Vijay Vijayasankar, globální Agentic AI Officer ve společnosti Genpact – Interview Series

Vijay Vijayasankar, globální Agentic AI Officer ve společnosti Genpact, vede globální produktizaci řešení Agentic AI se zaměřením na posun hodnoty vytvářené podniky z tradičních modelů založených na lidské práci směrem k modelům založených na výsledcích s vyšší marží. Ve své roli pomáhá formovat přístup Genpactu ke škálování AI napříč podnikem budováním organizačních modelů kolem AI Builderů, kteří navrhují pokročilé orchestrace, a AI Practitionerů, kteří přinášejí odborné znalosti do pracovních postupů poháněných autonomními agenty. Předtím, než se připojil k Genpactu, zastával Vijayasankar seniorní vedoucí role v IBM, včetně pozice Managing Partner pro finanční služby, CTO pro IBM Services Severní Amerika a Generálního manažera pro Cognitive, IoT, Analytics a Watson Health v GBS Severní Amerika, spolu s dřívějšími výkonnými roli v MongoDB (MDB ) a SAP.

Genpact je společnost poskytující agentic a pokročilá technologická řešení, která pomáhají velkým podnikům modernizovat své operace prostřednictvím procesní inteligence, umělé inteligence, dat a digitální transformace. Společnost působí v oblastech, jako jsou finance a účetnictví, zákaznická péče, rizika a dodržování předpisů, zásobování a nákup, dodavatelský řetězec, technologie a důvěra a bezpečnost, zatímco její služby Dat a AI se zaměřují na pomoc organizacím využívat pokročilou analytiku, AI a autonomní agenty k přeměně komplexních dat na měřitelné obchodní výsledky.

Vy jste strávil více než dvě desetiletí v společnostech, jako jsou IBM, MongoDB, SAP a nyní Genpact, kde působíte jako globální Agentic AI Officer. Ohlédnete-li se za evolucí od big data a analytiky k dnešním agentic AI systémům, jaké zkušenosti nejvíce utvořily váš pohled na to, jak by podniky měly přistupovat k transformaci AI?

Jsem toho svědkem již potřetí. Big data byl stříbrnou kulkou pro rozhodování. Cloud byl okamžitým přepínačem pro organizační agilitu. Nyní je agentic AI lékem na operace. V každém cyklu se společnosti, které vytvořily hodnotu, zaměřily na své provozní modely, procesy a lidi. Ty, které se potýkaly, a mnohé z nich stále jsou, považovaly technologii samotnou za transformaci.

Co je zásadně odlišné u agentic AI, je jeho umístění. Nachází se na úrovni provedení, ne na úrovni vhledu. Starší nástroje generovaly grafy a doporučení. Agenti provádějí akce. Špatný analytický dashboard produkuje špatný graf, který lidský analytik zachytí, než se dostane na stůl CEO. Špatný agent provede špatnou transakci ve velkém měřítku, než si někdo uvědomí, co se stalo. To zcela mění rizikový profil a nutí podniky k úrovni provozní disciplíny, které dosud nebyly potřeba. Naučil jsem se být podezřívavý ke své vlastnímu nadšení. Agentic AI je fascinující, ale právě tehdy je třeba zpomalit a audity základů.

Zpráva Genpactu a HFS Research odhaduje, že nevyřešený podnikový dluh uvěznil téměř 18 bilionů dolarů potenciální hodnoty globálně. Co vás nejvíce překvapilo na výsledcích, a proč si myslíte, že tolik organizací stále podceňuje dopad procesního, datového, technologického a talentového dluhu?

Co bylo překvapivé, byla velikost hodnoty uvězněné za neefektivními procesy, fragmentovanými daty, zastaralou technologií a výzvami v oblasti připravenosti pracovníků.

