Ajay Vasal, Líder Global de Datos y AI, Genpact – Serie de Entrevistas

Ajay Vasal, Líder Global de Datos y AI, Genpact, es un veterano ejecutivo de tecnología y estrategia con más de dos décadas de experiencia en inteligencia artificial, estrategia de datos, transformación digital, fusiones y adquisiciones, y consultoría empresarial. En su actual rol en Genpact, lidera iniciativas enfocadas en ayudar a las empresas a escalar la adopción de AI y transitar desde AI asistente hacia sistemas más autónomos y operacionalmente integrados. Antes de unirse a Genpact, Vasal pasó casi nueve años en Accenture, donde ocupó varios puestos de liderazgo senior, incluyendo Líder Global de Datos y AI para Industrias de Consumo y Jefe Global del Centro de Datos y Conocimientos. A lo largo de su carrera, se ha enfocado en ayudar a las organizaciones a desbloquear un valor empresarial medible de los datos a través de la eficiencia operativa, el crecimiento de ingresos y la mitigación de riesgos, mientras también lidera inversiones estratégicas, iniciativas de fusiones y adquisiciones, y programas de transformación impulsados por AI en various industrias.

Genpact es una empresa global de servicios profesionales y transformación digital que se especializa en datos, AI, analítica, automatización inteligente y modernización operativa para grandes empresas. Originalmente fundada dentro de General Electric antes de convertirse en una empresa independiente, Genpact ahora sirve a organizaciones en various industrias, incluyendo servicios financieros, atención médica, fabricación, minoristas y bienes de consumo. La empresa se ha posicionado cada vez más alrededor de la transformación empresarial impulsada por AI, combinando analítica, automatización y experiencia en dominio para ayudar a las empresas a modernizar flujos de trabajo, mejorar la toma de decisiones y desplegar sistemas de AI a gran escala de manera responsable.

Ha pasado años en Accenture moldeando la estrategia de datos y AI en various industrias antes de asumir su actual rol en Genpact. ¿Cómo ha influido esa experiencia en su perspectiva sobre por qué las empresas aún luchan por extraer un valor real de las inversiones en AI hoy en día?

Una de las lecciones más grandes al trabajar en various industrias es que la mayoría de las organizaciones no fracasan porque la tecnología es débil. La realidad es que luchan porque intentan superponer AI a modelos operativos que nunca fueron diseñados para la ejecución autónoma. Los hallazgos de nuestra investigación reciente refuerzan ese punto claramente. Mientras que las empresas se están moviendo agresivamente hacia la adopción de AI, muchas aún luchan por rediseñar los modelos operativos necesarios para respaldar la ejecución autónoma a gran escala. Esa brecha destaca cómo muchas empresas aún están trabajando en preguntas sobre gobernanza, rendición de cuentas y preparación organizativa.

También vemos a las organizaciones moverse rápidamente antes de que tengan los marcos de medición adecuados en su lugar. El 71% de los ejecutivos cree que el AI agente entregará un retorno de la inversión más rápido que cualquier otra ola de tecnología, sin embargo, el 67% aún depende de métricas de productividad que fueron construidas para modelos de automatización anteriores. Mi experiencia ha demostrado que la adopción exitosa de AI nunca es solo sobre desplegar modelos. Se trata de rediseñar flujos de trabajo, alinear la tecnología con prioridades empresariales y ayudar a las personas a entender cómo evolucionan sus roles junto con sistemas cada vez más autónomos.

Su informe reciente, Autonomía requiere confianza en AI, muestra que la mayoría de los ejecutivos creen que el AI agente cambiará fundamentalmente las operaciones comerciales, sin embargo, la mayoría de los sistemas siguen siendo supervisados. ¿Cuál es la mayor desconexión entre creencia y ejecución?

La desconexión está completamente centrada en la confianza. Los ejecutivos claramente creen que el AI agente redefinirá cómo se realiza el trabajo, pero la creencia en la tecnología no se traduce automáticamente en comodidad con la entrega de autoridad de toma de decisiones. Nuestra investigación encontró que solo el 22% de las organizaciones están cómodas permitiendo que los sistemas de AI operen con autonomía a nivel de dominio o amplia.

La mayoría de las empresas aún están cómodas utilizando AI como un asistente que puede recomendar, resumir o respaldar flujos de trabajo. La vacilación comienza cuando los sistemas de AI se espera que actúen de manera autónoma de maneras que afectan operaciones, clientes, cumplimiento o resultados financieros. Esa vacilación está obligando a muchas empresas a mantener a los humanos estrechamente involucrados en procesos de aprobación y supervisión incluso mientras empujan hacia modelos operativos más autónomos.

