Gautam Singh, Global Business Unit Head of Analytics, Data and 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-leader) 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 “decision intelligence” – en kombination af robust, 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 og governance, deskriptiv og prediktiv analytics, AI/ML-værktøjer og visualisering – alle designede til at muliggøre hurtigere, mere sikre beslutninger og kontinuerlig innovation.

Du startede din karriere i top-tier management-consulting, derefter grundlagde du The Smart Cube og ledte det i over to årtier, før det blev opkøbt af WNS. Hvad motiverede din overgang fra consulting til entrepreneurship, og senere til at lede en global data analytics- og AI-forretning?

Jeg tilbragte ti år i management-consulting og så en klar markedsåbning: virksomheder sad på bjerge af data, men udvandt ikke deres fulde værdi. Tilbage i 2003 var analytics stadig grundlæggende – vi arbejdede med Excel-ark.

Beslutningen om at forlade det corporate liv kom ned til selvtillid. Jeg så en mulighed for at hjælpe organisationer med at udnytte deres data, så jeg grundlagde 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 videreført den entreprenørielle mindset, men nu med langt større ressourcer og rækkevidde. Dette giver os mulighed for at tackle problemer i en skala, jeg aldrig kunne have leveret i en mindre forretning. Det vigtigste er, at jeg erkendte kraften i at integrere og infusere data og analytics i kerneforretningsprocesser i stedet for at behandle dem som separate interventioner. Den nærmest øjeblikkelige integration af domæneekspertise og proces-transformation er central for WNS’ DNA – og det er, hvad der motiverede mig til at blive opkøbt og nu til at lede denne forretningsenhed i WNS.

I dine 20+ år med at arbejde med analytics, hvordan har du set rollen af data og AI i finansielle services udvikle sig – fra tidlig adoption 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 digitale og mere avancerede prediktive modeller. I 2010 var real-time handels-analytik blevet standard. For næsten et årti siden begyndte machine learning at drive en reel ændring, og mere nylig har Generative AI (Gen AI) taget center-scenen.

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?”

Impacten er tangibel: kunde-ophold, der tidligere tog dage, er nu færdig på få timer med AI-baseret verificering. Kredit-risikovurderinger evaluerer hundredvis af real-time ud over traditionelle score. Risikoberegninger, der tidligere krævede overnatning, er nu øjeblikkelige. Og svindel-detection reagerer ikke længere efter faktum – det blokerer mistænkeligt aktivitet i real-time.

Hvordan bruger fremadskuende virksomheder AI-drevneøer og governance-rammer til at forbedre real-time beslutning, regulatorisk overholdelse og gennemsigtighed i finansielle operationer?

At bygge monolitiske og håbe på indsigt virker ikke længere. Institutioner skal designe intelligente data-økosystemer.

Finansielle services står over for en unik udfordring: de er kunde-orienterede, håndterer ekstremt følsomme data og skal stadig levere personalisering og real-time respons. Dette kræver modulæreøer bygget på fleksible rammer.

Inden for denne arkitektur skaber organisationer specialiserede til pris-analytik, risikovurdering og regulatorisk rapportering. Hver dam fungerer uafhængigt, mens den bidrager til det større økosystem, og leverer øjeblikkelig værdi, mens den bevarede sikkerhedsgrænser.

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

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

Er syntetisk data ofte fremhævet som en sikker måde at træne AI-modeller uden at afsløre følsomme oplysninger. Kan du dele eksempler på, hvordan syntetisk data anvendes effektivt i svindel-detection, risiko-analytik og model-validering?

I WNS Analytics udnytter vi avanceret syntetisk til at skabe højtroværdige, privatlivs-kompatible datasæt, der accelererer AI-model-træning, især i domæner. Vores syntetiske datasæt efterligner realverden-scenarier, mens de reflekterer de samme statistiske mønstre, adfærd og korrelationer som faktiske finansielle data – transaktionsflade, svindel-tendenser, kunde-adfærd – uden at afsløre nogen følsomme personlige oplysninger eller kunde-data.

Denne kapacitet transformerer finansielle services på tværs af områder som risiko-analytik, svindel-detection, kredit-vurdering, stress-test og overholdelses-modellering. Disse syntetiske datasæt giver organisationer mulighed for at hurtigt starte AI-løsningsudvikling, mens de sikrer både og regulatorisk tillid.

Et særligt innovativt anvendelse indebærer brug af PII-maskeret data til at skabe lookalike-modeller. Dette giver virksomheder mulighed for at tilbyde målrettede tilbud til forbrugere, mens de opretholder fuld privatliv.

Intelligent automation og AI-agenter bliver mere og mere integreret i forretnings-workflows. Hvad er de mest transformative anvendelser, du har set i finansielle services, og hvordan forbedrer de operationel robusthed og præstation?

Intelligent automation, der udnytter AI-agenter, accelererer enterprise-workflows, og giver organisationer mulighed for at strømline operationer og træffe hurtigere, mere informerede beslutninger. Disse agenter kombinerer automation med avanceret reasoning til at levere robusthed, skalerbarhed og præstationsforbedring.

I 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 yderligere giver genbrugelige, mikrotjeneste-baserede komponenter til hyperspecialiserede agenter gennem vores prisvindende AI Utilities Hub.

