Vijay Vijayasankar, Globaler Agentic-AI-Officer bei Genpact – Interview-Serie

Vijay Vijayasankar, Globaler Agentic-AI-Officer bei Genpact, leitet die globale Produktisierung von Agentic-AI-Lösungen des Unternehmens, mit dem Fokus auf die Verlagerung der Wertschöpfung von traditionellen, arbeitskraftbasierten Modellen hin zu höheren, ergebnisbasierten Rahmenwerken. In seiner Rolle hilft er dabei, Genpacts Ansatz zur Skalierung von KI im gesamten Unternehmen zu gestalten, indem er organisatorische Modelle um beide KI-Builder, die erweiterte Orchestrierungsebenen entwerfen, und KI-Praktiker, die Domänenexpertise in Workflows einbringen, die von autonomen Agenten angetrieben werden, aufbaut. Bevor er zu Genpact kam, hatte Vijayasankar Führungspositionen bei IBM inne, darunter Managing Partner für Finanzdienstleistungen, CTO von IBM Services Nordamerika und General Manager für Cognitive, IoT, Analytics und Watson Health in GBS Nordamerika, sowie frühere Führungspositionen bei MongoDB (MDB ) und SAP.

Genpact ist ein Unternehmen für Agentic- und fortschrittliche Technologielösungen, das großen Unternehmen hilft, ihre Betriebsabläufe durch Prozessintelligenz, künstliche Intelligenz, Daten und digitale Transformation zu modernisieren. Das Unternehmen arbeitet in Bereichen wie Finanzen und Rechnungswesen, Kundenservice, Risiko und Compliance, Beschaffung und Beschaffung, Lieferkette, Technologie und Vertrauen und Sicherheit, während seine Daten- und KI-Dienstleistungen darauf abzielen, Organisationen dabei zu helfen, erweiterte Analysen, KI und autonome Agenten zu nutzen, um komplexe Daten in messbare Geschäftsergebnisse umzuwandeln.

Sie haben mehr als zwei Jahrzehnte bei Unternehmen wie IBM, MongoDB, SAP und jetzt Genpact verbracht, wo Sie als Globaler Agentic-AI-Officer tätig sind. Wenn Sie auf die Evolution von Big Data und Analytics bis hin zu den heutigen Agentic-AI-Systemen zurückblicken, welche Lektionen haben Ihre Sicht darauf geprägt, wie Unternehmen die KI-Transformation angehen sollten?

Ich habe denselben Film drei Mal gesehen. Big Data war die Silberkugel für die Entscheidungsfindung. Cloud war der sofortige Schalter für die organisatorische Agilität. Jetzt ist Agentic-AI die Kur für die Betriebsabläufe. In jedem Zyklus haben die Unternehmen, die Werte generiert haben, sich auf ihre Betriebsmodelle, ihre Prozesse und ihre Menschen konzentriert. Diejenigen, die Schwierigkeiten hatten und viele immer noch haben, behandelten die Technologie selbst als die Transformation.

Was grundlegend anders an Agentic-AI ist, ist seine Position. Es sitzt auf der Ausführungsebene, nicht auf der Erkenntnisebene. Ältere Tools generierten Charts und Empfehlungen. Agenten nehmen Maßnahmen. Ein schlechtes Analyse-Dashboard produziert ein schlechtes Diagramm, das ein menschlicher Analyst vorher erkennt, bevor es den CEO-Schreibtisch erreicht. Ein schlechter Agent führt eine schlechte Transaktion in großem Umfang durch, bevor jemand merkt, dass es passiert ist. Das ändert das Risikoprofil vollständig und erfordert ein Maß an operativer Disziplin, das die meisten Unternehmen bisher nicht benötigt haben. Ich habe gelernt, meinem eigenen Enthusiasmus misstrauisch zu sein. Agentic-AI ist faszinierend, aber das ist genau der Moment, in dem man langsamer werden und die Grundlagen überprüfen muss.

