Jayant Swamy, Κύριος Επικεφαλής Επιχειρησιακής Αρχιτεκτονικής στη Genpact – Σειρά Συνεντεύξεων

Jayant Swamy, Κύριος Επικεφαλής Επιχειρησιακής Αρχιτεκτονικής στη Genpact, είναι ηγέτης τεχνολογίας και δεδομένων με περισσότερα από δύο δεκαετίες εμπειρίας που καλύπτουν την επιχειρησιακή αρχιτεκτονική, την τεχνητή νοημοσύνη, τη μηχανική δεδομένων, τις τεχνολογίες cloud και τον μεγαλοπρόθεσμο ψηφιακό μετασχηματισμό. Πριν ενταχθεί στη Genpact το 2024, υπηρέτησε ως CTO και Κύριος Αρχιτέκτονας στην Xtrac8.Tech και ως CTO και Συνιδρυτής μιας startup AI που εστιάζει σε τεχνολογίες όπως η γενετική AI και τα μεγάλα γλωσσικά μοντέλα. Ο Swamy προηγουμένως πέρασε πάνω από μια δεκαετία στην Accenture, όπου οι ηγετικές του θέσεις περιελάμβαναν CTO, Παγκόσμιο Υπεύθυνο και Παγκόσμιο Διευθύνων Σύμβουλο του Ινστιτούτου Εφαρμοσμένης Νοημοσύνης, Διευθύνων Σύμβουλο και Παγκόσμιο Επικεφαλής Επιχειρηματικών Λειτουργιών για την επιχείρηση Data on Cloud, καθώς και Κύριο Αρχιτέκτονα Δεδομένων και Παγκόσμιο Υπεύθυνο για τη Μηχανική Δεδομένων και την Καινοτομία Δεδομένων. Στο αρχικό του στάδιο καριέρας, πέρασε πάνω από επτά χρόνια στη Fannie Mae επιβλέποντας τεχνολογικές και επιχειρησιακές πρωτοβουλίες πληροφοριών σχετικές με τη διαχείριση εξυπηρέτησης και απώλειας πίστωσης, μετά από αρκετά χρόνια ως Senior Principal στην Oracle (ORCL ).

Genpact είναι μια παγκόσμια εταιρεία τεχνολογίας και επιχειρησιακών υπηρεσιών που εστιάζει στη βοήθεια των επιχειρήσεων να μετασχηματίσουν πολύπλοκες λειτουργίες μέσω τεχνητής νοημοσύνης, δεδομένων, διανοητικής διαδικασίας και εξειδίκευσης τομέα. Η εταιρεία ανιχνεύει τις ρίζες της σε μια πρωτοβουλία του 1997 εντός της GE Capital, έγινε ανεξάρτητη το 2005 και εισήχθη στο Χρηματιστήριο της Νέας Υόρκης το 2007. Σήμερα, η Genpact συνεργάζεται με οργανισμούς σε κλάδους όπως τράπεζες, ασφαλιστικές, χρηματοοικονομικές, εφοδιαστική αλυσίδα, καταναλωτικά αγαθά, υγειονομική περίθαλψη και τεχνολογία, με αυξανόμενη έμφαση στην γενετική AI, τα αυτόνομα συστήματα, τον αυτοματισμό και τις επιχειρησιακές λειτουργίες ενισχυμένες από AI.

Η καριέρα σας σας οδήγησε από ρόλους επιχειρησιακής αρχιτεκτονικής και ηγεσίας δεδομένων στην Oracle, Fannie Mae και Accenture σε περιβάλλοντα startup και στη σημερινή σας θέση ως Κύριος Επικεφαλής Επιχειρησιακής Αρχιτεκτονικής στη Genpact. Πώς έχει διαμορφώσει αυτή η εμπειρία την αντίληψή σας για το πού η αυτονομία της AI δημιουργεί πραγματική επιχειρησιακή αξία και πού η ανθρώπινη κρίση παραμένει απαραίτητη; 

Καθ’ όλη τη διάρκεια της καριέρας μου, έχω καταλάβει ότι η κλίμακα, η διακυβέρνηση, η ενσωμάτωση και ο κίνδυνος είναι εξίσου σημαντικά με την καινοτομία. Η εμπειρία σε μεγάλες επιχειρήσεις δείχνει ότι η εντυπωσιακή τεχνολογία αποτυγχάνει αν δεν μπορεί να λειτουργήσει εντός του οργανισμού· οι startup ενισχύουν την αξία της γρήγορης δράσης, του πειραματισμού και της απλής, προσαρμόσιμης αρχιτεκτονικής. Η αυτονομία της AI λειτουργεί καλύτερα όταν συνδυάζονται και οι δύο προσεγγίσεις — καινοτομία με υψηλή ταχύτητα, διατηρώντας παράλληλα ισχυρά θεμέλια. Με αυτόν τον τρόπο, η AI μπορεί πραγματικά να μεταμορφώσει τον τρόπο που ρέει η εργασία σε έναν οργανισμό. Τα ευρήματα από την πρόσφατη έρευνά μας ενισχύουν σαφώς αυτό το σημείο.

