Gautam Singh, Globaler Leiter des Geschäftsbereichs Analytics, Data und AI, WNS Analytics – Interviewreihe

Gautam Singh ist der Leiter des Geschäftsbereichs von WNS Analytics und der Mitgründer und CEO von The Smart Cube, einem Unternehmen von WNS. Er verbrachte 20 Jahre damit, The Smart Cube (einen Forschungs- und Analyseführer) aufzubauen und zu vergrößern, bevor es von WNS übernommen wurde. Zuvor arbeitete er 10 Jahre lang im Management Consulting und Venture Capital in Europa und den USA. Gautam hatte verschiedene Rollen inne, darunter Positionen bei Coven Partners (London), A.T. Kearney (London), Mitsubishi Motors (Indien) und Cummins Engines (USA). Er hält einen MBA von der University of Michigan, Ann Arbor, USA und einen Bachelor-Abschluss in Maschinenbau von der IIT Bombay, Indien.

WNS Analytics hilft Unternehmen, ihre Daten in strategischen Wert umzuwandeln, indem sie “Entscheidungsintelligenz” kombinieren – robuste Dateninfrastruktur, AI/GenAI/agentic-AI-Technologien und branchenspezifische Expertise. Sie bieten Dienstleistungen in verschiedenen Branchen an, darunter Versicherungen, Banken und Finanzdienstleistungen, Einzelhandel, CPG, Fertigung, Gesundheitswesen, Energie und Logistik. Ihre Fähigkeiten umfassen Datenengineering und -verwaltung, beschreibende und vorhersagende Analytik, AI/ML-Tools und Visualisierung – all dies ist darauf ausgelegt, um schnellere, zuverlässigere Entscheidungen und kontinuierliche Innovation zu ermöglichen.

Sie haben Ihre Karriere in der Top-Tier-Management-Beratung begonnen, dann The Smart Cube gegründet und es über zwei Jahrzehnte geführt, bevor es von WNS übernommen wurde. Was hat Ihre Entscheidung beeinflusst, von der Beratung zur Gründung eines Unternehmens und später zur Leitung eines globalen Datenanalyse- und KI-Geschäfts zu wechseln?

Ich verbrachte zehn Jahre in der Management-Beratung und sah eine klare Marktlücke: Unternehmen saßen auf Bergen von Daten, aber extrahierten nicht deren vollen Wert. Im Jahr 2003 war die Analyse noch grundlegend – wir arbeiteten mit Excel-Tabellen.

Die Entscheidung, das corporate Leben zu verlassen, kam aufgrund meines Selbstvertrauens. Ich sah eine Chance, Organisationen zu helfen, ihre Daten wirklich zu nutzen, also gründete ich The Smart Cube mit dieser Vision.

Nach 20 Jahren des Aufbaus von The Smart Cube war der Wechsel zu WNS kein Ausstieg, sondern eine Evolution. Ich habe die unternehmerische Mentalität beibehalten, aber jetzt mit weit größeren Ressourcen und Reichweite. Dies ermöglicht es uns, Probleme in einem Umfang anzugehen, den ich in einem kleineren Unternehmen nie hätte liefern können. Am wichtigsten ist, dass ich die Bedeutung der Einbettung und Infusion von Daten und Analytik in die Kerngeschäftsprozesse erkannt habe, anstatt sie als separate Interventionen zu behandeln. Diese nahtlose Integration von Domänenexpertise und Prozessumwandlung ist zentral für das DNA von WNS – und das hat mich motiviert, das Unternehmen zu übernehmen und jetzt diese Geschäftseinheit bei WNS zu leiten.

In Ihren über 20 Jahren in der Analyse haben Sie die Rolle von Daten und KI in den Finanzdienstleistungen von der frühen Übernahme bis zur heutigen großflächigen, unternehmensweiten Integration gesehen. Wie haben Sie diese Entwicklung erlebt?