Co je důležitější než celková částka, je struktura problému. Mnozí lídři pohlíží na tyto problémy jako na samostatné sila. Problém dat, procesní problém, technologický problém, problém dovedností, každý z nich je řešen samostatně. Není to tak. Špatná data nutí lidi vynalézat manuální obchvaty. Tyto obchvaty vytvářejí procesní složitost. Ta složitost vyčerpává vaše nejlepší lidi a činí vaše operace křehkými. Když pak přijde iniciativa AI, narazí na všechny tyto problémy najednou. AI je obviňována z neúspěchu, který byl již dávno zabudován do podniku. Mluvíme o podnikovém dluhu jako o nákladovém břemeni, ale je to spíše omezování růstu. Tohle rozlišení má význam, protože mění, kdo problém vlastní a co jeho řešení stojí.

Zpráva zjistila, že 85 % výkonných ředitelů věří, že podnikový dluh omezuje realizaci hodnoty AI. Proč si myslíte, že podniky pokračují ve velkých investicích do AI, zatímco často zanedbávají základy, které brání těmto investicím v dosahování návratnosti?

Protože AI je viditelná a základy jsou neviditelné. Každá správní rada chce vidět strategii AI. Každý CEO potřebuje příběh, který může vyprávět. Nasazení nového modelu je titulek. Přeprojektování základního dodavatelského řetězce je nevýrazný, neviditelný boj, až do chvíle, než konečně začne fungovat.

Jsem viděl organizace, které strávily šest měsíců výběrem modelu a šest dní prozkoumáním procesu, který má být vylepšen. To je obrácené poměry, a zjistí to tvrdou cestou. Úzké místo téměř nikdy není AI. Je to nekonzistentní procesy, nespojené systémy a data, za která nikdo nebyl zodpovědný po léta. AI tyto problémy nevyřeší. Projevují se rychleji. Incentivní struktury neodměňují řešení základních problémů. Není žádný demo pro čištění datové správy. Výkonní ředitelé, kteří to dělají potichu, dělají sázku, že provozní zdraví se sčítá s časem, ale většina správních rad to neměří.

Datový dluh se ukázal jako největší brzda AI ve výzkumu. Jaké praktické kroky by měly podniky podniknout dnes, aby se přesunuly z fragmentovaných, nízkokvalitních datových prostředí na datové základy, které mohou podporovat agentic AI ve velkém měřítku?

Přestat se snažit spustit masivní, top-down program správy. To je technologické řešení účetního problému. V většině velkých organizací nikdo nevlastní přesnost informací, které řídí podnik.

Praktickým výchozím bodem je vybrat si pár vysoce hodnotných procesů a pracovat zpět. Jaké rozhodnutí je třeba učinit? Jaká data jsou pro tato rozhodnutí potřeba? Kdo vlastní tato data? Jak často jsou špatná? Tento cvičení okamžitě odhalí mezery v odpovědnosti. A musíme to udělat správně, protože agenti selhávají tiše. Lidský analytik vidí dva systémy, které nesouhlasí, a dělá úsudek. Agent rozhodne mezi nesouhlasícími daty a provede s absolutní jistotou. Pokud různé části vaší organizace definují zákazníka nebo transakci odlišně, agent činí sebevědomá rozhodnutí z chybných vstupů a nic ve vaší organizaci to nezachytí. To je nová kategorie provozního rizika, které většina organizací dosud plně neocenila.

Agenti nezvládají nejednoznačnost stejným způsobem jako lidé. To je také důvod, proč úspěch agentic řešení závisí méně na inteligenci modelů a více na kvalitě zábran, které jsou zavedeny.

Vy jste argumentoval, že “není AI bez procesní inteligence.” Proč si myslíte, že redesign procesů je často důležitější než samotný model AI, když organizace se snaží automatizovat složité obchodní operace?

Protože model funguje tak dobře, jako proces, ve kterém je zabudován, ne lépe. Organizace se soustředí na výběr modelu, protože tam je viditelná inovace, ale proces je tam, kde je vytvářena hodnota.