Το μοντέλο από μόνο του αποτελεί μόνο ένα μέρος της εξίσωσης. Η περιβάλλουσα αρχιτεκτονική — δεδομένα, συστήματα, ροές εργασίας, έλεγχοι και ενσωματώσεις — καθορίζει αν η AI δημιουργεί αξία σε κλίμακα. Αυτό εννοούμε με το «καμία τεχνητή νοημοσύνη χωρίς διανοητική διαδικασία». Είναι επίσης η υπόθεση πίσω από τη δουλειά μας στην εφαρμοσμένη AI στα Genpact Labs, όπου παίρνουμε αναδυόμενες δυνατότητες AI και τις μετατρέπουμε σε λύσεις παραγωγικής χρήσης, έτοιμες για πελάτες. Κάθε δυνατότητα συνδέεται με μετρήσιμο επιχειρησιακό αποτέλεσμα και ενσωματώνεται στη ροή εργασίας, τα δεδομένα και τους ελέγχους που απαιτούνται για τη λειτουργία.

Η AI πρέπει να έχει χώρο δράσης όταν ο στόχος είναι σαφής, τα δεδομένα αξιόπιστα και τα όρια καλά κατανοητά. Η ανθρώπινη κρίση παραμένει απαραίτητη για αποφάσεις που είναι υψηλού κινδύνου, ασαφείς, υποκειμενικές, ρυθμιζόμενες ή απαιτούν λογοδοσία και ενσυναίσθηση. Η αυτονομία δεν σημαίνει αφαίρεση των ανθρώπων από το σύστημα· σημαίνει σχεδίαση του συστήματος ώστε όλοι να γνωρίζουν πού η AI μπορεί να ενεργήσει ανεξάρτητα, πού οι άνθρωποι χρειάζονται ορατότητα και πού η ανθρώπινη κρίση πρέπει να αναλάβει.

Πολλές εταιρείες αξιολογούν την AI που απευθύνεται στους πελάτες κυρίως μέσω ταχύτητας, ποσοστών περιεχομένου (containment) και εξοικονόμησης κόστους. Γιατί αυτά τα μετρικά μπορούν να δημιουργήσουν παραπλανητική εικόνα για το αν η τεχνολογία βελτιώνει πραγματικά την εμπειρία του πελάτη;

Το πρόβλημα είναι ότι αυτά είναι κυρίως μέτρα αποδοτικότητας. Δείχνουν πώς λειτούργησε το σύστημα, αλλά όχι απαραίτητα πώς το βιώσε ο πελάτης. Πάρτε για παράδειγμα το containment: ένα υψηλό ποσοστό μπορεί να φαίνεται επιτυχές εσωτερικά, αλλά μπορεί να κρύβει αρνητικά αποτελέσματα αν ο πελάτης απογοητεύεται, επαναλαμβάνει το αίτημά του, λαμβάνει ελλιπείς απαντήσεις ή δεν μπορεί να φτάσει σε άνθρωπο όταν το χρειάζεται. Το containment δείχνει ότι η AI κράτησε τον πελάτη μέσα στο σύστημα, όχι ότι του παρείχε αυτό που χρειαζόταν. Το ίδιο ισχύει για την εξοικονόμηση κόστους, η οποία μπορεί να έρθει εις βάρος της εμπιστοσύνης, της ικανοποίησης ή της ποιότητας της επίλυσης.

Τα συστήματα AI βελτιστοποιούν γύρω από τα σήματα που τους δίνετε, επομένως οι επιχειρήσεις πρέπει να ενσωματώνουν ενδείξεις μέτρησης στο σύστημα από την αρχή — συνδέοντας μετρικές όπως η ταχύτητα και το containment με downstream σήματα όπως η επίλυση προβλημάτων και το αν το αποτέλεσμα δημιούργησε προβλήματα αλλού. Τελικά, η AI που απευθύνεται στους πελάτες πρέπει να μετράται με βάση το αν λύνει το υποκείμενο πρόβλημα του τελικού χρήστη με ακρίβεια, δικαιοσύνη και το κατάλληλο επίπεδο ανθρώπινης υποστήριξης.