Muchas empresas están invirtiendo mucho en AI pero fallando en demostrar retornos significativos. ¿Cuáles son los errores más comunes que las organizaciones cometen al intentar medir el valor impulsado por AI?

Un error importante es que muchas organizaciones aún están utilizando métricas de productividad diseñadas para olas anteriores de automatización. Los datos muestran que el 67% de las empresas aún dependen de medidas basadas en productividad que no pueden capturar completamente el valor de los sistemas de decisión y adaptación. Eso crea una desconexión real entre expectativas y cómo se mide el valor.

Otro problema es que muchas organizaciones aún no han definido métricas de éxito nativas de AI. Solo un pequeño porcentaje de empresas están midiendo cosas como la finalización autónoma del flujo de trabajo, la reducción de escalación o el manejo autónomo de excepciones. Si las empresas continúan enfocándose solo en la reducción de costos o horas ahorradas, perderán el impacto operativo más amplio que el AI agente está diseñado para crear.

El informe sugiere que la preparación organizativa es una barrera más grande que la tecnología en sí. ¿Qué cambios estructurales específicos necesitan hacer las empresas para desbloquear el potencial completo del AI agente?

Las organizaciones necesitan repensar cómo operan la rendición de cuentas, la propiedad del flujo de trabajo y la toma de decisiones en toda la empresa. Una de las conclusiones más claras de la investigación es que la preparación organizativa se está convirtiendo en una barrera más grande que la tecnología en sí. De hecho, el 33% de las empresas identificó que los procesos comerciales no estaban listos para la integración del AI agente como el principal obstáculo para la adopción.

Las empresas que están haciendo más progreso están rediseñando los flujos de trabajo de extremo a extremo para que los sistemas autónomos puedan operar dentro de límites y estructuras de supervisión claramente definidos. También encontramos que el 44% de las empresas espera que el AI agente aplane las estructuras de gestión a medida que los sistemas absorben tareas de coordinación tradicionalmente manejadas por la gestión media. Los empleados necesitan mucha más claridad sobre las responsabilidades de supervisión, los puntos de intervención y dónde se ajusta el juicio humano en un entorno cada vez más autónomo.

Solo un pequeño porcentaje de organizaciones están cómodas otorgando a los agentes de AI una autonomía real. ¿Qué se necesitará para que las empresas confíen en los sistemas de AI con autoridad de toma de decisiones?

La confianza en el AI agente se reduce finalmente a la rendición de cuentas y el control. Las empresas aún son cautelosas al entregar autoridad de toma de decisiones porque los líderes quieren confianza en que los sistemas autónomos puedan operar dentro de guardias y estructuras de gobernanza claras.

Las empresas que están avanzando están diseñando sistemas donde las rutas de escalación, los desencadenantes de intervención y los controles de gobernanza están integrados directamente en el modelo operativo. La mayoría de las organizaciones están otorgando autonomía de manera incremental basada en el contexto empresarial y la tolerancia al riesgo en lugar de hacer un salto repentino a la autonomía total. A medida que las empresas ganan confianza a través de despliegues exitosos, la confianza crece porque los líderes pueden ver claramente cómo se toman las decisiones, dónde se encuentra la rendición de cuentas y cómo se mantiene la supervisión humana.

Las empresas esperan escalar el AI agente rápidamente, sin embargo, muchas aún dependen de métricas de productividad obsoletas. ¿Cómo deberían ser las métricas de desempeño nativas de AI más efectivas?

Las métricas nativas de AI necesitan medir la ejecución y los resultados en lugar de la actividad. Las medidas de productividad tradicionales se centran en si las personas están trabajando más rápido, pero el AI agente cambia la ecuación porque el sistema en sí mismo está comenzando a llevar una parte de la carga operativa. Eso es importante porque muchas organizaciones aún están midiendo el AI agente a través de una lente de productividad que fue diseñada para olas anteriores de automatización en lugar de ejecución autónoma.

Las medidas más efectivas deberían centrarse en la finalización autónoma del flujo de trabajo, las tasas de escalación reducidas, la ejecución de decisiones más rápida y cómo los sistemas manejan las excepciones con una intervención humana limitada. Esas métricas proporcionan una imagen mucho más clara de si el AI realmente está mejorando la ejecución a gran escala.

Destaca que el rediseño de procesos es la principal barrera para la adopción. ¿Por qué la transformación de flujos de trabajo es más importante que el rendimiento del modelo en esta próxima fase de AI?

La transformación de flujos de trabajo importa porque incluso los sistemas de AI más avanzados no pueden escalar de manera efectiva dentro de procesos rotos o fragmentados. Nuestra investigación encontró que el 33% de las empresas identificó la preparación de procesos como la principal barrera para la adopción del AI agente.

