Ankur Dhingra, CEO von ProHance – Interviewreihe

Ankur Dhingra, CEO von ProHance, ist ein erfahrener Technologie- und Betriebsleiter mit mehr als zwei Jahrzehnten Führungserfahrung in den Bereichen Unternehmensproduktivität, Finanzdienstleistungen und globale Geschäftsabläufe. Er leitet ProHance seit 2020 und konzentriert sich darauf, eine einheitliche Plattform zu schaffen, die die Beobachtung, Steuerung und Verbesserung der Produktivität von menschlichen Mitarbeitern, Lieferanten und KI‑Systemen ermöglicht. Bevor er CEO wurde, war Dhingra Partner bei FutureIP, wo ProHance als Plattform für Betriebsmanagement und Analytik entwickelt wurde. Zuvor verbrachte er über acht Jahre bei American Express, wo er als Vizepräsident und General Manager der globalen Back‑Office‑Operationen tätig war und zuvor die Kundenengagement‑Operationen leitete, die groß angelegte Telefon‑, Chat‑, Regulierungs‑ und Business‑Assurance‑Funktionen umfassen. Seine Laufbahn umfasst zudem leitende Positionen bei Genpact, wo er ein Bankgeschäft mit 1.100 Mitarbeitenden und einem Umsatz von 35 Millionen $ verantwortete, sowie bei GE Capital, wo er die Finanzdienstleistungs‑Operationen in Indien leitete.

ProHance ist ein Unternehmen für Unternehmens‑Workforce‑Intelligence und Produktivitätsanalytik, das Organisationen Echtzeit‑Einblick gibt, wie Arbeit von Mitarbeitenden, externen Lieferanten, KI‑Co‑Piloten und autonomen Agenten ausgeführt wird. Seine Plattform, die als „Productivity Control Room“ positioniert ist, kombiniert Workforce‑Analytics, Kapazitätsplanung, intelligente Arbeitszuweisung, Produktivitätsmessung und Governance‑Tools, um Unternehmen zu helfen, operative Engpässe zu identifizieren, Ressourcennutzung zu optimieren und die Auswirkungen von KI auf die Unternehmensleistung zu verstehen. ProHance gibt an, dass seine Technologie von mehr als 450.000 Nutzern in 220 Unternehmen in 55 Ländern eingesetzt wird, mit Anwendungsbereichen von Banken und Finanzdienstleistungen über Business‑Process‑Outsourcing, globale Kompetenzzentren, Gesundheitswesen bis hin zur Informationstechnologie.

Sie haben mehr als zwei Jahrzehnte damit verbracht, groß angelegte Operationen bei GE Capital, Genpact und American Express zu leiten, bevor Sie CEO von ProHance wurden. Was haben Ihnen diese Erfahrungen über die Grenzen des traditionellen Workforce‑ und Produktivitätsmanagements gelehrt, und wie haben diese Erkenntnisse die Art und Weise geprägt, wie Sie ProHance für ein KI‑first‑Unternehmen aufbauen?

Meine Erfahrung bei GE Capital, Genpact und American Express hat mir gezeigt, dass einer der größten Lücken im traditionellen Workforce‑Management nicht unbedingt im Front‑Office, sondern im Back‑Office liegt.

Bei American Express hatte ich zuvor im Kundenservice gearbeitet, wo das Contact‑Center über ziemlich ausgefeilte Technologie zur Messung der Produktivität verfügte – wo Menschen ihre Zeit verbrachten, Auslastung, Interaktionsvolumen und wie Prozesse optimiert werden konnten. Als ich jedoch die Leitung der Back‑Office‑Operationen übernahm, sah ich eine ganz andere Realität.

Ein riesiger Teil der Arbeit in großen Unternehmen findet hinter den Kulissen statt – Transaktionsverarbeitung, Fallmanagement, Dateneingabe und andere prozessgesteuerte Aktivitäten – doch es gab kaum sinnvolle Messungen darüber, wie diese Arbeit tatsächlich erledigt wurde. Die für das Front‑Office vorhandene Technologie und Sichtbarkeit war einfach nicht auf das Back‑Office übergegangen.

Ich wurde fast irrational von dem Problem besessen. Ich begann, die verfügbaren Technologien zu prüfen und mit etablierten Anbietern zu sprechen, doch das, was ich fand, war entweder zu umständlich, zu teuer oder schlicht nicht für die Realitäten von Back‑Office‑Operationen konzipiert. Ich dachte immer wieder: Dies ist eine Branche im Wert von über 150 Milliarden $, und dieses Problem besteht seit Jahren. Jemand muss es doch besser lösen.