Ποια σήματα πρέπει να χρησιμοποιεί ένας AI πράκτορας για να αναγνωρίσει αβεβαιότητα, απογοήτευση, επείγον ή κατάσταση που εκτός του καθορισμένου του workflow; 

Δεν υπάρχει ένα μοναδικό «μαγικό» σήμα — το σημαντικό είναι να δώσουμε στο σύστημα αρκετό πλαίσιο και παρατηρησιμότητα ώστε να αναγνωρίζει πότε η εμπιστοσύνη, η εξουσία ή η πληροφορία του δεν είναι πλέον επαρκείς. Αυτό μπορεί να εμφανιστεί ως αντικρουόμενες πληροφορίες, επαναλαμβανόμενες αποτυχημένες προσπάθειες ή ο πράκτορας που «κυκλώνει». Μπορεί επίσης να είναι μια αλλαγή στη γλώσσα του πελάτη — σαφές σήμα απογοήτευσης ή επείγοντος — ή η ίδια η εργασία να απαιτεί πληροφορίες, πρόσβαση ή εξουσία που ο πράκτορας δεν διαθέτει.

Το σύστημα πρέπει επίσης να γνωρίζει τα δικά του όρια. Αν ένα ζήτημα εκτός του σχεδιασμένου workflow, απαιτεί μη προσβάσιμα δεδομένα ή ξεπερνά ένα καθορισμένο όριο κινδύνου, αυτό πρέπει να ενεργοποιεί διαφορετική διαδρομή. Ο στόχος δεν είναι ο πράκτορας να διαχειρίζεται κάθε πιθανό σενάριο — είναι να ξέρει πότε να σταματήσει, να κλιμακώσει ή να ζητήσει βοήθεια.

Πώς μπορούν οι εταιρείες να διακρίνουν μεταξύ μιας αλληλεπίδρασης που είναι απλώς πολύπλοκη και μιας που απαιτεί πραγματικά ανθρώπινη κρίση ή ενσυναίσθηση;

Η διαχωριστική γραμμή δεν είναι η δυσκολία της εργασίας. Είναι το πόσο κρίση, συνέπεια και ανθρώπινο πλαίσιο φέρει η απόφαση. Η δημιουργία λειτουργιών όπου οι μηχανές επεξεργάζονται και οι άνθρωποι επικυρώνουν απαιτεί κατανόηση του πού η ανθρώπινη αξία δεν μπορεί ποτέ να αντικατασταθεί.

Η AI μπορεί να διαχειριστεί πολύπλοκες εργασίες όταν ο στόχος είναι σαφής, τα δεδομένα αξιόπιστα, η διαδικασία ορισμένη και τα αποτελέσματα μετρήσιμα. Η πολυπλοκότητα από μόνη της δεν απαιτεί άνθρωπο αν το σύστημα κατανοεί τα όρια εντός των οποίων επιτρέπεται να λειτουργεί. Ένας άνθρωπος πρέπει να εμπλακεί όταν η πρόθεση του πελάτη είναι ασαφής, η κατάσταση απαιτεί διακριτικότητα, υπάρχουν πολλαπλά έγκυρα αποτελέσματα ή η απόφαση φέρει σημαντικές οικονομικές, νομικές, ιατρικές ή φήμης συνέπειες. Ορισμένες αλληλεπιδράσεις απαιτούν επίσης διαβεβαίωση, εξήγηση, διαπραγμάτευση ή ενσυναίσθηση — όχι μόνο μια απάντηση. Η ανθρώπινη συμμετοχή εκεί είναι εξίσου σημαντική με την τεχνική ακρίβεια. Η αρχιτεκτονική πρέπει να αντανακλά αυτή τη διάκριση. Τα σημεία παρέμβασης πρέπει να σχεδιάζονται στη ροή εργασίας εκ των προτέρων, όχι να αποφασίζονται μετά από κάποιο σφάλμα.

