Ankur Dhingra, CEO for ProHance – Interviewserie

Ankur Dhingra, CEO of ProHance, er en erfaren leder inden for teknologi og drift med mere end to årtiers ledelseserfaring på tværs af virksomhedens produktivitet, finansielle tjenester og globale forretningsoperationer. Han har ledet ProHance siden 2020 med fokus på at bygge en samlet platform til at observere, styre og forbedre produktiviteten blandt menneskelige medarbejdere, leverandører og AI‑systemer. Før han blev CEO, var Dhingra partner hos FutureIP, hvor ProHance blev udviklet som en platform for driftsstyring og analyse. Tidligere tilbragte han over otte år hos American Express, hvor han var vicepræsident og general manager for Global Back Office Operations og før det ledede kundeserviceoperationer, der omfattede stor‑skala telefon, chat, regulatorisk og forretningssikring. Hans karriere inkluderer også ledende stillinger hos Genpact, hvor han styrede en bankpraksis med 1.100 medarbejdere og et $35 million P&L, samt hos GE Capital, hvor han ledede finansielle tjenesteoperationer i Indien.

ProHance er en virksomhed inden for enterprise workforce intelligence og produktivitetsanalyse, som giver organisationer realtidsindsigt i, hvordan arbejdet udføres blandt medarbejdere, eksterne leverandører, AI‑copiloter og autonome agenter. Platformen, der er positioneret som et “Productivity Control Room”, kombinerer workforce‑analytics, kapacitetsplanlægning, intelligent arbejdsfordeling, produktivitetsmåling og styringsværktøjer for at hjælpe virksomheder med at identificere operationelle flaskehalse, optimere ressourceudnyttelse og forstå AI’s indvirkning på organisatorisk præstation. ProHance oplyser, at teknologien anvendes af mere end 450.000 brugere i 220 virksomheder i 55 lande, med anvendelser inden for bank‑ og finansielle tjenester, forretningsprocess outsourcing, globale kompetencecentre, sundhedssektoren og informationsteknologi.

Du har i mere end to årtier ledet store operationer hos GE Capital, Genpact og American Express, før du blev CEO for ProHance. Hvad har disse erfaringer lært dig om begrænsningerne ved traditionel arbejdsstyrke‑ og produktivitetsstyring, og hvordan har disse indsigter formet den måde, du bygger ProHance på for en AI‑first virksomhed?

Min erfaring fra GE Capital, Genpact og American Express har vist mig, at en af de største huller i traditionel arbejdsstyrkestyring ikke nødvendigvis ligger i front‑office, men i back‑office.

Hos American Express arbejdede jeg tidligere på kundeservice‑siden, hvor call‑centret havde adgang til ret avanceret teknologi til at måle produktivitet – hvor folk brugte deres tid, udnyttelse, interaktionsvolumen, og hvordan processer kunne optimeres. Men da jeg gik over i at lede back‑office‑operationer, så jeg en helt anden virkelighed.

En enorm mængde arbejde i store virksomheder foregår bag kulisserne – transaktionsbehandling, sagsbehandling, dataindtastning og andre procesdrevne aktiviteter – men der var meget lidt meningsfuld måling af, hvordan dette arbejde faktisk blev udført. Teknologien og synligheden, der fandtes i front‑office, var simpelthen ikke overført til back‑office.

Jeg blev næsten irrationelt besat af problemet. Jeg begyndte at undersøge de tilgængelige teknologier og tale med etablerede aktører, men det jeg fandt, var enten for klodset, for dyrt eller simpelthen ikke designet til realiteterne i back‑office‑operationer. Jeg tænkte vedvarende: dette er en industri på over $150 milliarder, og dette problem har eksisteret i årevis. Der må da være nogen, der løser det bedre.

Den søgen førte mig til sidst til ProHance, hvor Rajesh Sharma og Kishore Reddy (medstiftere af ProHance) allerede havde bygget teknologi, der løste mange af de udfordringer, jeg som erfaren bruger af disse systemer havde identificeret. Jeg vidste præcis, hvad teknologien skulle kunne – automatisk indfange aktivitet, fungere på tværs af forskellige operativsystemer, måle tid både på og uden for systemet, og give et pålideligt overblik over, hvordan arbejdet faktisk foregik.

Den oplevelse har formet, hvordan jeg tænker på ProHance i dag. Læren er, at man ikke kan bygge en AI‑first virksomhed blot ved at tilføje AI til eksisterende arbejdsstyrkestyringsværktøjer. Man skal først have en pålidelig, detaljeret forståelse af selve arbejdet. AI kan derefter transformere, hvordan arbejdet analyseres, optimeres og i sidste ende redesignes.

For mig handler ProHance om at bringe det samme niveau af synlighed og intelligens, som virksomheder historisk har haft i front‑office, ud til hele organisationen – og bruge AI til at opnå en bedre måling af produktivitet, hvilket grundlæggende vil forbedre, hvordan arbejdet udføres.

