Vijay Vijayasankar, Global Agentic AI Officer hos Genpact – Intervieuserie

Vijay Vijayasankar, Global Agentic AI Officer hos Genpact, leder virksomhedens globale produktudvikling af Agentic AI-løsninger med fokus på at flytte værdiskabelse for virksomhederne fra traditionelle, menneskebaserede modeller til mere avancerede, resultatbaserede rammer. I sin rol hjælper han med at forme Genpacts tilgang til at skalerer AI på tværs af virksomheden ved at opbygge organisationsmodeller omkring både AI-udviklere, der designer avancerede orkestreringslag, og AI-praktikere, der bringer domæneekspertise ind i arbejdsprocesser drevet af autonome agenter. Før han kom til Genpact, havde Vijayasankar seniort ledelsesroller hos IBM, herunder Managing Partner for Financial Services, CTO of IBM Services North America og General Manager for Cognitive, IoT, Analytics og Watson Health i GBS North America, samt tidligere ledelsesroller hos MongoDB (MDB ) og SAP.

Genpact er en agentic og avanceret teknologivirksomhed, der hjælper store virksomheder med at modernisere deres operationer gennem procesintelligens, kunstig intelligens, data og digital transformation. Virksomheden arbejder inden for områder som finans og regnskab, kundeservice, risiko og compliance, indkøb og leverandørstyring, forsyningskæde, teknologi og tillid og sikkerhed, mens deres Data og AI-tjenester fokuserer på at hjælpe organisationer med at bruge avanceret analyse, AI og autonome agenter til at omdanne komplekse data til målbare forretningsresultater.

Du har tilbragt mere end to årtier i virksomheder som IBM, MongoDB, SAP og nu Genpact, hvor du fungerer som Global Agentic AI Officer. Når du ser tilbage over udviklingen fra big data og analytics til i dagens agentic AI-systemer, hvilke læssoner har haft den største indflydelse på din opfattelse af, hvordan virksomheder skal tilgå AI-transformation?

Jeg har set den samme film tre gange nu. Big data var den magiske kugle til beslutningstagning. Cloud var den øjeblikkelige omstilling til organisationsagtighed. Nu er agentic AI-løsningerne kuriren for operationer. I hver cyklus var det de virksomheder, der skabte værdi, der fokuserede på deres driftsmodeller, deres processer og deres mennesker. De, der kæmpede, og mange gør det stadig, behandlede teknologien selv som transformationen.

Hvad der er fundamentalt anderledes ved agentic AI, er dets placering. Det sidder på udførelseslaget, ikke på indsigtslaget. Ældre værktøjer genererede grafer og anbefalinger. Agenter udfører handlinger. En dårlig analytics-dashboard producerer en dårlig graf, som en menneskelig analytiker fanger, før den rammer direktørens skrivebord. En dårlig agent udfører en dårlig transaktion i stor målestok, før nogen opdager, at det er sket. Det ændrer risikoprofilen fuldstændigt og tvinger en niveau af operativ disciplin, som de fleste virksomheder ikke har behov for før. Jeg har lært at være mistroisk over for min egen begejstring. Agentic AI er fascinerende, men det er præcis, når du skal slowe ned og gennemgå grundlaget.

Genpacts nye rapport med HFS Research estimerer, at uløste virksomheds-gæld fanger næsten 18 billioner dollars i potentiel værdi globalt. Hvad overraskede dig mest om fundene, og hvorfor tror du, så mange organisationer fortsat undervurderer virkningen af proces-, data-, teknologi- og talentgæld?

Hvad der var øjenåbnende, var skalaen af den værdi, der var fanget bag ineffektive processer, fragmenterede data, ældre teknologi og udfordringer med arbejdskraftens beredskab, der blev målt i billioner af dollars.