Πώς πρέπει να είναι μια αποτελεσματική διαδικασία κλιμάκωσης ώστε οι πελάτες να μην χρειάζεται να επαναλάβουν τις πληροφορίες ή να ξεκινήσουν ξανά την αλληλεπίδραση όταν ένας ανθρώπινος πράκτορας αναλαμβάνει;

Μια καλή κλιμάκωση δεν είναι απλώς η μεταφορά του πελάτη — είναι η μεταφορά του πλαισίου, ώστε το επόμενο άτομο να μπορεί να προχωρήσει κατευθείαν στην επίλυση. Όταν ένας άνθρωπος αναλαμβάνει, πρέπει ήδη να διαθέτει το ιστορικό της συνομιλίας, την ταυτότητα και το προφίλ του πελάτη, καθώς και τι έχει ήδη δοκιμάσει η AI — αρκετό ώστε να αποφευχθεί η ανάγκη να ζητηθεί από τον πελάτη να ξεκινήσει από την αρχή.

Αυτό είναι κυρίως ζήτημα αρχιτεκτονικής: εάν η AI παραμένει μόνο στην εμπειρία του front‑end chat, αποσυνδεδεμένη από το CRM, ERP, τις πηγές γνώσης, τις ροές εργασίας και το επίπεδο ενορχήστρωσης, η απρόσκοπτη μετάβαση γίνεται αδύνατη.

Πρέπει τα όρια κλιμάκωσης να αλλάζουν ανάλογα με παράγοντες όπως οικονομικός κίνδυνος, ευαλωτότητα πελάτη, κανονιστικές απαιτήσεις ή οι πιθανές συνέπειες μιας λανθασμένης απόφασης;

Οι κανόνες κλιμάκωσης πρέπει να εξαρτώνται από το επίπεδο κινδύνου. Όσο μεγαλύτερες οι συνέπειες ενός λάθους, τόσο νωρίτερα πρέπει να εμπλέκεται άνθρωπος.

Η επαναφορά κωδικού μπορεί να εκτελείται πλήρως αυτόματα, αλλά μια αμφισβητούμενη χρηματοοικονομική συναλλαγή πρέπει να υπόκειται σε αυστηρότερους ελέγχους. Σε απαιτήσεις ή συλλογές, αυτό μπορεί να σημαίνει πλήρη αυτονομία για τις ρουτίνες ενημερώσεις κατάστασης, αλλά υποχρεωτικό ανθρώπινο έλεγχο όταν μια υπόθεση ξεπερνά ένα όριο δολαρίου ή εμφανίζεται σημαία δυσκολίας. Όσο πιο ρυθμιζόμενη ή σημαντική είναι η απόφαση, τόσο ισχυρότερη πρέπει να είναι η εποπτεία. Ένας ευάλωτος πελάτης μπορεί να απαιτεί νωρίτερη ανθρώπινη παρέμβαση, και αποφάσεις με μη αναστρέψιμες συνέπειες πρέπει να έχουν χαμηλότερα όρια αυτονομίας.

Αυτά τα όρια δεν πρέπει επίσης να αφήνονται στην ερμηνεία ατομικών πρακτόρων «στο πεδίο». Πρέπει να ενσωματώνονται στην αρχιτεκτονική και το επίπεδο ενορχήστρωσης, με σαφείς κανόνες για το τι επιτρέπεται να κάνει ο πράκτορας, τι απαιτεί πρόσθετη επικύρωση και τι πρέπει να κλιμακωθεί.

Η ευκαιρία είναι να επιτρέψουμε στην αυτονομία να κλιμακώνεται με τον κίνδυνο — πλήρη ταχύτητα για τις χαμηλού κινδύνου εργασίες, αυστηρότερο έλεγχο όπου μετράει. Στη Genpact, έχουμε ενσωματώσει αυτή τη βαθμίδωση άμεσα στον τρόπο που σχεδιάζουμε αυτόνομα ροές εργασίας — επιτρέποντας στις ρουτίνες να λειτουργούν αυτόνομα ενώ κατευθύνουμε ό,τι ξεπερνά ένα καθορισμένο όριο κινδύνου ή χρηματικό σε ανθρώπινο, αυτόματα και χωρίς να χρειάζεται ο πράκτορας να αποφασίσει την κλιμάκωση. Οι επιχειρήσεις που δίνουν σε κάθε αλληλεπίδραση το ίδιο επίπεδο αυτονομίας γρήγορα μετατρέπουν την ευκολία σε δαπανηρά σφάλματα.

