Gautam Singh, Global Business Unit Head of Analytics, Data og AI, WNS Analytics – Interview Serie

Gautam Singh er Business Unit Head of WNS Analytics og medstifter og CEO af The Smart Cube, et WNS-selskab. Han tilbragte 20 år med at etablere og udvikle The Smart Cube (en forsknings- og analytics-leder) før det blev opkøbt af WNS. Før dette arbejdede han i 10 år med management consulting og venture capital i Europa og USA. Gautam har haft forskellige roller, herunder stillinger hos Coven Partners (London), A.T. Kearney (London), Mitsubishi Motors (Indien) og Cummins Engines (USA). Han har en MBA fra University of Michigan, Ann Arbor, USA og en bachelorgrad i maskinteknik fra IIT Bombay, Indien.

WNS Analytics hjælper virksomheder med at omdanne deres data til strategisk værdi gennem “beslutningsintelligens” – en kombination af robust datainfrastruktur, AI/GenAI/agentic-AI-teknologier og domænespecifik ekspertise. De tilbyder services på tværs af brancher, herunder forsikring, bank og finansielle services, detailhandel, CPG, produktion, sundhedsvesen, energi og logistik. Deres kompetencer omfatter dataingeniørarbejde og styring, deskriptiv og prædictiv analytics, AI/ML-værktøjer og visualisering – alt designet til at muliggøre hurtigere og mere selvbevidst beslutningstagning og kontinuerlig innovation.

I begyndelsen af din karriere arbejdede du i topkonsulentvirksomheder, derefter startede du The Smart Cube og ledte det i over to årtier, før det blev opkøbt af WNS. Hvad motiverede din overgang fra konsulentarbejde til iværksætteri, og senere til at lede en global dataanalytics- og AI-forretning?

Jeg tilbragte 10 år i management consulting og så et tydeligt markedsgab: virksomheder sad på bjerge af data, men udvandt ikke deres fulde værdi. Tilbage i 2003 var analytics stadig basalt – vi arbejdede med Excel-ark.

Beslutningen om at forlade det corporate liv kom ned til selvtilfredshed. Jeg så en mulighed for at hjælpe organisationer med at udnytte deres data, så jeg startede The Smart Cube med den vision.

Efter 20 år med at bygge The Smart Cube, var det ikke et exit, men en udvikling, da jeg sluttede mig til WNS. Jeg har ført den iværksætterånd videre, men nu med langt større ressourcer og rækkevidde. Dette giver os mulighed for at tackle problemer i en skala, som jeg aldrig kunne have leveret i en mindre virksomhed. Det vigtigste er, at jeg erkendte kraften i at integrere data og analytics i kerneforretningsprocesser i stedet for at behandle dem som separate indgreb. Den nærmest øjeblikkelige integration af domæneekspertise og procestransformation er central for WNS’ DNA – og det er, hvad der motiverede mig til at blive opkøbt og nu at lede denne forretningsenhed i WNS.

I dine mere end 20 år med at arbejde med analytics, hvordan har du set rollen af data og AI i finansielle services udvikle sig – fra tidlig tilpasning til i dagens store skala, enterprise-niveau integration?

I slutningen af 90’erne betød analytics at kigge på historiske data og lave statistiske prognoser. Transformationen har været bemærkelsesværdig.

I begyndelsen af 2000’erne kom digitaliseringen og mere avancerede prædictive modeller. I 2010 blev realtids-handelsanalytics standard. For næsten et årti siden begyndte machine learning at drive en reel ændring, og mere nylig har Generative AI (Gen AI) taget centerpladsen.

I dag behandler finansielle institutioner data som en strategisk aktiv. Spørgsmålet er gået fra “kan vi bruge AI?” til “hvordan kan vi integrere AI i hver beslutning?”