I forsikring har vi transformeret multiple workflows gennem agentic AI. I motor-krav-subrogation har vores Gen AI-drevne tredjeparts-recovery-detection-løsning, drevet af autonome agenter, opnået 85% nøjagtighed, fordoblet recoveries og forbedret årlige recoveries med ca. 49% – låst millioner af muligheder, der tidligere var overset.

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

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

Vi har også en Gen AI-drevet viden-management-løsning – designed som en horisontal platform – til at redefine, hvordan virksomheder henter, forstår og kontekstualiserer enorme ustrukturerede data. Ved at levere præcise, overholdelses- og konsistente indsigt i real-time, styrker det beslutningstagning, forbedrer effektivitet og styrker operationel robusthed på tværs af brancher.

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

For virksomheder, der sigter mod at skala AI-initiativer, hvad er de største barrierer – tekniske, kulturelle eller strategiske – og hvordan kan ledere overvinde dem?

Den største barriere for at skala AI er ikke teknologi – det er organisations-beredskab.

Først er der på tværs af legacy-systemer. Fuldstændig erstatning er ikke altid praktisk; i stedet skal fokus være på at bygge intelligente broer. I WNS har vi skabt “bro-teams”, der parrer legacy-administratorer med cloud-ingeniører, og accelererer implementation, mens vi bevarede kritiske forretningsregler.

Anden, er der et kompetence-gap. Virksomheder har brug for den rette blanding af domæne-eksperter,ører,ænd og oversættere, der kan forbinde tekniske indsigt med forretningsværdi.

Tredje, er der tempoet i teknologisk ændring. Vores WNS AI Lab giver organisationer mulighed for at eksperimentere med opdyrkende teknologier og bygge proof-of-concepts, før de engagerer sig i fuld-skala implementation.

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 etablere en AI-råd er også en god idé, og giver governance, tværfunktionel alignment og en struktureret vej for at gå fra piloter til enterprise-omfattende skala.

Med øget fokus på AI-etik, bias og gennemsigtighed, hvordan kan finansielle institutioner finde den rette balance mellem innovation og ansvarlig AI-governance?

Innovation og ansvar er ikke modsat valg – ansvar skal bygges ind i innovation fra starten.

Finansielle institutioner har brug for robuste AI-governance-rammer. I WNS implementerer vi rammer, der sikrer, at AI udvikles ansvarligt, etisk og sikkert. Vores tilgang indbygger checks for bias, fairness, brugerdefinerede KPI’er og overvågning af model-drift. Dette bygger tillid, ikke kun regulatorisk overholdelse.

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

Ultimo, er ansvarlig AI en konkurrencemæssig fordel. Banker, der demonstrerer fairness, gennemsigtighed og sikkerhed i deres AI-systemer, tjener kunde-tillid. De, der behandler governance som en eftertanke, risikerer regulatoriske straffe og reputations-skader, der er langt sværere at reparere.

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

Tre udviklinger vil omforme finansielle services over de næste tre til fem år.

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

Anden, vil kontinuerlige lærings-systemer blive standard. AI vil tilpasse sig fra hver interaktion, og muliggøre virkelig personaliserede finansielle services, der udvikler sig med hver kundes skiftende behov.

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

Med din baggrund i entrepreneurship, opkøb og nu en global ledelsesrolle, hvilke retningslinjer har hjulpet dig med at træffe beslutninger og lede teams 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 exit. En professor fra business school rådede mig engang – år efter, at jeg havde grundlagt The Smart Cube – “Fokus ikke på exit. Fokus på at bygge en succesfuld forretning, der vil vare.” Den langsigtede mindset har formet hver beslutning, jeg har truffet.

Tredje, nyd, hvad 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 teams gennem forandring.

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

For fagfolk, der ønsker at forme fremtiden for AI i finans, hvad mener du er de vigtigste færdigheder, mindset eller erfaringer?

Fremtiden tilhører dem, der kan brobygge mellem verdener. Rent tekniske færdigheder eller domæne-ekspertise alene vil ikke være nok.

Først, udvikle systemtænkning. Start med markedets behov – en klar brugs-case – og arbejd baglæns. AI i finans kræver at se, hvordan alt hænger sammen: hvordan en ændring i risikomodeller påvirker kundeoplevelsen eller hvordan automation åbner op for nye muligheder.

Anden, dyrk disciplineret praktik over idealisme. Vær begejstret for nye teknologier, men rigorøs i evaluering af dem. Ikke alle problemer kræver AI – nogle gange kan simple analyser eller endda regneark gøre jobbet.

Tredje, bygge oversættelsesfærdigheder. Dette er værdifuldt. At kunne forklare komplekse AI-koncepter til bestyrelsesmedlemmer og oversætte forretningskrav tilænd er uvurderligt. De stærkeste AI-ledere aligner teknologi med forretningsstrategi.

Sidst, omfavn kontinuerligt læringsvilje. Værktøjer, der var cutting-edge for fem år siden, er allerede forældede. At blive nysgerrig, ydmyg og dedikeret til læringsvilje åbner døre til muligheder, vi endnu ikke kan forestille os på tværs af AI og finans.

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