeři rozhodují o lidech?

V ProHance věříme, že kvalita a kontext podkladových dat jsou klíčové. Chování zaměstnanců se přirozeně liší v závislosti na projektech, pracovním zatížení, týmech, sezóně a obchodních cyklech. Změna v aktivitě sama o sobě nutně neindikuje odklon nebo riziko retence.

Přístup spočívá v hledání vzorců napříč více signály a v čase, místo aby se vyvozovaly závěry z jediné chování. AI může pomoci identifikovat vzorce, které mohou vyžadovat pozornost, ale neměla by být považována za konečného rozhodovacího činitele.

Vysvětlitelnost je stejně důležitá. Pokud systém označí potenciální riziko, manažeři by měli být schopni pochopit faktory stojící za tímto signálem a použít svůj vlastní úsudek. Když je technologie používána k informování rozhodnutí o lidech, transparentnost a lidský dohled jsou nezbytné.

Existuje pochopitelná obava zaměstnanců, když organizace zavádějí technologie schopné analyzovat pracovní vzorce, využití aplikací, nečinnost nebo výkon. Kde by měly podniky nastavit hranici mezi získáváním užitečného provozního přehledu a vytvářením kultury dohledu?

Hranice je do značné míry určena úmyslem, transparentností a způsobem využití dat. Zaměstnanci jsou oprávněně nepříjemně překvapeni, když je technologie zavedena bez jasnosti, co se měří a proč.

Cílem by mělo být pochopení práce na úrovni organizace a provozu, nikoli neustálé sledování jednotlivců. Pokud data o pracovní síle pomáhají identifikovat nadměrné pracovní zatížení, úzká místa nebo neefektivní procesy, mohou ve skutečnosti zlepšit zkušenost zaměstnanců.

Podniky by měly také jasně definovat, co nechtějí dělat. Technologie by měla pomáhat manažerům vést lepší rozhovory se svými týmy, ne nahrazovat tyto rozhovory nebo vytvářet systém neustálého sledování.

AI pomocníci a autonomní agenti se stále častěji stávají součástí samotné pracovní síly. Myslíte si, že platformy inteligence pracovní síly budou nakonec muset měřit produktivitu lidí i AI agentů společně, a jak by mohl vypadat smysluplný metriku produktivity člověka a AI?

Ano, myslím, že to bude čím dál důležitější. Jak AI agenti začnou převzít části pracovních postupů, měření pouze lidské aktivity poskytne podniku neúplný obraz toho, jak je práce vykonávána.

Nemyslím si ale, že dospějeme k jediné „člověk versus AI“ skóre produktivity. Užitečnější přístup by byl pochopit kombinovaný výstup lidí, AI nástrojů a agentů napříč pracovním procesem.

Podniky by mohly sledovat, kolik času AI odebere z opakujících se úkolů, jak rychle procesy postupují, jaká je kvalita výstupů a kde je stále potřeba lidského zásahu. Skutečná otázka pak zní: jak efektivně spolupracují lidé a AI?

ProHance hovoří o posunu od pouhého měření produktivity k provozní inteligenci, včetně analýzy pracovní zátěže, prognózování, optimalizace procesů a alokace zdrojů. Jak velká část budoucnosti této kategorie bude o AI, která aktivně doporučuje, co by manažeři měli změnit, místo aby jim jen poskytovala dashboardy?

Domnívám se, že právě tímto směrem ProHance vidí vývoj kategorie. Dashboardy jsou užitečné, ale stále nechávají manažery s odpovědností interpretovat informace a rozhodovat, co dál.

Dalším krokem je, aby platformy identifikovaly vzorec a pomohly odpovědět „co bychom s tím měli udělat?“. To může znamenat zvýraznění přetíženého týmu, identifikaci nedostatečně využité dovednosti, předpověď mezery v kapacitě nebo návrh, kde by mohl být proces vylepšen.

Pro ProHance bude hodnota čím dál více spočívat v přechodu od pouhého přehledu k akci. AI by měla pomáhat manažerům činit lepší rozhodnutí, přičemž samotné rozhodnutí zůstane na osobě, která rozumí podnikání a kontextu.

Porovnávali jste inteligenci produktivity s ročním zdravotním výkazem pro organizaci. Jaké jsou nejdůležitější signály, na které by se měli výkonný manažeři zaměřit, aby zjistili, zda je jejich pracovní síla skutečně zdravá, produktivní a úspěšně se adaptuje na AI?

Podíval bych se na kombinaci signálů místo jedné číslice produktivity. Kapacita a pracovní zátěž jsou zřejmé výchozí body, ale manažeři by také měli pochopit, zda je práce efektivně rozložena, kde se objevují úzká místa, jak se týmy přizpůsobují AI a zda lidé nepracují příliš mnoho času na činnostech s nízkou přidanou hodnotou.

Dalším důležitým signálem je udržitelnost. Tým, který dosahuje vynikajících výsledků, protože lidé neustále pracují nad rozumnou kapacitou, není nutně zdravý ani produktivní v dlouhodobém horizontu.

Zdravá pracovní síla je taková, kde jsou kapacita, pracovní zátěž a výsledky přiměřeně vyvážené, lidé mají prostor soustředit se na činnosti s vyšší hodnotou a organizace se dokáže přizpůsobit, jak se mění povaha práce.

„Produktivita“ získala u mnoha zaměstnanců negativní konotace, protože může naznačovat dělání více práce s méně lidmi. Jak mohou organizace znovu získat pojem a využít AI‑poháněnou inteligenci produktivity ke zlepšení zkušenosti zaměstnanců, snížení vyhoření a odstranění činností s nízkou hodnotou místo pouhého zvýšení výstupu?

Organizace musí přestat definovat produktivitu jen jako „více výstupu od méně lidí“. Tato definice je příliš úzká, zejména v prostředí umožněném AI.

AI by měla lidem vrátit čas, který je nyní spotřebováván opakující se administrativou, manuálními procesy a úkoly s nízkou hodnotou. Příležitost je tento čas využít na řešení problémů, interakci se zákazníky, inovace a práci, která vyžaduje lidský úsudek.

Pokud se inteligence produktivity používá k identifikaci, kde jsou lidé přetížení nebo neefektivně využívají čas, může se stát nástrojem pro zlepšení zkušenosti zaměstnanců. Cílem by mělo být zlepšit práci, ne jen zrychlit tempo práce.

Jaký bude podle vás výhled, když se AI integruje do téměř každého podnikového pracovního postupu, a co bude odlišovat organizace, které úspěšně rozšíří svou pracovní sílu o AI, od těch, které technologii nasadí, ale nepřinesou významné zisky v produktivitě?

Organizace, které z AI těží nejvíce, budou ty, které se dívají za samotné nasazení technologie. Pouhý přístup k AI nástroji automaticky nevede k ziskům v produktivitě.

Vedoucí budou rozumět, kde AI mění pracovní postupy, jak se role vyvíjejí a zda organizace skutečně získává lepší výsledky díky technologii. Budou také neustále měřit, co funguje, a podle toho upravovat.

V konečném důsledku úspěšné organizace budou AI adopci vnímat jako změnu v tom, jak se práce vykonává, nikoli jen jako další technologickou implementaci. Kombinují AI se správnými procesy, dovednostmi, přehledem o pracovní síle a manažerskými praktikami. To určuje, zda se AI stane skutečnou výhodou v produktivitě nebo jen dalším vrstvou technologií.

Děkujeme za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více, by měli navštívit ProHance.