Lo que hace que esta próxima fase sea diferente es que el AI agente está diseñado para ejecutarse a través de flujos de trabajo en lugar de simplemente asistir dentro de ellos. Las organizaciones deben rediseñar los procesos alrededor de la ejecución autónoma al clarificar la propiedad de la decisión, eliminar entregas innecesarias y integrar la gobernanza directamente en los flujos de trabajo. De muchas maneras, el rediseño de flujos de trabajo ahora es la verdadera base para la adopción escalable de AI.

El informe sugiere que el AI hará que las estructuras organizativas se aplaquen a medida que las tareas de coordinación se automaticen. ¿Cómo ve evolucionar los roles de liderazgo y la gestión media como resultado?

A medida que el AI agente asume más tareas de coordinación y supervisión operativa, los roles de liderazgo probablemente cambiarán de la gestión de la ejecución rutinaria hacia la guía de la estrategia, el juicio y la gobernanza. Nuestra investigación encontró que muchas empresas esperan que el AI agente reduzca las capas de coordinación en toda la organización a medida que los sistemas autónomos asuman más responsabilidades de supervisión operativa.

La gestión media ha desempeñado históricamente un papel importante en la ruta de decisiones y el mantenimiento de la continuidad operativa entre equipos. A medida que los sistemas autónomos comienzan a manejar más de esas actividades, los líderes necesitarán centrarse más en la gestión de excepciones, la rendición de cuentas y la garantía de que los sistemas se alineen con los objetivos empresariales. El liderazgo humano se volverá aún más importante en áreas donde el contexto, la ética y el juicio aún importan más.

Genpact se posiciona como una empresa de soluciones de tecnología avanzada y agente. ¿Cómo aborda Genpact el AI agente de manera diferente a las empresas de consultoría o tecnología tradicionales?

El enfoque de Genpact se basa en la ejecución y los resultados, y lo que a menudo describimos como resolver el “último kilómetro” del problema de adopción de AI. Muchas organizaciones ya han demostrado que los modelos de AI pueden generar ideas o mejorar la productividad, pero el verdadero desafío es integrar esas capacidades en flujos de trabajo empresariales vivos donde se realiza el trabajo. Ese es donde muchos proyectos de AI se estancan. Nuestro enfoque se centra en ayudar a los clientes a operativizar el AI agente en el último kilómetro de la ejecución para que los sistemas puedan impulsar resultados medibles dentro de las finanzas, la cadena de suministro, el servicio al cliente y otras funciones empresariales básicas.

Lo que diferencia nuestro enfoque es la combinación de una profunda experiencia en procesos con capacidades de datos, tecnología y AI. No solo estamos desplegando modelos o construyendo pilotos. Estamos rediseñando flujos de trabajo, integrando la gobernanza en las operaciones y ayudando a las empresas a crear las estructuras de rendición de cuentas necesarias para la ejecución autónoma a gran escala. Como también hemos integrado el AI agente en nuestras propias operaciones, traemos experiencia práctica sobre lo que se necesita para moverse desde la experimentación al impacto empresarial.

Mirando hacia adelante, ¿cree que el AI agente ampliará la brecha entre las empresas líderes y las que van por detrás, y qué deberían hacer las empresas ahora para evitar quedarse atrás?

Sí, creo que la brecha se ampliará porque el AI agente compone el valor de manera diferente a las olas de tecnología anteriores. Las organizaciones que rediseñen con éxito los flujos de trabajo, establezcan marcos de rendición de cuentas y construyan confianza en los sistemas autónomos crearán ventajas operativas que serán difíciles para los competidores replicar. Lo que es sorprendente es lo rápido que está sucediendo este cambio. El 29% de las empresas espera que el AI agente se escalará en toda la empresa en los próximos 12 meses.

Para las empresas que buscan mantenerse competitivas, la prioridad ahora debería ser preparar el modelo operativo para la ejecución autónoma. Eso incluye rediseñar flujos de trabajo, definir estructuras de propiedad, construir marcos de medición nativos de AI y invertir en la preparación de la fuerza laboral. Las organizaciones que se muevan temprano en esas bases estarán mucho mejor posicionadas que aquellas que aún abordan el AI como una iniciativa tecnológica independiente. Las empresas que inviertan en marcos de medición nativos de AI, y en la preparación de la fuerza laboral, y que se enfoquen en la transformación de sus procesos y estructuras organizativas, serán las que logren aprovechar al máximo el potencial del AI agente y se mantengan por delante de la competencia.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Genpact.