Hvad der betyder mere end det samlede beløb, er, hvordan problemet er struktureret. De fleste ledere ser på disse problemer som separate siloer. Et data-problem, et proces-problem, et teknologi-problem, et kompetence-problem, hver behandlet uafhængigt. De er ikke separate. Dårlige data tvinger mennesker til at opfinde manuelle løsninger. Disse løsninger skaber proces-kompleksitet. Den kompleksitet brænder ud de bedste mennesker og gør operationerne skrøbelige. Når et AI-initiativ ankommer, støder det ind i alt dette samtidigt. AI bliver beskyldt for en fejl, der var indbygget i forretningen for ti år siden. Vi taler om virksomheds-gæld som en omkostningsbyrde, men det er mere præcist en vækst-begrænsning. Denne forskel betyder, at det ændrer, hvem der ejer problemet, og hvad løsningen er værd.

Rapporten fandt, at 85% af direktører mener, at virksomheds-gæld begrænser AI-værdi-realisation. Hvorfor tror du, at virksomheder fortsætter med at investere tungt i AI, mens de ofte ignorerer de grundlæggende problemer, der forhindrer disse investeringer i at give afkast?

Fordi AI er synligt, og grundlaget er usynligt. Hvert bestyrelse vil se en AI-strategi. Hvert direktør har brug for en historie at fortælle. At implementere en ny model er en overskrift. At redesigne en kerneforsyningskæde-proces er en takløs, usynlig slid, indtil det endelig virker.

Jeg har set organisationer, der bruger seks måneder på at vælge en model og seks dage på at undersøge processen, som modellen skal forbedre. Den ratio er forkert, og de opdager det på den hårde måde. Flaskehalsen er næsten aldrig AI. Det er inkonsistente processer, frakoblet systemer og data, som ingen har været ansvarlig for i år. AI løser ikke disse ting. Det afslører dem hurtigere. Incitamentsstrukturerne belønner ikke grundlæggende ændringer. Der er ingen demo for at rydde op i data-styring. De direktører, der gør det stille, gør en indsats, der compounder over tid, men de fleste bestyrelser måler ikke det.

Data-gæld opstod som den største AI-blokering i forskningen. Hvad praktiske skridt skal virksomheder tage i dag for at gå fra fragmenterede, lavkvalitets data-miljøer til data-grundlag, der kan støtte agentic AI i stor målestok?

Stop med at lancere et stort, top-down styreprogram. Det er en teknologi-løsning på et ansvar-problem. I de fleste store organisationer ejer ingen nøjagtigheden af den information, der driver forretningen.

Det praktiske udgangspunkt er at vælge en håndfuld højværdi-processer og arbejde baglæns. Hvad beslutninger skal træffes? Hvad data kræver disse beslutninger? Hvem ejer den data? Hvordan ofte er det forkert? Den øvelse afslører ansvar-lukkerne straks. Og vi må få det her ret, fordi agenter fejler stille. En menneskelig analytiker ser to systemer, der ikke er enige, og tager en beslutning. En agent mægler mellem de modsætningsfulde data og udfører med total tillid. Hvis forskellige dele af din organisation definerer en kunde eller en transaktion forskelligt, tager agenten beslutninger med fuld tillid fra dårlige indgange, og intet i din organisation fanger det. Det er en ny kategori af operativ risiko, som de fleste organisationer ikke fuldt ud har priset ind.

Agenter kan ikke håndtere tvivl som mennesker gør. Det er også derfor, at succesen med en agentic-løsning er mindre om intelligent modellering og mere om kvaliteten af sikkerhedsforanstaltninger, der er indført.

Du har argumenteret for, at der ikke er “noget AI uden proces-intelligens”. Hvorfor tror du, at proces-omdesign er ofte mere vigtigt end AI-modellen selv, når organisationer forsøger at automatisere komplekse forretningsoperationer?

Fordi modellen fungerer lige så godt som processen, den er indlejret i, ikke bedre. Organisationer beskæftiger sig med model-valg, fordi det er, hvor den synlige innovation er, men processen er, hvor værdi skabes eller gås tabt.