Diese Suche führte mich schließlich zu ProHance, wo Rajesh Sharma und Kishore Reddy (Mitbegründer von ProHance) bereits eine Technologie entwickelt hatten, die viele der von mir als erfahrener Nutzer identifizierten Herausforderungen adressierte. Ich wusste genau, was die Technologie leisten muss – Aktivitäten automatisch erfassen, über verschiedene Betriebssysteme hinweg arbeiten, Zeit sowohl am System als auch außerhalb messen und einen verlässlichen Überblick darüber bieten, wie Arbeit tatsächlich abläuft.

Diese Erfahrung hat meine heutige Sichtweise auf ProHance geprägt. Die Erkenntnis lautet, dass man ein KI‑first‑Unternehmen nicht einfach durch das Hinzufügen von KI zu bestehenden Workforce‑Management‑Tools aufbauen kann. Zunächst benötigt man ein zuverlässiges, granular­es Verständnis der Arbeit selbst. KI kann dann transformieren, wie diese Arbeit analysiert, optimiert und letztlich neu gestaltet wird.

Für mich geht es bei ProHance darum, das gleiche Maß an Sichtbarkeit und Intelligenz, das Unternehmen historisch im Front‑Office hatten, auf die gesamte Organisation zu übertragen – und KI zu nutzen, um eine bessere Messung der Produktivität zu erhalten, die die Arbeitsweise grundlegend verbessert.

Da generative KI und KI‑Agenten einen wachsenden Anteil an Wissensarbeit übernehmen, könnten traditionelle Produktivitätssignale wie gearbeitete Stunden oder Anwendungsnutzung weniger aussagekräftig werden. Wie sollten Unternehmen Produktivität neu definieren, wenn ein Mensch in 30 Minuten das erledigt, was früher mehrere Stunden benötigte?

Produktivität muss von der Messung von Aktivitäten hin zur Messung von Ergebnissen übergehen. Wenn KI es ermöglicht, dass jemand in 30 Minuten das erledigt, was früher drei Stunden dauerte, ist die Drei‑Stunden‑Benchmark nicht mehr relevant. Der Fokus sollte darauf liegen, was erreicht wurde, die Qualität des Ergebnisses und wie effektiv Zeit und Fähigkeiten eingesetzt wurden.

Das bedeutet auch, dass Unternehmen verstehen müssen, wo KI tatsächlich repetitive Arbeit eliminiert und wo menschliches Urteilsvermögen weiterhin entscheidend ist. Produktivität sollte zunehmend Ergebnisse, Kapazität, Qualität und geschäftliche Auswirkungen widerspiegeln, statt der am Schreibtisch verbrachten Stunden oder der Anwendungsnutzung.

Sie haben Workforce‑Intelligence als zunehmend kritisch im KI‑first‑Unternehmen beschrieben. Was bedeutet „Workforce‑Intelligence“ in der Praxis, und wie unterscheidet sie sich von den Mitarbeiter‑Monitoring‑ und Workforce‑Analytics‑Tools, die Unternehmen historisch verwendet haben?

Workforce‑Intelligence geht im Wesentlichen darum, einer Organisation ein klareres Verständnis darüber zu geben, wie Arbeit tatsächlich abläuft. Sie bündelt Signale zu Arbeitslast, Kapazität, Auslastung, Prozessen und Ergebnissen, um Führungskräften zu helfen, zu erkennen, wo Teams überlastet sind, wo Kapazitäten vorhanden sind und wo Arbeit stockt.

Das unterscheidet sich vom traditionellen Mitarbeiter‑Monitoring, das sich häufig auf individuelle Aktivitäten konzentrierte. Workforce‑Intelligence sollte auf einer viel breiteren Ebene operieren. Das Ziel ist nicht zu fragen: „Was macht dieser Mitarbeitende jede Minute?“, sondern: „Wie fließt die Arbeit durch die Organisation und was können wir tun, um sie zu verbessern?“

ProHance kombiniert zunehmend deterministische Workforce‑Daten mit Machine Learning, um prädiktive Erkenntnisse zu erzeugen, einschließlich der Identifizierung potenzieller Abwanderungs‑ und Retentionsrisiken. Wie stellen Sie sicher, dass diese KI‑Modelle sinnvolle Muster von normalen Schwankungen im Mitarbeitendenverhalten unterscheiden, und wie wichtig ist Erklärbarkeit, wenn Manager Entscheidungen über Personen treffen?