Jestliže pracovní postup má redundantní schvalování, duplicitní práci nebo nejasnou vlastnictví, AI tyto věci nevyřeší. Zrychlí je. Lidé často myslí, že důkladný redesign procesu je zpomaluje, ale realita je přesně opačná. Ušetříte osmnáct měsíců, které byste strávili odvíjením špatného nasazení. Myslete na to jako na vozidlo: můžete dát nejlepší motor, který byl kdy postaven, do auta s nesprávně zarovnanými koly, a bude to táhnout doleva.

Mnohé organizace experimentují s AI agenty, ale relativně málo z nich úspěšně nasadilo AI agenty napříč základními obchodními funkcemi. Co odlišuje podniky, které se pohybují za rámec pilotních projektů, od těch, které zůstávají uvězněny v režimu proof-of-concept?

Pilotní projekty jsou navrženy tak, aby uspěly. Vyberete nejlepší proces, nejčistější data a nejmotivovanější tým. Škálování znamená zasáhnout skutečné prostředí, kde tyto podmínky neplatí.

Organizace, které škálování zvládají, přestávají vytvářet umělé podmínky od začátku. Vyberou skutečný provozní problém, přidělí vlastníka, který je zodpovědný za obchodní výsledek, ne za technologii, a zapékají správu do designu od samého počátku. Máme klienty, kteří běží agenty v produkci napříč účty zaplaceno a transakční monitorovací. Produktivita je tam, ale skutečná změna je strukturální. Konečný stav je fundamentálně odlišný pracovní postup, ve kterém jsou lidé osvobozeni, aby se věnovali strategické práci, na kterou nikdy neměli čas.

Zpráva zdůrazňuje, že pouze 6 % podniků úspěšně vyřešilo své hlavní dluhové výzvy. Co dělají tyto organizace jinak, a jaké běžné chyby vidíte u společností, které se potýkají s dosažením významného pokroku?

Řeší to jako obchodní problém, ne jako IT program. Je to spojeno s výkonnou podporou a měřitelnými obchodními výsledky. Chápou, že provozní zdraví není oddělené od růstové strategie. Je to růstová strategie.

Ostatních 94 % se snaží vyřešit symptomy. Nasazují nástroj, aby vyřešili procesní problém, nebo spustí iniciativu AI, aby kompenzovali špatná data. To produkuje krátkodobý efekt, ale základní problém zůstává a dluh pokračuje. Lídři, kteří tento cyklus prolomí, jsou ochotni říci, co většina výkonných ředitelů neřekne: tento proces je rozbitý patnáct let, postavili jsme kolem něj celé provozní modely a teď ho rozebereme a přestavíme od základu. Tohle přiznání je nepohodlné. Vyzývá k otázkám, proč to nebylo vyřešeno dříve. Ti, kteří toto rozhodnutí učiní, jsou ti, kteří dělají skutečný pokrok.

Vy jste mluvil o rozlišení mezi “AI Builder” a “AI Practitioner”. Jak si představujete, že se bude vyvíjet podnikový pracovní síla v příštích pěti letech, a jaké dovednosti se stanou nejvíce cennými, když lidé budou stále více pracovat vedle autonomních agentů?

Nejcennější dovedností bude vědět, jak formulovat problém. Když AI zvládne více provádění, kvalita výsledku závisí na kvalitě otázky a úsudku aplikovaného na výstup. Musíte být schopni rozpoznat, kdy něco vypadá správně, ale je strukturálně špatné.

Kromě toho bych zdůraznil tři konkrétní věci. První je hloubka domény. Obecné AI schopnosti se rychle komoditizují, takže generalisté ztrácejí páku. Prémie půjde hlubokým odborníkům na domény, kteří kombinují skutečné funkční odborné znalosti s schopností aplikovat AI v tomto kontextu. Druhé je zpracování výjimek. Potřebujete lidi, kteří vědí, co dělat, když agent narazí na zeď nebo když jsou finanční sázky příliš vysoké na to, aby se automatizovaly, což vyžaduje institucionální moudrost spíše než tréninková data. Třetí je návrh pracovního postupu, tj. schopnost strukturovat práci tak, aby lidé a inteligentní systémy dělali to, co jsou nejlépe vybaveni, a rozpoznat, kdy toto rozdělení potřebuje změnu. To není termín, který se v oboru dosud ustálil, ale dovednost je reálná a目前 nedoceněná.