Hvis en arbejdsproces har redundant godkendelse, dobbelt arbejde eller uklar ejerskab, fikser AI ikke disse ting. Det accelererer dem. Du får en fejl resultat hurtigere og i større målestok. Mennesker tror ofte, at en grundig proces-omdesign langsomer dem, men virkeligheden er præcis det modsatte. Du sparer de atten måneder, du ellers ville have brugt på at afvikle en dårlig implementering. Tænk på det som et køretøj: du kan sætte den bedste motor, der nogensinde er bygget, ind i en bil med misalignede hjul, og det vil stadig trække til venstre.

Mange organisationer eksperimenterer med AI-agenter, men relativt få har succesfuldt implementeret dem på tværs af kerneforretningsfunktioner. Hvad adskiller virksomheder, der flytter sig ud over pilotprojekter, fra dem, der bliver fast i proof-of-concept-tilstand?

Pilotprojekter er designet til at lykkes. Du vælger den bedste proces, de reneste data og det mest motiverede team. Skalering betyder at ramme den virkelige omgang, hvor ingen af disse betingelser gælder.

Organisationer, der skalere, stopper med at skabe kunstige betingelser fra starten. De vælger et rigtigt operativt problem, tildeler en ejer, der er ansvarlig for forretningsresultatet, ikke teknologien, og bager styre ind i designet fra dag én. Vi har kunder, der kører agenter i produktion på tværs af kontorarbejde og transaktions-overvågning. Produktivitets-tallene er der, men den virkelige ændring er strukturel. Endestaten er en fundamentalt anderledes arbejdsproces, hvor mennesker er fri til at udføre det strategiske arbejde, de aldrig havde tid til at håndtere før. At skalere agenter er en ledelses-udfordring, ikke en software-udfordring.

Rapporten fremhæver, at kun 6% af virksomheder har succesfuldt løst deres største gælds-udfordringer. Hvad gør disse organisationer anderledes, og hvilke almindelige fejl ser du hos virksomheder, der kæmper med at gøre betydelig fremskridt?

De behandler det som et forretnings-problem, ikke et IT-program. Det er knyttet til direktør-støtte og målbart forretnings-resultat. De forstår, at operativ sundhed ikke er adskilt fra vækst-strategi. Det er vækst-strategien.

De andre 94% jagter symptomer. De implementerer et værktøj for at løse et proces-problem eller lancerer en AI-initiativ for at kompensere for dårlige data. Det producerer en kortvarig bump, men det underliggende problem forbliver, og gælden fortsætter med at vækste. Lederne, der bryder cirklen, er villige til at sige, hvad de fleste direktører ikke vil: denne proces har været brudt i femten år, vi har bygget hele driftsmodeller omkring dens fejl, og vi vil rive det ned og genopbygge det fra bunden. Den tilståelse er ubehagelig. Den inviterer til spørgsmål om, hvorfor det ikke blev løst tidligere. De, der tager det kald, er de, der gør rigtigt fremskridt.

Du har talt om forskellen mellem “AI-udviklere” og “AI-praktikere”. Hvordan ser du enterprise-arbejdsstyrken udvikle sig over de næste fem år, og hvilke færdigheder vil blive mest værdifulde, når mennesker arbejder sammen med autonome agenter?

Den mest værdifulde færdighed vil være at vide, hvordan man rammer et problem. Når AI håndterer mere udførelse, afhænger kvaliteten af resultatet af kvaliteten af spørgsmålet og dommen, der anvendes på output. Du skal kunne genkende, når noget ser rigtigt ud, men er strukturelt forkert.

Foruden det ville jeg fremhæve tre specifikke ting. Først er det domæne-dybde. Generelle AI-kapaciteter bliver kommodificerede hurtigt, så generalister mister deres indflydelse. Præmien går til dybe domæne-eksperter, der kombinerer ægte funktions-ekspertise med evnen til at anvende AI inden for den kontekst. Andet er exception-håndtering. Du har brug for mennesker, der ved, hvad de skal gøre, når agenten rammer en mur eller de finansielle væddemål er for høje til at automatisere, hvilket kræver institutionel visdom snarere end træningsdata. Tredje er arbejdsproces-design, hvilket betyder evnen til at strukturere arbejde, så både mennesker og intelligente systemer gør, hvad de er bedst til, og erkende, når den opdeling skal ændre sig. Det er ikke en term, branchen har sat sig på endnu, men færdigheden er reel og i øjeblikket undervurderet.