Bei ProHance sind wir der Ansicht, dass die Qualität und der Kontext der zugrunde liegenden Daten entscheidend sind. Das Verhalten von Mitarbeitenden variiert natürlich je nach Projekten, Arbeitslast, Teams, Jahreszeiten und Geschäftszyklen. Eine Veränderung der Aktivität allein weist nicht zwingend auf Abwanderung oder ein Retentionsrisiko hin.

Der Ansatz besteht darin, Muster über mehrere Signale und über die Zeit hinweg zu suchen, anstatt aus einem einzelnen Verhalten Schlüsse zu ziehen. KI kann dabei helfen, Muster zu erkennen, die Aufmerksamkeit erfordern, sollte jedoch nicht als endgültiger Entscheidungsträger fungieren.

Erklärbarkeit ist ebenso wichtig. Wenn ein System ein potenzielles Risiko markiert, sollten Manager die Faktoren hinter diesem Signal nachvollziehen und ihr eigenes Urteil anwenden können. Wenn Technologie genutzt wird, um Entscheidungen über Personen zu informieren, sind Transparenz und menschliche Aufsicht unerlässlich.

Es gibt verständliche Bedenken der Mitarbeitenden, wenn Organisationen Technologie einführen, die Arbeitsmuster, Anwendungsnutzung, Leerlaufzeit oder Leistung analysieren kann. Wo sollten Unternehmen die Grenze ziehen zwischen dem Gewinn nützlicher operativer Sichtbarkeit und der Schaffung einer Überwachungskultur?

Die Grenze wird weitgehend durch die Absicht, Transparenz und die Nutzung der Daten bestimmt. Mitarbeitende fühlen sich verständlicherweise unwohl, wenn Technologie eingeführt wird, ohne dass klar ist, was gemessen wird und warum.

Das Ziel sollte sein, Arbeit auf organisatorischer und operativer Ebene zu verstehen, anstatt ständig einzelne Personen zu beobachten. Wenn Workforce‑Daten helfen, übermäßige Arbeitslasten, Engpässe oder ineffiziente Prozesse zu identifizieren, können sie tatsächlich die Mitarbeitenden‑Erfahrung verbessern.

Unternehmen sollten zudem klar kommunizieren, was sie nicht beabsichtigen. Technologie sollte Managern helfen, bessere Gespräche mit ihren Teams zu führen, nicht diese Gespräche ersetzen oder ein System ständiger Beobachtung schaffen.

KI‑Co‑Piloten und autonome Agenten werden zunehmend Teil der Belegschaft selbst. Glauben Sie, dass Workforce‑Intelligence‑Plattformen künftig die Produktivität von Menschen und KI‑Agenten gemeinsam messen müssen, und wie könnte ein sinnvolles Mensch‑zu‑KI‑Produktivitätsmaß aussehen?

Ja, ich denke, das wird zunehmend wichtig werden. Wenn KI‑Agenten Teile von Arbeitsabläufen übernehmen, liefert die Messung ausschließlich menschlicher Aktivitäten ein unvollständiges Bild davon, wie Arbeit erledigt wird.

Ich glaube jedoch nicht, dass wir zu einem einzigen „Mensch‑gegen‑KI“-Produktivitätswert kommen werden. Ein sinnvollerer Ansatz wäre, den kombinierten Output von Menschen, KI‑Tools und Agenten über einen Arbeitsablauf hinweg zu verstehen.

Unternehmen könnten betrachten, wie viel Zeit KI von repetitiven Aufgaben abnimmt, wie schnell Prozesse voranschreiten, die Qualität der Ergebnisse und wo menschliche Intervention noch nötig ist. Die eigentliche Frage lautet: Wie effektiv arbeiten Menschen und KI zusammen?

ProHance spricht davon, über die reine Messung von Produktivität hinaus zu operativer Intelligenz zu gelangen, einschließlich Arbeitslastanalyse, Prognosen, Prozessoptimierung und Ressourcenallokation. Wie stark wird die Zukunft dieser Kategorie davon geprägt sein, dass KI proaktiv empfiehlt, was Manager ändern sollten, anstatt ihnen lediglich Dashboards zu präsentieren?

Ich denke, das ist die Richtung, in die ProHance die Kategorie sieht. Dashboards sind nützlich, lassen jedoch die Verantwortung für die Interpretation der Informationen und die Entscheidung über das nächste Vorgehen beim Manager.

Die nächste Stufe besteht darin, dass Plattformen ein Muster erkennen und bei der Frage „Was sollten wir dagegen tun?“ helfen. Das könnte bedeuten, ein überlastetes Team hervorzuheben, ein ungenutztes Kompetenzprofil zu identifizieren, eine Kapazitätslücke vorherzusagen oder Vorschläge zu machen, wo ein Prozess verbessert werden könnte.