Genpacts neuer Bericht mit HFS Research schätzt, dass ungelöste Unternehmensschulden fast 18 Billionen Dollar an potenziellen Werten global blockieren. Was überraschte Sie am meisten an den Ergebnissen, und warum glauben Sie, dass so viele Organisationen die Auswirkungen von Prozess-, Daten-, Technologie- und Talentverschuldung weiterhin unterschätzen?

Was aufschlussreich war, war das Ausmaß des Wertes, der durch ineffiziente Prozesse, fragmentierte Daten, veraltete Technologie und Herausforderungen bei der Arbeitskräftebereitschaft in Billionen Dollar gemessen wird.

Was wichtiger ist als die Gesamtsumme ist, wie das Problem strukturiert ist. Die meisten Führungskräfte betrachten diese Probleme als separate Silos. Ein Datenproblem, ein Prozessproblem, ein Technologieproblem, ein Fähigkeitsproblem, jedes unabhängig behandelt. Sie sind nicht getrennt. Schlechte Daten zwingen Menschen, manuelle Workarounds zu erfinden. Diese Workarounds schaffen Prozesskomplexität. Diese Komplexität verbrennt Ihre besten Leute und macht Ihre Betriebsabläufe fragil. Wenn eine KI-Initiative eintrifft, stößt sie auf all dies gleichzeitig. Die KI wird für ein Versagen verantwortlich gemacht, das bereits im Geschäft angelegt war. Wir sprechen über Unternehmensschulden als Kostenbelastung, aber es ist genauer ein Wachstumsbeschränkung. Diese Unterscheidung ist wichtig, weil sie bestimmt, wer das Problem besitzt und was die Lösung wert ist.

Der Bericht fand heraus, dass 85 % der Führungskräfte glauben, dass Unternehmensschulden die Realisierung des KI-Werts begrenzt. Warum glauben Sie, dass Unternehmen weiterhin stark in KI investieren, während sie oft die grundlegenden Probleme vernachlässigen, die diese Investitionen daran hindern, Erträge abzuwerfen?

Weil KI sichtbar ist und Grundlagen unsichtbar sind. Jeder Vorstand will eine KI-Strategie sehen. Jeder CEO benötigt eine Geschichte, die er erzählen kann. Die Bereitstellung eines neuen Modells ist eine Schlagzeile. Die Neugestaltung eines Kernprozesses der Lieferkette ist ein undankbares, unsichtbares Ringen, bis es endlich funktioniert.

Ich habe gesehen, wie Organisationen sechs Monate damit verbringen, ein Modell auszuwählen, und sechs Tage damit, den Prozess zu untersuchen, den das Modell verbessern soll. Dieses Verhältnis ist falsch, und sie finden es auf die harte Tour heraus. Der Flaschenhals ist fast nie die KI. Es sind inkonsistente Prozesse, nicht verbundene Systeme und Daten, für die niemand in Jahren verantwortlich war. KI löst diese Probleme nicht. Sie legt sie schneller offen. Die Anreizstrukturen belohnen nicht die Behebung von Grundlagen. Es gibt keine Demo für die Bereinigung der Datenverwaltung. Die Führungskräfte, die es stillschweigend tun, setzen darauf, dass die Betriebsgesundheit sich über die Zeit verdichtet, aber die meisten Vorstände messen das nicht.

Datenschulden erwiesen sich in der Forschung als größtes KI-Hindernis. Welche praktischen Schritte sollten Unternehmen heute unternehmen, um von fragmentierten, qualitativ schlechten Datenumgebungen zu Datenfundamenten zu gelangen, die Agentic-AI im großen Maßstab unterstützen können?

Hören Sie auf, ein umfassendes, zentrales Governance-Programm zu starten. Das ist eine technologische Antwort auf ein Verantwortungsproblem. In den meisten großen Organisationen ist niemand für die Genauigkeit der Informationen verantwortlich, die das Geschäft antreiben.