In den späten 90er Jahren bedeutete Analyse, historische Daten zu betrachten und statistische Prognosen zu erstellen. Die Veränderung war bemerkenswert.

Die frühen 2000er brachten die Digitalisierung und fortschrittlichere Vorhersagemodelle. Ab 2010 wurden Echtzeit-Handelsanalytik zur Norm. Vor etwa einem Jahrzehnt begann die maschinelle Lernfähigkeit, eine echte Veränderung herbeizuführen, und in letzter Zeit hat die generative KI (Gen-KI) den Mittelpunkt eingenommen.

Heute behandeln Finanzinstitute Daten als strategisches Vermögen. Die Frage hat sich von “Können wir KI verwenden?” zu “Wie können wir KI in jede Entscheidung einbetten?” verändert.

Der Einfluss ist greifbar: Die Kundenonboarding, die früher Tage dauerte, ist jetzt in Stunden abgeschlossen, dank KI-basierter Verifizierung. Kreditrisikobewertungen bewerten hunderte Echtzeit-Datensätze jenseits der traditionellen Bewertungen. Risikoberechnungen, die früher overnight-Batch-Läufe erforderten, sind jetzt sofortig. Und die Betrugsbekämpfung reagiert nicht mehr nachträglich – sie blockiert verdächtige Aktivitäten in Echtzeit.

Wie nutzen fortschrittliche Unternehmen KI-getriebene Data Lakes und Governance-Frameworks, um die Echtzeit-Entscheidungsfindung, die Einhaltung von Vorschriften und die Transparenz in den Finanzoperationen zu verbessern?

Das Aufbauen monolithischer und das Hoffen auf Erkenntnisse funktioniert nicht mehr. Institutionen müssen intelligente Datenökosysteme entwerfen.

Finanzdienstleister stehen vor einer einzigartigen Herausforderung: Sie sind kundenorientiert, verarbeiten hochsensible Daten und müssen dennoch Personalisierung und Echtzeit-Reaktionsfähigkeit bieten. Dies erfordert modulare, die auf flexiblen Frameworks basieren.

Innerhalb dieser Architektur erstellen Organisationen spezialisierte für Preisanalytik, Risikobewertung und regulatorische Berichterstattung. Jeder Teich operiert unabhängig, während er in das größere Ökosystem einfließt, um sofortigen Wert zu liefern und gleichzeitig Sicherheitsgrenzen zu bewahren.

Der Trend zur Zero-ETL ist besonders relevant hier, da er komplexe Extract-Transform-Load-Prozesse eliminiert, indem er direktes Abfragen über Systeme ermöglicht. Dies ermöglicht es der KI, auf Daten in Echtzeit zuzugreifen und zu analysieren, ohne sie zu verschieben, und reduziert so die Latenz und bewahrt die Governance.

KI-Agents sind auch über die Anomalie-Erkennung hinausgewachsen. Sie flaggen nicht nur verdächtige Transaktionen, sondern empfehlen auch Aktionen und führen Antworten innerhalb der Governance-Parameter aus. In der Einhaltung von Vorschriften überwacht die KI kontinuierlich Transaktionen, generiert Berichte und identifiziert Probleme, bevor die Regulierungsbehörden dies tun.

Die synthetischen Daten werden oft als sichere Möglichkeit angepriesen, KI-Modelle ohne Offenlegung sensibler Informationen zu trainieren. Können Sie Beispiele dafür nennen, wie synthetische Daten effektiv in der Betrugsbekämpfung, Risikoanalyse und Modellvalidierung eingesetzt werden?

Bei WNS Analytics nutzen wir fortschrittliche synthetische Datengenerierung, um hochwertige, datenschutzkonforme Datensätze zu erstellen, die die KI-Modellierung, insbesondere in datenarmen Bereichen, beschleunigen. Unsere synthetischen Datensätze emulieren reale Szenarien, während sie die gleichen statistischen Muster, Verhaltensweisen und Korrelationen wie tatsächliche Finanzdaten aufweisen – Transaktionsflüsse, Betrugstrends, Kundenverhaltensweisen – ohne sensible personenbezogene Daten oder Kundendaten offenzulegen.