Für ProHance wird der Mehrwert zunehmend daraus entstehen, von Sichtbarkeit zu Handlung zu wechseln. KI sollte Managern helfen, bessere Entscheidungen zu treffen, wobei die Entscheidung selbst bei der Person bleibt, die das Geschäft und den Kontext versteht.

Sie haben Produktivitäts‑Intelligenz mit einem jährlichen Gesundheitsbericht für ein Unternehmen verglichen. Welche wichtigsten Signale sollten Führungskräfte beachten, um festzustellen, ob ihre Belegschaft wirklich gesund, produktiv und erfolgreich an KI anpassungsfähig ist?

Ich würde eine Kombination von Signalen betrachten, nicht nur eine einzelne Produktivitätszahl. Kapazität und Arbeitslast sind offensichtliche Ausgangspunkte, doch Führungskräfte sollten ebenfalls verstehen, ob Arbeit effektiv verteilt ist, wo Engpässe entstehen, wie Teams sich an KI anpassen und ob Mitarbeitende zu viel Zeit mit wenigwertigen Tätigkeiten verbringen.

Ein weiteres wichtiges Signal ist Nachhaltigkeit. Ein Team, das außergewöhnliche Ergebnisse liefert, weil die Mitarbeitenden dauerhaft über die zumutbare Kapazität hinaus arbeiten, ist langfristig nicht unbedingt gesund oder produktiv.

Eine gesunde Belegschaft ist eine, in der Kapazität, Arbeitslast und Ergebnisse ausgewogen sind, Mitarbeitende Raum haben, sich auf höherwertige Aufgaben zu konzentrieren, und die Organisation sich anpassen kann, wenn sich die Art der Arbeit verändert.

„Produktivität“ hat für viele Mitarbeitende negative Konnotationen entwickelt, weil es implizieren kann, mehr Arbeit mit weniger Personen zu erledigen. Wie können Unternehmen das Konzept zurückgewinnen und KI‑gestützte Produktivitäts‑Intelligenz nutzen, um die Mitarbeitenden‑Erfahrung zu verbessern, Burnout zu reduzieren und wenigwertige Arbeit zu eliminieren, anstatt lediglich die Leistung zu steigern?

Organisationen müssen davon abrücken, Produktivität einfach als „mehr Output von weniger Personen“ zu definieren. Diese Definition ist besonders in einem KI‑unterstützten Arbeitsumfeld zu eng.

KI sollte idealerweise den Menschen Zeit zurückgeben, die derzeit durch repetitive Verwaltung, manuelle Prozesse und wenigwertige Aufgaben verbraucht wird. Die Chance besteht darin, diese Zeit für Problemlösung, Kundeninteraktion, Innovation und Tätigkeiten zu nutzen, die menschliches Urteilsvermögen erfordern.

Wenn Produktivitäts‑Intelligenz dazu verwendet wird, zu identifizieren, wo Mitarbeitende überlastet sind oder ihre Zeit ineffizient verbringen, kann sie tatsächlich zu einem Werkzeug für die Mitarbeitenden‑Erfahrung werden. Das Ziel sollte sein, die Arbeit zu verbessern, nicht lediglich die Mitarbeitenden schneller arbeiten zu lassen.

Wenn wir in die Zukunft blicken und KI in fast jedem Unternehmens‑Workflow verankert ist, was wird Ihrer Meinung nach die Unternehmen unterscheiden, die ihre Belegschaft erfolgreich mit KI ergänzen, von denen, die die Technologie einsetzen, aber keinen bedeutenden Produktivitätszuwachs erzielen?

Die Unternehmen, die am meisten von KI profitieren, werden diejenigen sein, die über die reine Technologie‑Implementierung hinausblicken. Der Zugang zu einem KI‑Tool erzeugt nicht automatisch Produktivitätsgewinne.

Die Führungskräfte werden verstehen, wo KI Arbeitsabläufe verändert, wie sich Rollen weiterentwickeln und ob das Unternehmen tatsächlich bessere Ergebnisse durch die Technologie erzielt. Sie werden zudem kontinuierlich messen, was funktioniert, und entsprechend anpassen.

Letztendlich werden erfolgreiche Unternehmen die KI‑Einführung als Veränderung der Arbeitsweise betrachten, nicht nur als weitere Technologie‑Implementierung. Sie werden KI mit den richtigen Prozessen, Fähigkeiten, Workforce‑Sichtbarkeit und Management‑Praktiken kombinieren. Das wird entscheiden, ob KI zu einem echten Produktivitätsvorteil wird oder lediglich eine weitere Technologieschicht darstellt.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten ProHance besuchen.