Der praktische Ausgangspunkt ist, eine Handvoll hochwertiger Prozesse auszuwählen und rückwärts zu arbeiten. Welche Entscheidungen müssen getroffen werden? Welche Daten werden für diese Entscheidungen benötigt? Wer besitzt diese Daten? Wie oft sind sie falsch? Diese Übung bringt die Verantwortungslücken sofort ans Licht. Und wir müssen das richtig machen, denn Agenten scheitern leise. Ein menschlicher Analyst sieht zwei Systeme, die nicht übereinstimmen, und trifft eine Entscheidung. Ein Agent schlichtet zwischen den widersprüchlichen Daten und führt mit voller Zuversicht aus. Wenn verschiedene Teile Ihrer Organisation einen Kunden oder eine Transaktion anders definieren, trifft der Agent zuversichtliche Entscheidungen auf der Grundlage schlechter Eingaben und nichts in Ihrer Organisation erkennt es. Das ist eine neue Kategorie operativen Risikos, die die meisten Organisationen noch nicht vollständig bewertet haben.

Agenten können Ambiguität nicht auf die gleiche Weise wie Menschen handhaben. Das ist auch der Grund, warum der Erfolg einer Agentic-Lösung weniger von der Intelligenz der Modelle abhängt als von der Qualität der Schutzvorkehrungen, die eingerichtet werden.

Sie haben argumentiert, dass es “keine KI ohne Prozessintelligenz” gibt. Warum glauben Sie, dass die Neugestaltung von Prozessen oft wichtiger ist als das KI-Modell selbst, wenn Organisationen komplexe Geschäftsabläufe automatisieren wollen?

Weil das Modell so gut funktioniert wie der Prozess, in den es eingebettet ist, und nicht besser. Organisationen sind besessen von der Modellauswahl, weil dort die sichtbare Innovation ist, aber der Prozess ist, wo der Wert geschaffen oder verloren wird.

Wenn ein Workflow redundante Genehmigungen, doppelte Arbeit oder unklare Eigentumsverhältnisse hat, behebt KI diese Dinge nicht. Sie beschleunigt sie. Die Leute denken oft, eine gründliche Prozessneugestaltung verlangsamt sie, aber die Realität ist genau das Gegenteil. Sie sparen die achtzehn Monate, die Sie für die Auflösung einer schlechten Bereitstellung aufgewendet hätten. Denken Sie daran wie an ein Fahrzeug: Sie können den besten Motor, der je gebaut wurde, in ein Auto mit fehljustierten Rädern einbauen, und es wird immer noch nach links ziehen.

Viele Organisationen experimentieren mit KI-Agenten, aber relativ wenige haben sie erfolgreich über Kerngeschäftsfunktionen hinweg bereitgestellt. Was unterscheidet Unternehmen, die über Pilotprojekte hinausgehen, von denen, die im Proof-of-Concept-Modus stecken bleiben?

Pilotprojekte sind darauf ausgelegt, erfolgreich zu sein. Sie wählen den besten Prozess, die saubersten Daten und das motivierteste Team aus. Skalierung bedeutet, die reale Umgebung zu treffen, in der keine dieser Bedingungen gilt.

Die Organisationen, die skaliert werden, schaffen künstliche Bedingungen von Anfang an nicht. Sie wählen ein reales operatives Problem aus, weisen einen Eigentümer zu, der für das Geschäftsergebnis verantwortlich ist, nicht für die Technologie, und backen Governance in die Konstruktion von Tag eins ein. Wir haben Kunden, die Agenten in der Produktion über Kontenpayable und Transaktionsüberwachung ausführen. Die Produktivitätszahlen sind da, aber die eigentliche Veränderung ist strukturell. Der Endzustand ist ein grundlegend anderer Workflow, in dem Menschen für die strategische Arbeit befreit werden, die sie nie hatten Zeit zu erledigen. Die Skalierung von Agenten ist eine Führungsherausforderung, keine Softwareherausforderung.