Efterhånden som generativ AI og AI‑agenter overtager en stigende andel af vidensarbejde, kan traditionelle produktivitetsindikatorer som arbejdstimer eller programbrug blive mindre meningsfulde. Hvordan bør virksomheder omdefinere produktivitet, når et menneske kan opnå på 30 minutter, hvad der tidligere tog flere timer?

Produktivitet skal flytte fokus fra at måle aktivitet til at måle resultater. Hvis AI gør det muligt for en person at færdiggøre på 30 minutter, hvad der tidligere tog tre timer, er tre‑timers‑målet ikke længere relevant. Fokus bør være på, hvad der blev opnået, kvaliteten af resultatet, og hvor effektivt tid og færdigheder blev anvendt.

Det betyder også, at virksomheder skal forstå, hvor AI reelt fjerner gentagne opgaver, og hvor menneskelig dømmekraft stadig er afgørende. Produktivitet bør i stigende grad afspejle resultater, kapacitet, kvalitet og forretningsmæssig påvirkning, snarere end timer brugt ved et skrivebord eller programbrug.

Du har beskrevet workforce intelligence som stadigt mere kritisk i en AI‑first virksomhed. Hvad betyder “workforce intelligence” i praksis, og hvordan adskiller det sig fra de medarbejderovervågnings‑ og workforce‑analytics‑værktøjer, som virksomheder historisk har brugt?

Workforce intelligence handler grundlæggende om at give en organisation en klarere forståelse af, hvordan arbejdet faktisk foregår. Det samler signaler om arbejdsbyrde, kapacitet, udnyttelse, processer og resultater for at hjælpe ledere med at identificere, hvor teams er pressede, hvor kapacitet findes, og hvor arbejdet går i stå.

Det adskiller sig fra traditionel medarbejderovervågning, som ofte fokuserede på individuel aktivitet. Workforce intelligence bør fungere på et meget bredere niveau. Målet er ikke at spørge “Hvad laver denne medarbejder hvert minut?” men snarere “Hvordan flyder arbejdet gennem organisationen, og hvad kan vi gøre for at forbedre det?”

ProHance kombinerer i stigende grad deterministiske arbejdsstyrkedata med maskinlæring for at generere forudsigende indsigter, herunder identifikation af potentielle fraværs‑ og fastholdelsesrisici. Hvordan sikrer du, at disse AI‑modeller skelner mellem meningsfulde mønstre og normale variationer i medarbejderadfærd, og hvor vigtig er forklarbarhed, når ledere træffer beslutninger om mennesker?

Hos ProHance mener vi, at kvaliteten og konteksten for de underliggende data er afgørende. Medarbejderadfærd varierer naturligt afhængigt af projekter, arbejdsbyrde, teams, sæsoner og forretningscyklusser. En ændring i aktivitet i sig selv indikerer ikke nødvendigvis fravær eller fastholdelsesrisiko.

Tilgangen er at lede efter mønstre på tværs af flere signaler og over tid, snarere end at drage konklusioner ud fra en enkelt adfærd. AI kan hjælpe med at identificere mønstre, der kan kræve opmærksomhed, men den bør ikke betragtes som den endelige beslutningstager.

Forklarbarhed er lige så vigtig. Hvis et system markerer en potentiel risiko, skal ledere kunne forstå de faktorer, der ligger bag signalet, og anvende deres egen dømmekraft. Når teknologi bruges til at informere beslutninger om mennesker, er gennemsigtighed og menneskelig kontrol afgørende.

Der er forståelig medarbejderbekymring, når organisationer introducerer teknologi, der kan analysere arbejds‑mønstre, programbrug, inaktiv tid eller præstation. Hvor skal virksomheder trække grænsen mellem at opnå nyttig operationel synlighed og skabe en overvågningskultur?

Grænsen bestemmes i høj grad af intention, gennemsigtighed og hvordan dataene anvendes. Medarbejdere er forståeligt nok ubehagelige, når teknologi introduceres uden klarhed om, hvad der måles, og hvorfor.

Målet bør være at forstå arbejdet på et organisatorisk og operationelt niveau, snarere end konstant at overvåge enkeltpersoner. Hvis arbejdsstyrkedata hjælper med at identificere overdreven arbejdsbyrde, flaskehalse eller ineffektive processer, kan det faktisk forbedre medarbejderoplevelsen.

Virksomheder bør også være tydelige omkring, hvad de ikke forsøger at gøre. Teknologi skal hjælpe ledere med at have bedre samtaler med deres teams, ikke erstatte disse samtaler eller skabe et system med konstant observation.

AI‑copiloter og autonome agenter bliver i stigende grad en del af selve arbejdsstyrken. Tror du, at workforce intelligence‑platforme på sigt vil skulle måle produktiviteten af både mennesker og AI‑agenter sammen, og hvordan kunne et meningsfuldt menneske‑til‑AI‑produktivitetstal se ud?

Ja, jeg tror, dette vil blive stadig vigtigere. Når AI‑agenter begynder at overtage dele af arbejdsprocesserne, vil måling af kun menneskelig aktivitet give virksomheder et ufuldstændigt billede af, hvordan arbejdet udføres.