Effekten er konkret: kundeonboarding, der tidligere tog dage, kan nu afsluttes på få timer med AI-baseret verificering. Kreditvurderinger, der tidligere kun vurderede traditionelle kreditværdighed, kan nu evaluere hundredvis af data punkter i realtid. Risikoberegninger, der tidligere krævede overnatningsbatch-kørsler, kan nu udføres øjeblikkeligt. Og svindelforebyggelse reagerer ikke længere efter faktum – det blokerer mistænkeligt aktivitet i realtid.

Hvordan bruger fremadskuende virksomheder AI-drevne data søer og styringsrammer til at forbedre beslutningstagning i realtid, regulatorisk overholdelse og gennemsigtighed i finansielle operationer?

At bygge monolitiske data lager og håbe på indsigt virker ikke længere. Institutioner har brug for at designe intelligente data økosystemer.

Finansielle services står over for en unik udfordring: de er kundeorienterede, håndterer følsomme data og skal stadig levere personliggjorte og realtidsrespons. Dette kræver modulære data søer bygget på fleksible rammer.

Inden for denne arkitektur opretter organisationer specialiserede data damme til prisanalyse, risikovurdering og regulatorisk rapportering. Hver dam fungerer uafhængigt, mens den bidrager til det større økosystem, og leverer øjeblikkelig værdi, samtidig med at den opretholder sikkerhedsgrænser.

Trenden Zero ETL er særligt relevant her, da den eliminerer komplekse Extract-Transform-Load-processer ved at muliggøre direkte forespørgsler på tværs af systemer. Dette giver AI mulighed for at få adgang til og analysere data i realtid uden at flytte det, og reducerer latency og opretholder styring.

AI-agenter udvikler sig også ud over afvigelsesdetektion. De flagger ikke kun mistænkelige transaktioner, men anbefaler også handlinger og udfører svar inden for styringsparametre. I overholdelse overvåger AI kontinuerligt transaktioner, genererer rapporter og identificerer problemer, før regulatorerne gør.

Er syntetisk data en sikker måde at træne AI-modeller på uden at eksponere følsomme oplysninger? Kan du dele eksempler på, hvordan syntetisk data anvendes effektivt i svindelforebyggelse, risikanalyse og modelvalidering?

Hos WNS Analytics udnytter vi avanceret syntetisk data generering til at skabe højtroværdige, privatlivs-venlige datasæt, der accelererer AI-modeltræning, især i data-svage domæner. Vores syntetiske datasæt efterligner realverdenens scenarier, mens de reflekterer de samme statistiske mønstre, adfærd og korrelationer som faktiske finansielle data – transaktionsflade, svindel-tendenser, kundeadfærd – uden at eksponere nogen følsomme personlige oplysninger eller kundedata.

Dette værktøj transformerer finansielle services på tværs af områder som risikanalyse, svindelforebyggelse, kreditvurdering, stresstest og overholdelsesmodellering. Disse syntetiske datasæt giver organisationer mulighed for at hurtigt igangsætte AI-løsningsudvikling, samtidig med at de sikrer både data privatliv og regulatorisk tillid.

En særligt innovativ anvendelse indebærer brug af PII-maskeret data til at oprette lookalike-modeller. Dette giver virksomheder mulighed for at tilbyde målrettede tilbud til forbrugere, samtidig med at de opretholder fuld privatliv.

Hvordan kan intelligente automatisering og AI-agenter, der indlejres i forretningsprocesser, forbedre operationel robusthed og ydelse i finansielle services?

Intelligent automatisering, der udnytter AI-agenter, accelererer virksomhedsprocesser, og giver organisationer mulighed for at strømline operationer og træffe hurtigere og mere informerede beslutninger. Disse agenter kombinerer automatisering med avanceret resonans til at levere robusthed, skalerbarhed og ydelsesforbedringer.