Der Bericht hebt hervor, dass nur 6 % der Unternehmen ihre großen Schuldenprobleme erfolgreich gelöst haben. Was machen diese Organisationen anders, und welche häufigen Fehler sehen Sie bei Unternehmen, die Schwierigkeiten haben, Fortschritte zu machen?

Sie behandeln es als ein Geschäftsproblem, nicht als IT-Programm. Es ist an die Unterstützung durch die Geschäftsleitung und die messbare Geschäftsleistung gebunden. Sie verstehen, dass Betriebsgesundheit nicht getrennt von der Wachstumsstrategie ist. Es ist die Wachstumsstrategie.

Die anderen 94 % verfolgen Symptome. Sie bereitstellen ein Tool, um ein Prozessproblem zu beheben, oder starten eine KI-Initiative, um schlechte Daten auszugleichen. Das produziert einen kurzfristigen Aufschwung, aber das zugrunde liegende Problem bleibt bestehen und die Schulden werden weiter aufgebaut. Die Führungskräfte, die den Kreislauf durchbrechen, sind bereit, zu sagen, was die meisten Führungskräfte nicht sagen: Dieser Prozess ist seit fünfzehn Jahren defekt, wir haben ganze Betriebsmodelle um seine Fehler herum aufgebaut, und wir werden es von Grund auf neu aufbauen. Diese Zusage ist unangenehm. Sie lädt Fragen auf, warum es nicht früher behoben wurde. Diejenigen, die diesen Anruf machen, machen echte Fortschritte.

Sie haben den Unterschied zwischen “KI-Buildern” und “KI-Praktikern” angesprochen. Wie sehen Sie die Entwicklung der Unternehmensbelegschaften in den nächsten fünf Jahren, und welche Fähigkeiten werden am wertvollsten, wenn Menschen zunehmend mit autonomen Agenten zusammenarbeiten?

Die wertvollste Fähigkeit wird die Fähigkeit sein, ein Problem zu formulieren. Wenn KI mehr Ausführung übernimmt, hängt die Qualität des Ergebnisses von der Qualität der Frage und dem Urteil ab, das auf die Ausgabe angewendet wird. Sie müssen in der Lage sein zu erkennen, wenn etwas richtig aussieht, aber strukturell falsch ist.

Darüber hinaus würde ich drei spezifische Dinge hervorheben. Erstens ist es die Domänetiefe. Allgemeine KI-Fähigkeiten werden schnell zu einer Ware werden, so dass Generalisten an Einfluss verlieren. Der Premium-Preis wird den tiefen Domänenexperten gezahlt, die echte funktionale Expertise mit der Fähigkeit kombinieren, KI in diesem Kontext anzuwenden. Zweitens ist es die Ausnahmehandhabung. Sie benötigen Menschen, die wissen, was zu tun ist, wenn der Agent an eine Wand stößt oder die finanziellen Einsätze zu hoch sind, um zu automatisieren, was institutionelles Wissen erfordert, anstatt Trainingsdaten. Drittens ist es die Workflow-Design, also die Fähigkeit, die Arbeit so zu strukturieren, dass Menschen und intelligente Systeme jeweils das tun, wofür sie am besten geeignet sind, und zu erkennen, wenn diese Aufteilung zu ändern ist. Es ist noch kein Begriff, auf den die Branche sich geeinigt hat, aber die Fähigkeit ist real und derzeit unterschätzt.

Es gibt eine anhaltende Debatte darüber, ob KI Arbeitsplätze eliminieren oder transformieren wird. Sie haben argumentiert, dass viel von der Sorge aus einem Missverständnis darüber resultiert, was KI gut kann. Wie sehen Sie die Beziehung zwischen menschlicher Expertise und KI-Agenten, wenn die Akzeptanz voranschreitet?