Men jeg tror ikke, vi blot vil ende med en enkelt “menneske versus AI” produktivitetsscore. En mere nyttig tilgang ville være at forstå den samlede output fra mennesker, AI‑værktøjer og agenter på tværs af en arbejdsproces.

Virksomheder kunne se på, hvor meget tid AI fjerner fra gentagne opgaver, hvor hurtigt processerne skrider frem, kvaliteten af resultaterne og hvor menneskelig indgriben stadig er nødvendig. Det egentlige spørgsmål bliver: hvor effektivt arbejder mennesker og AI sammen?

ProHance taler om at gå ud over rå produktivitetsmåling mod operationel intelligens, herunder arbejdsbyrdeanalyse, prognoser, procesoptimering og ressourceallokering. Hvor meget af fremtiden for denne kategori vil handle om, at AI proaktivt anbefaler, hvad ledere bør ændre, i stedet for blot at præsentere dem for dashboards?

Jeg tror, det er, hvor ProHance ser kategorien bevæge sig hen. Dashboards er nyttige, men de overlader stadig ledere ansvaret for at fortolke informationen og beslutte, hvad de skal gøre næste gang.

Det næste skridt er, at platforme identificerer et mønster og hjælper med at besvare “hvad skal vi gøre ved det?” Det kan betyde at fremhæve et overbelastet team, identificere et underudnyttet kompetencesæt, forudsige et kapacitetsgab eller foreslå, hvor en proces kan forbedres.

For ProHance vil værdien i stigende grad komme fra at gå fra synlighed til handling. AI bør hjælpe ledere med at træffe bedre beslutninger, mens selve beslutningen forbliver hos den person, der forstår forretningen og konteksten.

Du har sammenlignet produktivitetsintelligens med en årlig sundhedsrapport for en organisation. Hvilke er de vigtigste signaler, som ledere bør kigge på for at afgøre, om deres arbejdsstyrke er virkelig sund, produktiv og tilpasser sig AI med succes?

Jeg ville kigge på en kombination af signaler i stedet for ét produktivitets‑tal. Kapacitet og arbejdsbyrde er åbenlyse udgangspunkter, men ledere bør også forstå, om arbejdet er fordelt effektivt, hvor flaskehalse opstår, hvordan teams tilpasser sig AI, og om folk bruger for meget tid på lav‑værdi‑aktiviteter.

Et andet vigtigt signal er bæredygtighed. Et team, der leverer exceptionelt output, fordi folk konstant arbejder ud over rimelig kapacitet, er ikke nødvendigvis sundt eller produktivt på lang sigt.

En sund arbejdsstyrke er en, hvor kapacitet, arbejdsbyrde og resultater er rimeligt afbalancerede, folk har plads til at fokusere på arbejde med højere værdi, og organisationen kan tilpasse sig, når arbejdets karakter ændrer sig.

“Produktivitet” har fået negative associationer for mange medarbejdere, fordi det kan antyde at gøre mere arbejde med færre mennesker. Hvordan kan organisationer genvinde begrebet og bruge AI‑drevet produktivitetsintelligens til at forbedre medarbejderoplevelsen, reducere udbrændthed og fjerne lav‑værdi‑arbejde i stedet for blot at øge output?

Organisationer skal bevæge sig væk fra at definere produktivitet som blot “mere output fra færre mennesker”. Denne definition er for snæver, især i en AI‑drevet arbejdsplads.

AI bør ideelt set give folk tid tilbage, som i øjeblikket bruges på gentagne administrative opgaver, manuelle processer og lav‑værdi‑opgaver. Muligheden er at bruge den tid til problemløsning, kundekontakt, innovation og arbejde, der kræver menneskelig dømmekraft.

Hvis produktivitetsintelligens bruges til at identificere, hvor folk er overbelastede eller bruger tid ineffektivt, kan den faktisk blive et værktøj til medarbejderoplevelsen. Målet bør være at gøre arbejdet bedre, ikke blot få folk til at arbejde hurtigere.

Ser vi fremad, når AI bliver indlejret i næsten alle virksomheders arbejdsprocesser, hvad tror du så vil skille de organisationer, der med succes supplerer deres arbejdsstyrke med AI, fra dem der implementerer teknologien, men ikke omsætter den til meningsfulde produktivitetsgevinster, ad?

De organisationer, der får mest ud af AI, vil være dem, der ser ud over selve teknologianvendelsen. At have adgang til et AI‑værktøj skaber ikke automatisk produktivitetsgevinster.

Lederne vil forstå, hvor AI ændrer arbejdsprocesserne, hvordan roller udvikler sig, og om organisationen faktisk får bedre resultater fra teknologien. De vil også løbende måle, hvad der fungerer, og justere derefter.

I sidste ende vil succesfulde organisationer betragte AI‑adoption som en ændring i, hvordan arbejdet udføres, snarere end blot en ny teknologisk implementering. De vil kombinere AI med de rette processer, kompetencer, arbejdsstyrkesynlighed og ledelsespraksis. Det vil afgøre, om AI bliver en reel produktivitetsfordel eller blot et ekstra lag af teknologi.

Tak for det gode interview. Læsere, der ønsker at lære mere, bør besøge ProHance.