Diese Fähigkeit verändert die Finanzdienstleistungen in Bereichen wie Risikoanalyse, Betrugsbekämpfung, Kreditbewertung, Stresstests und Compliance-Modellierung. Diese synthetischen Datensätze ermöglichen es Organisationen, KI-Lösungen schnell zu entwickeln, während sie gleichzeitig Datenschutz und regulatorische Zuverlässigkeit gewährleisten.

Eine besonders innovative Anwendung umfasst die Verwendung von PII-maskierten Daten, um Lookalike-Modelle zu erstellen. Dies ermöglicht es Unternehmen, gezielte Angebote an Verbraucher zu unterbreiten, während sie gleichzeitig die vollständige Privatsphäre aufrechterhalten.

Intelligente Automatisierung und KI-Agents werden zunehmend in Geschäftsprozesse eingebettet. Welche transformierenden Anwendungsfälle haben Sie in den Finanzdienstleistungen gesehen, und wie verbessern sie die betriebliche Widerstandsfähigkeit und Leistung?

Die intelligente Automatisierung mit KI-Agents beschleunigt die Unternehmensprozesse, ermöglicht es Organisationen, Operationen zu straffen und schneller, fundiertere Entscheidungen zu treffen. Diese Agents kombinieren Automatisierung mit fortschrittlicher Argumentation, um Widerstandsfähigkeit, Skalierbarkeit und Leistungsverbesserungen zu liefern.

Bei WNS Analytics wenden wir den GAIN-Framework (unser proprietäres Framework für die Implementierung von Agentic AI) an, um die richtigen Autonomiegrade für agentic AI zu bewerten. Wir bieten darüber hinaus wiederverwendbare, mikrodienstbasierte Komponenten für hyperspezifizierte Agents über unseren preisgekrönten AI-Utilities-Hub.

In der Versicherung haben wir mehrere Prozesse durch agentic AI transformiert. Bei der Schadensregulierung haben unsere Gen-AI-gesteuerten Lösungen eine 85-prozentige Genauigkeit erzielt, die Wiedererlangungsvolumen verdoppelt und die jährlichen Wiedererlangungen um etwa 49 Prozent erhöht – und damit Millionen von Chancen freigeschaltet, die zuvor übersehen wurden.

In der Risikobewertung beschleunigt unser agentic-AI-gesteuerter Forschungsassistent die Entscheidungsfindung, indem er mehrere spezialisierte Agents einsetzt, um komplexe Anfragen zu zerlegen, Daten aus mehreren Quellen zu extrahieren und Erkenntnisse mit 99-prozentiger Genauigkeit zu liefern, während die Bearbeitungszeit um 85 Prozent reduziert wird.

Für eine führende Bank hat unsere Gen-AI-Lösung die Zeit für die Überprüfung von negativen Medienberichten um 60 Prozent reduziert und die falschen Positivergebnisse um 12-15 Prozent gesenkt.

Wir haben auch eine Gen-AI-gesteuerte Wissensmanagement-Lösung entwickelt – als horizontale Plattform konzipiert – um zu zeigen, wie Unternehmen große unstrukturierte Datenmengen abrufen, durchdenken und kontextualisieren. Durch die Lieferung präziser, konformer und konsistenter Erkenntnisse in Echtzeit verbessert sie die Entscheidungsfindung, erhöht die Effizienz und stärkt die betriebliche Widerstandsfähigkeit in verschiedenen Branchen.

Diese Lösungen ergänzen die menschliche Urteilsfähigkeit und schaffen schnellere, genauere Systeme.

Für Unternehmen, die ihre KI-Initiativen skalieren möchten, welche sind die größten Hindernisse – technisch, kulturell oder strategisch – und wie können Führungskräfte sie überwinden?