Hos WNS Analytics anvender vi GAIN-rammen (vores proprietære ramme for Agentic AI-implementation) til at vurderere de rette niveauer af autonomi for agentic AI. Vi tilbyder desuden genbrugelige, mikrotjeneste-baserede komponenter til hyperspecialiserede agenter gennem vores prisvindende AI Utilities Hub.

I forsikring har vi transformeret flere processer gennem agentic AI. I motoransvarsfordrings-subrogation har vores Gen AI-drevne tredjeparts-recovery-detektionsløsning, drevet af autonome agenter, opnået 85% nøjagtighed, fordoblet recoveringsvolumen og forbedret årlige recoveries med ca. 49% – og låst millioner af muligheder, der tidligere var overset.

I underwriting anvender vores agentic AI-drevne research-assistant specialiserede agenter til at bryde komplekse forespørgsler ned, hente data fra multiple kilder og generere indsigt med 99% nøjagtighed, samtidig med at vi reducerer omgangstiden med 85%.

For en førende bank reducerede vores Gen AI-løsning adverse media-screening-tiden med 60% og reducerede falske positive med 12-15%.

Vi har også en Gen AI-drevet videnledningsløsning – designet som en horisontal platform – til at omdefinere, hvordan virksomheder henter, behandler og kontekstualiserer enorme mængder ukontrolleret data. Ved at levere præcise, overholdelses- og konsistente indsigt i realtid forbedrer den beslutningstagning, forbedrer effektivitet og styrker operationel robusthed på tværs af brancher.

Disse løsninger supplerer menneskelig dømmekraft og skaber hurtigere og mere præcise systemer.

Hvad er de største barrierer – tekniske, kulturelle eller strategiske – for virksomheder, der søger at skale AI-initiativer, og hvordan kan ledere overvinde dem?

Den største barriere for at skale AI er ikke teknologi – det er organisationsparathed.

Først er der datasiloer på tværs af legacy-systemer. Fuldstændig erstatning er ikke altid praktisk; i stedet skal fokus være på at bygge intelligente broer. Hos WNS har vi oprettet “brohold”-hold, der parrer legacy-administratoren med cloud-ingeniører, og accelererer implementering, samtidig med at vi opretholder kritiske forretningsregler.

Anden, kompetencegab. Virksomheder har brug for den rette blanding af domæneeksperter, dataingeniører, datavidenskabsmænd og oversættere, der kan forbinde tekniske indsigt med forretningsværdi.

Tredje, tempoet i teknologisk ændring. Vores WNS AI Lab giver organisationer mulighed for at eksperimentere med nye teknologier og opbygge bevis for begreber, før de engagerer sig i fuld skala.

På den kulturelle front afhænger succes af effektiv forandringsstyring. Vi designer rammer, der hjælper medarbejdere med at se AI som supplement i stedet for erstatning. At oprette en AI-råd er også en god idé, da det giver styring, tværfaglig tilslutning og en struktureret vej til at gå fra piloter til virksomhedsomfattende skala.

Hvordan kan finansielle institutioner finde den rette balance mellem innovation og ansvarlig AI-styring, når der er stigende fokus på AI-etik, bias og gennemsigtighed?

Innovation og ansvarlighed er ikke modsat valg – ansvarlighed skal være bygget ind i innovation fra starten.

Finansielle institutioner har brug for robuste AI-styringsrammer. Hos WNS implementerer vi rammer, der sikrer, at AI udvikles ansvarligt, etisk og sikkert. Vores tilgang integrerer kontroller for bias, fairhed, brugerdefinerede nøgleperformanceindikatorer og overvågning af modeldrift. Dette opbygger tillid, ikke kun regulatorisk overholdelse.

Gennemsigtighed er særligt kritisk i finansielle services. Hvis AI afviser et lån, fortjener ansøgere klare og forståelige forklaringer.

Ultimo, ansvarlig AI er en konkurrencemæssig fordel. Banker, der demonstrerer fairhed, gennemsigtighed og sikkerhed i deres AI-systemer, opnår kundetillid. De, der behandler styring som en eftertanke, risikerer regulatoriske straffe og reputationskader, der er langt sværere at reparere.

