Gautam Singh, Globaler Leiter des Geschäftsbereichs Analytics, Daten und KI, WNS Analytics – Interviewreihe

Gautam Singh ist der Leiter des Geschäftsbereichs WNS Analytics und 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 Bereich Managementberatung und Venture Capital in Europa und den USA. Gautam hatte verschiedene Positionen inne, darunter bei Coven Partners (London), A.T. Kearney (London), Mitsubishi Motors (Indien) und Cummins Engines (USA). Er hat 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, KI/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 -governance, beschreibende und vorhersagende Analytik, KI/ML-Tools und Visualisierung – all dies ist darauf ausgelegt, um schnellere, selbstbewusstere Entscheidungen und kontinuierliche Innovation zu ermöglichen.

Sie begannen Ihre Karriere in der Top-Managementberatung, gründeten dann The Smart Cube und leiteten es über zwei Jahrzehnte, bevor es von WNS übernommen wurde. Was motivierte Ihren Übergang von der Beratung zum Unternehmertum und später zur Leitung eines globalen Datenanalyse- und KI-Unternehmens?

Ich verbrachte zehn Jahre in der Managementberatung und sah eine klare Marktlücke: Unternehmen saßen auf Bergen von Daten, aber extrahierten nicht deren vollen Wert. Vor etwa 20 Jahren war die Analyse noch sehr grundlegend – wir arbeiteten mit Excel-Tabellen.

Die Entscheidung, das corporate Leben zu verlassen, kam aufgrund von Selbstvertrauen. Ich sah eine Gelegenheit, 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 Beitritt zu WNS kein Ausstieg, sondern eine Evolution. Ich habe die unternehmerische Denkweise 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 erkannt habe, wie wichtig es ist, Daten und Analytik in die Kernprozesse von Unternehmen einzubetten, anstatt sie als separate Eingriffe zu behandeln. Diese nahtlose Integration von Branchenkenntnissen und Prozessumwandlung ist zentral für WNS’ DNA – und das hat mich dazu bewogen, dieses Unternehmen zu leiten.

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

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

Die frühen 2000er brachten die Digitalisierung und fortgeschrittenere Vorhersagemodelle. Ab 2010 wurden Echtzeit-Handelsanalytik zur Norm. Vor etwa einem Jahrzehnt begann die maschinelle Lernfähigkeit, eine echte Veränderung herbeizuführen, und in jüngster 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 nutzen?” zu “Wie können wir KI in jede Entscheidung einbetten?” verlagert.

Die Auswirkungen sind greifbar: Die Kundenakquise, die früher Tage dauerte, ist jetzt in Stunden erledigt, dank KI-basierter Verifizierung. Kreditrisikobewertungen bewerten Hunderte von Echtzeit-Datapunkten jenseits der traditionellen Bewertungen. Risikoberechnungen, die früher über Nacht durchgeführt wurden, sind jetzt sofortig. Und die Betrugsbekämpfung reagiert nicht mehr nur nachträglich – sie blockiert verdächtige Aktivitäten in Echtzeit.

Wie nutzen fortschrittliche Unternehmen KI-getriebene Datenseen und Governance-Rahmen, um Echtzeit-Entscheidungen, regulatorische Konformität und Transparenz in Finanzoperationen zu verbessern?

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

Finanzdienstleistungen stehen vor einer einzigartigen Herausforderung: Sie sind kundenorientiert, behandeln hochsensible Daten und müssen dennoch Personalisierung und Echtzeitreaktion bieten. Dazu sind modulare Datenseen auf flexiblen Rahmenwerken erforderlich.

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

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

KI-Agenten entwickeln sich auch über die Anomalie-Erkennung hinaus. Sie flaggen nicht nur verdächtige Transaktionen, sondern empfehlen auch Aktionen und führen Antworten innerhalb der Governance-Parameter aus. In der Compliance überwacht die KI kontinuierlich Transaktionen, generiert Berichte und identifiziert Probleme, bevor Regulierungsbehörden dies tun.

Wie wird synthetische Daten effektiv in der Betrugsbekämpfung, Risikoanalyse und Modellvalidierung eingesetzt?

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

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

Ein besonders innovativer Einsatz umfasst das Erstellen 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 wahren.

Wie werden intelligente Automatisierung und KI-Agenten in Geschäftsprozessen eingebettet? Welche sind die transformierendsten Einsatzfälle, die Sie in Finanzdienstleistungen gesehen haben, und wie verbessern sie die betriebliche Widerstandsfähigkeit und Leistung?

Intelligente Automatisierung mit KI-Agenten beschleunigt Unternehmensprozesse, ermöglicht es Organisationen, Betriebe zu straffen und schneller, fundiertere Entscheidungen zu treffen. Diese Agenten kombinieren Automatisierung mit fortgeschrittener 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 wiederverwendbare, mikrodienstbasierte Komponenten für hyperspezifische Agenten über unseren preisgekrönten AI-Utilities-Hub.