Πέρα από την ολοκλήρωση της εργασίας, ποια μετρικά πρέπει να χρησιμοποιούν οι οργανισμοί για να αξιολογήσουν αν ένα αυτόνομο σύστημα εξυπηρέτησης πελατών παράγει θετικά αποτελέσματα για τους πελάτες;

Η ολοκλήρωση της εργασίας είναι χρήσιμη, αλλά μακριά από το να είναι επαρκής. Η ερώτηση δεν πρέπει να είναι «ολοκλήρωσε ο πράκτορας την εργασία;», αλλά «βρέθηκε ο πελάτης σε καλύτερη θέση;». Είναι η διαφορά μεταξύ μιας υπόσχεσης αποτελέσματος και της λογοδοσίας για αυτό.

Αυτό σημαίνει ότι πρέπει να κοιτάμε πέρα από το χρόνο διαχείρισης σε μετρικά όπως η ακρίβεια απάντησης, η επίλυση στην πρώτη επαφή, οι επαναλαμβανόμενες επαφές, η ποιότητα κλιμάκωσης, η ικανοποίηση πελατών και η δικαιοσύνη και συνέπεια των αποτελεσμάτων. Επίσης, πρέπει να μετράμε πέρα από μια μεμονωμένη αλληλεπίδραση. Ένας πράκτορας μπορεί να φαίνεται επιτυχής σε ένα σημείο του ταξιδιού του πελάτη ενώ δημιουργεί πρόβλημα σε επόμενο στάδιο. Για παράδειγμα, μια υπόθεση που κλείνει γρήγορα μπορεί ακόμη να προκαλέσει άλλη κλήση εβδομάδες αργότερα, επηρεάζοντας το συναίσθημα του πελάτη και τελικά απαιτώντας ανθρώπινη διόρθωση· αξίζει λοιπόν να παρακολουθείται αν παραμένει επιλυμένη μετά από 30 ημέρες.

Είναι επίσης σημαντικό να γνωρίζουμε αν το σύστημα πράγματι λύνει την υποκείμενη ανάγκη του πελάτη, αντί να κλείνει απλώς την αλληλεπίδραση και να το θεωρεί νίκη. Αυτό απαιτεί παρακολούθηση από άκρο σε άκρο σε όλη τη ροή εργασίας, όχι μόνο μετρικά από τη διεπαφή AI. Η μέτρηση των αποτελεσμάτων για πελάτες και επιχειρήσεις, αντί της δραστηριότητας, αποκαλύπτει το πραγματικό ROI της AI.

Πώς μπορούν οι επιχειρήσεις να αποτρέψουν τους AI πράκτορες από το να βελτιστοποιούν για λειτουργικούς στόχους, όπως η μείωση του όγκου κλήσεων ή του χρόνου διαχείρισης, εις βάρος της δικαιοσύνης, της εμπιστοσύνης ή των υποκείμενων αναγκών του πελάτη;

Τα συστήματα AI είναι εξαιρετικά ικανά να πετύχουν οποιονδήποτε στόχο τους αναθέσετε. Αυτό είναι το πλεονέκτημα και το πρόβλημα: πείτε σε ένα αυτόνομο σύστημα ότι η ταχύτητα είναι ο μοναδικός στόχος και θα θυσίσει τα πάντα για να το πετύχει.

Οι επιχειρήσεις πρέπει να δώσουν στην AI ένα ισορροπημένο σύνολο στόχων, όπου η αποδοτικότητα έχει σημασία, αλλά ταυτόχρονα να συνυπάρχει με τα αποτελέσματα για τον πελάτη, τον κίνδυνο, τη δικαιοσύνη, την ακρίβεια και την εμπιστοσύνη. Αυτό επιτυγχάνεται με σαφείς περιορισμούς για αποδεκτή συμπεριφορά, δοκιμές για προκατάληψη και ανεπιθύμητα αποτελέσματα, διατήρηση μηχανισμών ανθρώπινης παρέμβασης, συνεχόμενη παρακολούθηση αποφάσεων και διασφάλιση της δυνατότητας ανίχνευσης και ελέγχου των εξόδων. Η διακυβέρνηση δεν μπορεί να είναι κάτι που προστίθεται μετά την εκκίνηση του συστήματος· πρέπει να ενσωματώνεται στην αρχιτεκτονική από την αρχή.