Das größte Hindernis für die Skalierung von KI ist nicht die Technologie – es ist die organisatorische Bereitschaft.

Erstens gibt es Daten-Silos über Legacy-Systeme. Eine vollständige Ersetzung ist nicht immer praktikabel; stattdessen sollte der Fokus auf dem Aufbau intelligenter Brücken liegen. Bei WNS haben wir “Brücken-Teams” geschaffen, die Legacy-Administratoren mit Cloud-Ingenieuren paaren, um die Implementierung zu beschleunigen, während kritische Geschäftsregeln erhalten bleiben.

Zweitens gibt es eine Fertigungslücke. Unternehmen benötigen die richtige Mischung aus Domänenexperten, Daten-Ingenieuren, Daten-Wissenschaftlern und Übersetzern, die technische Erkenntnisse mit Geschäftswert verbinden können.

Drittens ist der Tempo des technologischen Wandels. Unser WNS-AI-Lab ermöglicht es Organisationen, mit aufkommenden Technologien zu experimentieren und Proof-of-Concepts aufzubauen, bevor sie sich für eine vollständige Implementierung entscheiden.

Auf der kulturellen Ebene hängt der Erfolg von einer effektiven Change-Management-Strategie ab. Wir entwerfen Frameworks, die es den Mitarbeitern ermöglichen, KI als additive und nicht als ersetzende Technologie zu sehen. Die Einrichtung eines KI-Rats ist auch eine kluge Entscheidung, da sie Governance, querfunktionale Ausrichtung und einen strukturierten Pfad für den Übergang von Pilotprojekten zu einer unternehmensweiten Skalierung bietet.

Bei der wachsenden Kontrolle von KI-Ethik, Voreingenommenheit und Transparenz, wie können Finanzinstitute das richtige Gleichgewicht zwischen Innovation und verantwortungsvoller KI-Governance finden?

Innovation und Verantwortung sind keine gegensätzlichen Entscheidungen – Verantwortung muss von Anfang an in die Innovation eingebaut werden.

Finanzinstitute benötigen robuste KI-Governance-Frameworks. Bei WNS implementieren wir Frameworks, die sicherstellen, dass KI verantwortungsvoll, ethisch und sicher entwickelt wird. Unser Ansatz integriert Prüfungen auf Voreingenommenheit, Fairness, benutzerdefinierte KPIs und Überwachung von Modell-Drift. Dies baut Vertrauen auf, nicht nur regulatorische Konformität.

Transparenz ist besonders kritisch in den Finanzdienstleistungen. Wenn KI einen Kredit ablehnt, verdienen die Antragsteller klare und verständliche Erklärungen.

Letztendlich ist verantwortungsvolle KI ein Wettbewerbsvorteil. Banken, die Fairness, Transparenz und Sicherheit in ihren KI-Systemen demonstrieren, verdienen das Vertrauen der Kunden. Diejenigen, die Governance als Nachgedanke behandeln, riskieren regulatorische Strafen und Reputationsschäden, die viel schwerer zu reparieren sind.

In den nächsten 3-5 Jahren, welche aufkommenden KI-Fähigkeiten oder Datenstrategien glauben Sie, werden den größten Einfluss auf die Art und Weise haben, wie Finanzorganisationen operieren?

Drei Entwicklungen werden die Finanzdienstleistungen in den nächsten drei bis fünf Jahren umgestalten.

Erstens wird die agentic KI von experimentell zu essentiell. Autonome KI-Agents werden komplexe Prozesse ausführen und ganze Abteilungen neben menschlichen Teams orchestrieren.

Zweitens werden kontinuierliche Lernsysteme zur Norm werden. KI wird sich an jede Interaktion anpassen, um truly personalisierte Finanzdienstleistungen zu ermöglichen, die sich mit den wechselnden Bedürfnissen jedes Kunden entwickeln.