Der er en fortsat debat om, hvorvidt AI vil eliminere job eller transformere dem. Du har argumenteret for, at meget af bekymringen kommer fra en misforståelse af, hvad AI faktisk er godt til. Hvordan ser du forholdet mellem menneskelig ekspertise og AI-agenter udvikle sig, når adoption accelererer?

AI er fantastisk til opgaver, der er tydeligt defineret, høj-volumen og mønster-afhængige, såsom behandling af fakturaer, overvågning af handels-anomalier og opstilling af rutine-kommunikation. Det gør disse ting hurtigere og i en størrelse, som ingen menneskelig hold kan nå. AI kan dog ikke have ansvar for virkelige resultater, ej heller kan det håndtere ting som nytænkning, tvivl og besværlige menneskelige relationer, hvilket er hvorfor menneskelig ekspertise forbliver afgørende.

De fleste job er en samling af opgaver, ikke en enkelt aktivitet, og AI vil absorbere udførelses-laget over tid. Det eliminerer ikke behovet for mennesker, det ændrer bare, hvor de skaber værdi. Når rutine-arbejde bliver automatiseret, flytter ekspertise sig mod at løse undtagelser, redesigne processer og hjælpe organisationer med at tilpasse sig, når teknologi og forretnings-behov udvikler sig. Nogle roller vil ændre sig betydeligt, og ledere har en ansvarliggørelse for at adresse, om det nye arbejde, der skabes, er tilgængeligt for de mennesker, hvis gamle arbejde forsvinder. Svaret afhænger næsten udelukkende af de valg, organisationer træffer om uddannelse og overgang. Det er en ledelses-beslutning, ikke en teknologi-udgang.

Når vi ser fremad, hvad ligner en virkelig agentic-virksomhed i praksis? Hvis vi genoptager denne samtale om fem år, hvilke ændringer i forretnings-operationer, organisations-design og AI-udvikling forventer du vil være blevet standard på tværs af førende virksomheder?

Vi vil stoppe med at tale om AI som en separat initiativ, ligesom vi stoppede med at tale om at gå digitalt. Det vil blot være, hvordan arbejde bliver gjort.

Den strukturelle ændring er, hvad der interesserer mig mest. Meget af vores nuværende hierarki eksisterer, fordi information var svær at flytte. Vi har godkendelses-kæder og koordinations-roller, fordi information skulle rejse fra, hvor den blev skabt, til, hvor beslutninger blev truffet. Agenter kollapser denne distance. Når de gør det, bliver en betydelig del af koordinations-infrastruktur redundant. Organisationer, der erkender dette tidligt og redesignerer omkring det, vil have en fart-fordel, der compounder.

Vi vil også se en ændring i, hvordan AI købes og leveres. Software-virksomheder bygger produkter, men tager ikke ansvar for resultater. Services-virksomheder tager ansvar, men kæmper med at bygge skalerbare produkter. Begge modeller er utilstrækkelige. Det, vi bygger hos Genpact, er produkt-udviklet AI i bestemte domæner, leveret som et resultat. Du køber resultatet, og vi er på hook for det. Jeg tror, det bliver standarden, fordi det aligner incitamenter korrekt. Leverandøren, der kun sælger kapacitet, har ingen stake i, om det virker i din omgang. De, der er ansvarlige for resultatet, har hver enkelt stake. Vinderne i denne æra bliver ikke defineret af at have de mest avancerede AI-modeller. De bliver defineret af at mestre den strukturelle redesign mellem mennesker, processer og intelligente systemer. Vi er kun på dag én af den ændring.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Genpact.