Im Versicherungsbereich haben wir mehrere Prozesse durch Agentic-AI transformiert. Bei der Kfz-Schadensregulierung hat unsere Gen-AI-gesteuerte Lösung zur Wiedererlangung von Drittparteien eine Genauigkeit von 85% erreicht, die Wiedererlangungsvolumen verdoppelt und die jährlichen Wiedererlangungen um etwa 49% erhöht – und damit Millionen von Chancen freigeschaltet, die zuvor übersehen wurden.

In der Unterzeichnung beschleunigt unser agentic-AI-gesteuerter Forschungsassistent die Entscheidungsfindung, indem er komplexe Anfragen in spezifische Agenten aufteilt, Daten aus mehreren Quellen extrahiert und Erkenntnisse mit 99%iger Genauigkeit liefert, während die Bearbeitungszeit um 85% reduziert wird.

Für eine führende Bank hat unsere Gen-AI-Lösung die Zeit für die Überwachung von Adverse-Media um 60% verkürzt und die Anzahl der falschen Positivergebnisse um 12-15% reduziert.

Wir haben auch eine Gen-AI-gesteuerte Wissensmanagementlösung – als horizontale Plattform konzipiert – entwickelt, um zu zeigen, wie Unternehmen große unstrukturierte Daten 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 menschliches Urteilsvermögen und schaffen schnellere, genauere Systeme.

Für Unternehmen, die AI-Initiativen skalieren möchten, was 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 “Brückenteams” geschaffen, die Legacy-Administratoren mit Cloud-Ingenieuren paaren, um die Implementierung zu beschleunigen, während kritische Geschäftsregeln erhalten bleiben.

Zweitens gibt es eine Fertigkeitslücke. Unternehmen benötigen die richtige Mischung aus Branchenexperten, 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 Rahmenwerke, die es Mitarbeitern ermöglichen, KI als ergänzend und nicht als Ersatz 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 unternehmensweiten Skalierungen bietet.

Angesichts der wachsenden Aufmerksamkeit für 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-Rahmenwerke. Bei WNS implementieren wir Rahmenwerke, 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 schafft Vertrauen, nicht nur regulatorische Konformität.

Transparenz ist insbesondere im Finanzsektor von entscheidender Bedeutung. Wenn KI einen Kredit ablehnt, verdienen sich 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 Finanzdienstleistungen in den nächsten drei bis fünf Jahren umgestalten.

Erstens wird Agentic-AI von experimentell zu essentiell. Autonome KI-Agenten werden komplexe Prozesse ausführen und ganze Abteilungen neben menschlichen Teams ausführen.

Zweitens werden kontinuierliche Lernsysteme zur Norm werden. KI wird sich an jede Interaktion anpassen, ermöglicht es, wirklich personalisierte Finanzdienstleistungen zu bieten, die sich mit den wechselnden Bedürfnissen jedes Kunden entwickeln.

Drittens werden wir eine mächtige Technologie-Konvergenz sehen: Quantencomputing für fortgeschrittene Risikoberechnungen, Blockchain für transparente KI-Entscheidungsprotokolle und Edge-Computing für sofortige lokale Entscheidungen. Zusammen werden diese Technologien völlig neue Formen von Finanzdienstleistungen ermöglichen, die wir uns noch nicht vorstellen können.

Nachdem Sie Unternehmertum, Übernahme und jetzt eine globale Führungsrolle durchlaufen haben, 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 gingen weiter. Beharrlichkeit mit Anpassungsfähigkeit war entscheidend.

Zweitens, den Bau von bleibendem Wert, nicht schnellen Ausstiegen. Ein Professor aus der Business-Schule riet mir einmal – Jahre nachdem ich The Smart Cube gegründet hatte – “Konzentrieren Sie sich nicht auf den Ausstieg. Konzentrieren Sie sich darauf, ein erfolgreiches Unternehmen aufzubauen, das Bestand haben wird.” Diese langfristige Denkweise hat jede Entscheidung geprägt, die ich getroffen habe.

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

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

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

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

Erstens, entwickeln Sie Systemdenken. Beginnen Sie mit dem Markbedarf – einem klaren Anwendungsfall – und arbeiten Sie rückwärts. KI in der Finanzwirtschaft erfordert, zu sehen, wie alles miteinander verbunden ist: wie eine Änderung in Risikomodellen 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 deren 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. Seien Sie in der Lage, komplexe KI-Konzepte für Vorstände zu erklären und Geschäftsanforderungen für Datenwissenschaftler zu übersetzen. Die stärksten KI-Führer verbinden Technologie mit Geschäftsstrategie.

Viertens, umarmen Sie kontinuierliches Lernen. Tools, die vor fünf Jahren state-of-the-art waren, sind bereits veraltet. Bleiben Sie neugierig, bescheiden und engagiert für das Lernen, um Türen zu Chancen zu öffnen, die wir uns noch nicht vorstellen können, an der Schnittstelle zwischen KI und Finanzen.

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