Drittens werden wir eine mächtige Technologiekonvergenz sehen: Quantencomputing für fortschrittliche Risikoberechnungen, Blockchain für transparente KI-Entscheidungsprotokolle und Edge-Computing für sofortige lokale Entscheidungen. Diese Technologien werden zusammen völlig neue Formen von Finanzdienstleistungen freischalten, die wir noch nicht einmal vorstellen können.

Als jemand, der Unternehmertum, Übernahme und jetzt eine globale Führungsrolle durchlaufen hat, welche Leitprinzipien haben Ihnen geholfen, Entscheidungen zu treffen und Teams durch Veränderungen zu führen?

Drei Prinzipien leiten mich.

Erstens, Ausdauer über Perfektion. Als wir The Smart Cube gründeten, hatten wir nicht alle Antworten. Wir machten Fehler, passten uns an und bewegten uns weiter vorwärts. Ausdauer mit Anpassungsfähigkeit war entscheidend.

Zweitens, langfristigen Wert aufbauen, nicht schnelle Ausgänge. Ein Professor aus der Business School riet mir – Jahre nachdem ich The Smart Cube gegründet hatte – “Konzentrieren Sie sich nicht auf den Ausgang. Konzentrieren Sie sich auf den Aufbau eines erfolgreichen Unternehmens, das Bestand haben wird.” Diese langfristige Denkweise hat jede Entscheidung, die ich getroffen habe, geprägt.

Drittens, genießen Sie, was Sie tun. Ich habe immer geglaubt, dass wenn ich mich nicht amüsiere, ich mich für etwas anderes entscheide. Nach 30 Jahren stehe ich immer noch auf und bin begeistert, und diese Begeisterung inspiriert Teams durch Veränderungen.

Die Führung durch die Übernahme hat eine weitere Wahrheit bestätigt: Veränderungen gelingen, wenn man die Menschen mitnimmt. Technische Integration ist einfach; kulturelle Integration – das Aufbauen einer gemeinsamen Vision – ist dort, wo wahre Führung zählt.

Für Fachleute, die die Zukunft von KI in der Finanzwirtschaft gestalten möchten, welche Fähigkeiten, Denkweisen oder Erfahrungen glauben Sie, werden am wertvollsten sein?

Die Zukunft gehört denen, die Welten verbinden können. Reine technische Fähigkeiten oder Domänen-Experten allein werden nicht ausreichen.

Erstens entwickeln Sie Systemdenken. Beginnen Sie mit dem Marktbetrieb – einem klaren Anwendungsfall – und arbeiten Sie rückwärts. KI in der Finanzwirtschaft erfordert, zu sehen, wie alles zusammenhängt: wie eine Änderung der Risikomodelle die Kundenerfahrung beeinflusst oder wie Automatisierung neue Chancen eröffnet.

Zweitens kultivieren Sie disziplinierte Praktikabilität über Idealismus. Seien Sie begeistert von neuen Technologien, aber streng bei der Bewertung. Nicht jedes Problem benötigt KI – manchmal können einfache Analysen oder sogar Tabellenkalkulationen den Job erledigen.

Drittens bauen Sie Übersetzungs-Fähigkeiten auf. Dies ist von entscheidender Bedeutung. Die Fähigkeit, komplexe KI-Konzepte für Vorstände zu erklären und Geschäftsanforderungen für Datenwissenschaftler zu übersetzen, ist unschätzbar. Die stärksten KI-Führer verbinden Technologie mit Geschäftsstrategie.

Schließlich akzeptieren Sie kontinuierliches Lernen. Tools, die vor fünf Jahren bahnbrechend waren, sind bereits veraltet. Bleiben Sie neugierig, bescheiden und engagiert für das Lernen, um Türen zu Chancen zu öffnen, die wir noch nicht einmal vorstellen können, an der Kreuzung von KI und Finanzwirtschaft.

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