I de næste 3-5 år, hvilke nye AI-kapaciteter eller datastrategier tror du vil have den største indvirkning på, hvordan finansielle organisationer opererer?

Tre udviklinger vil forme finansielle services i de næste tre til fem år.

Først vil agentic AI gå fra eksperimentel til essentiel. Autonome AI-agenter vil udføre komplekse arbejdsprocesser og orkestrere hele afdelinger sammen med menneskelige hold.

Anden, kontinuerlige læringsystemer vil blive standard. AI vil tilpasse sig fra hver interaktion, og muliggøre sandt personlige finansielle services, der udvikler sig med hver kundes skiftende behov.

Tredje, vi vil se kraftfuld teknologisk konvergens: kvante-computering til avanceret risikoberegning, blockchain til gennemsigtige AI-beslutningslog og edge-computering til øjeblikkelige lokale beslutninger. Disse teknologier vil sammen låse op for helt nye former for finansielle services, som vi kun er begyndt at forestille os.

Efter at have navigeret iværksætteri, opkøb og nu en global ledelsesrolle, hvilke retningslinjer har hjulpet dig med at træffe beslutninger og lede hold gennem forandring?

Tre principper vejleder mig.

Først, udholdenhed over perfektion. Da vi startede The Smart Cube, havde vi ikke alle svarene. Vi begik fejl, tilpassede os og fortsatte fremad. Udholdenhed med tilpasning har været afgørende.

Anden, bygge varig værdi, ikke hurtige afkast. En professor fra business school rådede mig engang – år efter jeg havde grundlagt The Smart Cube – “Fokus ikke på afkastet. Fokus på at bygge en succesfuld forretning, der vil holde.” Den langsigtede tankegang har formet hver enkelt beslutning, jeg har truffet.

Tredje, nyd det, du gør. Jeg har altid troet, at hvis jeg ikke har det sjovt, vil jeg gå videre til noget andet. Efter 30 år vågner jeg stadig op med begejstring, og den entusiasme inspirerer hold gennem forandring.

At lede gennem opkøb bekræftede en anden sandhed: forandring lykkes, når man tager folk med. Teknisk integration er ligetil; kulturel integration – bygning af en fælles vision – er, hvor ledelse virkelig betyder noget.

Hvilke færdigheder, holdninger eller erfaringer tror du vil være mest værdifulde for professionelle, der ønsker at forme fremtiden for AI i finans?

Fremtiden tilhører dem, der kan brokke verdener. Rent tekniske færdigheder eller domæneekspertise alene vil ikke være nok.

Først, udvikle systemtænkning. Start med markedets behov – et klart brugstilfælde – og arbejd baglæns. AI i finans kræver at se, hvordan alt hænger sammen: hvordan en ændring i risikomodeller påvirker kundeoplevelse eller hvordan automatisering åbner op for nye muligheder.

Anden, dyrk disciplineret praktik over idealisme. Vær begejstret for nye teknologier, men rigorøs i evalueringen. Ikke hver problem kræver AI – nogle gange kan simple analyser eller endda regneark gøre arbejdet.

Tredje, bygge oversættelsesfærdigheder. Dette er afgørende. At kunne forklare komplekse AI-koncepter for bestyrelser og oversætte forretningskrav for datavidenskabsmænd er uvurderligt. De stærkeste AI-ledere aligner teknologi med forretningsstrategi.

Endelig, omfavne kontinuerlig læring. Værktøjer, der var skarpskårne for fem år siden, er allerede forældede. At blive nysgerrige, ydmyge og forpligtende til læring vil åbne døre til muligheder, vi endnu ikke kan forestille os i skæringen mellem AI og finans.

Tak for det gode interview. Læsere, der ønsker at lære mere, kan besøge WNS Analytics.