Το πλαίσιο του πελάτη μπορεί να είναι διασκορπισμένο σε προηγούμενες συνομιλίες, συναλλαγές, κανάλια και επιχειρησιακά συστήματα. Πώς μπορούν οι εταιρείες να δώσουν στους AI πράκτορες αρκετό πλαίσιο για καλύτερες αποφάσεις χωρίς να δημιουργούν νέους κινδύνους ιδιωτικότητας, ασφάλειας ή διακυβέρνησης;

Η απάντηση στο κατακερματισμένο πλαίσιο δεν είναι να δώσουμε στον AI πράκτορα πρόσβαση σε όλα. Είναι να του παρέχουμε ελεγχόμενη πρόσβαση στις σωστές πληροφορίες τη σωστή στιγμή. Οι επιχειρήσεις χρειάζονται ένα ισχυρό στρώμα δεδομένων και ενσωμάτωσης που συνδέει τους πράκτορες με αυθεντικές πηγές εγγραφής, ελέγχοντας τι μπορεί να δει και τι μπορεί να κάνει κάθε πράκτορας. Αυτό περιλαμβάνει πρόσβαση βάσει ρόλου και σκοπού, ελάχιστα απαραίτητα δεδομένα, παρακολούθηση καταγωγής, αρχεία ελέγχου και προστασία ευαίσθητων πληροφοριών.

Περισσότερο πλαίσιο βελτιώνει τις αποφάσεις AI, αλλά μόνο εφόσον είναι ελεγχόμενο. Διαφορετικά, η επίλυση ενός προβλήματος μπορεί να δημιουργήσει πολύ μεγαλύτερο ζήτημα ιδιωτικότητας ή ασφάλειας. Όταν γίνεται σωστά, το πλαίσιο ενισχύεται καθώς το σύστημα μαθαίνει από προηγούμενες εξαιρέσεις, κάνοντας τις μελλοντικές αλληλεπιδράσεις πιο έξυπνες χωρίς να δημιουργεί νέους κινδύνους.

Καθώς η AI που απευθύνεται στους πελάτες γίνεται πιο αυτόνομη, πώς προβλέπετε ότι θα εξελιχθεί η σχέση μεταξύ AI πράκτορων και ανθρώπινων εργαζομένων, και ποιες δυνατότητες θα πρέπει να χτίσουν οι οργανισμοί τώρα για να είναι επιτυχής αυτή η συνεργασία;

Ο ρόλος του ανθρώπου θα μετατοπιστεί όλο και περισσότερο από την εκτέλεση κάθε βήματος μιας διαδικασίας στην καθοδήγηση, την εποπτεία και τη βελτίωση του συστήματος πρακτόρων που αναλαμβάνει τον όγκο εργασίας. Οι άνθρωποι θα περνούν περισσότερο χρόνο ορίζοντας στόχους, διαχειριζόμενοι εξαιρέσεις, ασκώντας κρίση, επικυρώνοντας αποφάσεις υψηλού κινδύνου, βελτιώνοντας τις ροές εργασίας, παρακολουθώντας τη συμπεριφορά των πρακτόρων και ενισχύοντας την αρχιτεκτονική και τη διακυβέρνηση πίσω από αυτά τα αυτόνομα συστήματα. Αυτό αλλάζει επίσης τις δεξιότητες που απαιτούνται. Η εξοικείωση με την AI θα είναι σημαντική, αλλά επίσης κρίσιμη η κριτική σκέψη, η εξειδίκευση τομέα, η ορχήστρωση πρακτόρων, η παρατηρησιμότητα και η ικανότητα να αμφισβητείται ένα σύστημα AI όταν κάτι φαίνεται λανθασμένο.

Αυτό δεν είναι μόνο πρόκληση για το εργατικό δυναμικό. Οι οργανισμοί χρειάζονται την αρχιτεκτονική που υποστηρίζει αυτή τη συνεργασία, συνδέοντας τους πράκτορες με τα σωστά δεδομένα και συστήματα, συντονίζοντας τον τρόπο που συνεργάζονται και παρέχοντας στους ανθρώπους ορατότητα για το τι κάνουν. Η διακυβέρνηση, η ανθρώπινη παρέμβαση και η κλιμάκωση πρέπει να σχεδιάζονται από την αρχή.

Στον ρόλο μου ως Κύριος Επικεφαλής Επιχειρησιακής Αρχιτεκτονικής, το βλέπω ως καθήκον μου να διασφαλίσω ότι ολόκληρος ο οργανισμός γνωρίζει όχι μόνο πώς να χρησιμοποιεί την AI, αλλά πότε να της εμπιστεύεται, πότε να την αμφισβητεί και πότε να την ελέγχει. Με αυτόν τον τρόπο, η αρχιτεκτονική γίνεται η πύλη για μια υπεύθυνη AI που δημιουργεί εμπιστοσύνη και πραγματικό αντίκτυπο.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν Genpact.