KI ist spektakulär bei Aufgaben, die klar definiert, hochvolumig und abhängig von Mustern sind, wie die Verarbeitung von Rechnungen, die Überwachung von Handelsanomalien und die Erstellung von Routinekommunikationen. Sie erledigt diese Aufgaben schneller und in einem Umfang, den kein menschliches Team erreichen kann. Allerdings kann KI keine Verantwortung für realweltliche Ergebnisse übernehmen, noch kann sie mit Neuheit, Ambiguität und schwierigen menschlichen Beziehungen umgehen, was der Grund ist, warum menschliche Expertise unerlässlich bleibt.

Die meisten Arbeitsplätze sind eine Sammlung von Aufgaben, nicht eine einzelne Aktivität, und KI wird die Ausführungsebene im Laufe der Zeit absorbieren. Das bedeutet nicht, dass der Bedarf an Menschen entfällt, es ändert nur, wo sie Werte schaffen. Wenn Routinearbeiten automatisiert werden, verschiebt sich die Expertise zur Lösung von Ausnahmen, zur Neugestaltung von Prozessen und zur Unterstützung von Organisationen bei der Anpassung an sich ändernde Technologie- und Geschäftsanforderungen. Einige Rollen werden sich erheblich ändern, und Führungskräfte haben die Verantwortung, zu entscheiden, ob die neue Arbeit, die geschaffen wird, für die Menschen zugänglich ist, deren alte Arbeit verschwindet. Die Antwort hängt fast ausschließlich von den Entscheidungen ab, die Organisationen über Schulung und Übergang treffen. Das ist eine Führungsentscheidung, keine Technologiefolge. Die Unternehmen, die ich am meisten respektiere, sind ehrlich mit ihren Teams über die Rollen, die sich ändern, den Zeitrahmen, in dem menschliche Expertise extrem wertvoll bleibt, und die realistischen Wege nach vorne.

Wenn wir in fünf Jahren auf dieses Gespräch zurückblicken, was erwarten Sie, dass sich in den Geschäftsabläufen, der Organisationsstruktur und der KI-Bereitstellung bei führenden Unternehmen als Standard etabliert haben wird?

Wir werden aufhören, über KI als separate Initiative zu sprechen, genauso wie wir aufgehört haben, über das “Gehen digital” zu sprechen. Es wird einfach die Art und Weise sein, wie Arbeit erledigt wird.

Die strukturelle Veränderung ist, was mich am meisten interessiert. Ein großer Teil unserer aktuellen Hierarchie existiert, weil Informationen schwer zu übertragen waren. Wir haben Genehmigungsketten und Koordinationsrollen, weil Informationen von dort, wo sie erstellt wurden, zu dem Ort, an dem Entscheidungen getroffen wurden, reisen mussten. Agenten verkürzen diese Distanz. Wenn sie dies tun, wird eine erhebliche Menge an Koordinationsinfrastruktur redundant. Organisationen, die dies früh erkennen und entsprechend umgestalten, werden einen Geschwindigkeitsvorteil haben, der sich aufbaut.

Wir werden auch eine Verschiebung in der Art und Weise sehen, wie KI gekauft und bereitgestellt wird. Softwareunternehmen bauen Produkte, aber übernehmen keine Verantwortung für Ergebnisse. Dienstleistungsunternehmen übernehmen Verantwortung, aber haben Schwierigkeiten, skalierbare Produkte zu bauen. Beide Modelle sind unzureichend. Was wir bei Genpact aufbauen, ist produktisierte KI in spezifischen Domänen, die als Ergebnis bereitgestellt wird. Sie kaufen das Ergebnis und wir sind dafür verantwortlich. Ich denke, dass dies der Standard wird, weil es die Anreize richtig ausrichtet. Der Lieferant, der nur Fähigkeiten verkauft, hat kein Interesse daran, ob es in Ihrem Umfeld funktioniert. Diejenigen, die für das Ergebnis verantwortlich sind, haben jedes Interesse. Die Gewinner dieser Ära werden nicht durch die komplexesten KI-Modelle definiert. Sie werden durch die Meisterung der strukturellen Neugestaltung zwischen Menschen, Prozessen und intelligenten Systemen definiert. Wir sind erst am ersten Tag dieses Wandels.

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