Probíhá debata o tom, zda AI eliminuje pracovní místa nebo je transformuje. Vy jste argumentoval, že mnoho obav pochází z nedorozumění toho, co AI dělá dobře. Jak si představujete, že se bude vyvíjet vztah mezi lidskou odborností a AI agenty, když se zrychlí adopce?

AI je fantastické u úkolů, které jsou jasně definovány, mají vysoké objemy a jsou závislé na vzorcích, jako je zpracování faktur, monitorování obchodních anomálií a vytváření rutinních komunikací. Tyto úkoly zvládá rychleji a ve větším měřítku, než je schopný lidský tým. AI však nemůže nést odpovědnost za výsledky v reálném světě, ani nemůže zvládnout věci, jako je novinka, nejednoznačnost a složitá lidská vztahy, a proto zůstává lidská odbornost nezbytná.

Většina pracovních míst sestává z kolekce úkolů, ne z jediné činnosti, a AI bude absorbovat prováděcí vrstvu s časem. To neznamená, že lidé nejsou potřeba, pouze mění to, kde vytvářejí hodnotu. Když se rutinní práce automatizuje, odborné znalosti se posunou směrem k řešení výjimek, redesignu procesů a pomoci organizacím přizpůsobit se, jak se mění technologické a obchodní potřeby. Některé role se změní dramaticky, a lídři mají odpovědnost řešit, zda nová práce, která je vytvářena, je přístupná lidem, jejichž stará práce zmizí. Odpověď závisí téměř výhradně na rozhodnutích, která organizace učiní o školení a přechodu. To je rozhodnutí lídrů, ne technologického výsledku. Společnosti, které si zaslouží můj respekt, jsou upřímné se svými týmy o tom, které role se mění, v jakém časovém rámci, kde zůstává lidská odbornost extrémně cenná a jaké realistické cesty vpřed vypadají. Většina z nich zatím tuto konverzaci nevede.

Pohledem do budoucna, co vypadá skutečně agentic podnik v praxi? Jestliže se vrátíme k této konverzaci za pět let, jaké změny v obchodních operacích, organizačním designu a nasazení AI očekáváte, že se stanou standardem napříč vedoucími podniky?

Přestaneme mluvit o AI jako o samostatné iniciativě, stejně jako jsme přestali mluvit o digitalizaci. Bude to prostě způsob, jak se práce dělá.

Strukturální změna je to, co mě nejvíce zajímá. Velká část naší současné hierarchie existuje, protože informace byly těžko přenositelné. Máme schvalovací řetězce a koordinační role, protože informace musely cestovat od místa, kde byly vytvořeny, k místu, kde se dělala rozhodnutí. Agenti zkracují tuto vzdálenost. Když to udělají, značná část koordinační infrastruktury se stane nadbytečnou. Organizace, které tohle rozpoznají brzy a přestaví se kolem toho, budou mít rychlostní výhodu, která se sčítá.

Budeme také svědky posunu v tom, jak se AI kupuje a dodává. Softwarové společnosti staví produkty, ale nezodpovídají za výsledky. Služební společnosti zodpovídají za výsledky, ale mají potíže se stavbou škálovatelných produktů. Oba modely jsou nedostačující. To, co stavíme v Genpactu, je produktizovaná AI v konkrétních doménách, dodávaná jako výsledek. Kupujete výsledek a my jsme zodpovědní za něj. Myslím, že tohle se stane standardem, protože správně zarovnává incentivy. Dodavatel, který prodává pouze schopnosti, nemá žádný podíl na tom, zda to funguje ve vašem prostředí. Ti, kteří jsou zodpovědní za výsledek, mají všechen podíl. Vítězové této éry nebudou definováni tím, že mají nejsofistikovanější AI modely. Budou definováni tím, že zvládnou strukturální redesign mezi lidmi, procesy a inteligentními systémy. Jsme teprve na prvním dni této změny.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Genpact.