Ankur Dhingra, CEO de ProHance – Serie de entrevistas

Ankur Dhingra, CEO de ProHance, es un ejecutivo experimentado en tecnología y operaciones con más de dos décadas de liderazgo en productividad empresarial, servicios financieros y operaciones comerciales globales. Dirige ProHance desde 2020, centrándose en construir una plataforma unificada para observar, gobernar y mejorar la productividad de los trabajadores humanos, proveedores y sistemas de IA. Antes de convertirse en CEO, Dhingra fue socio en FutureIP, donde se desarrolló ProHance como una plataforma de gestión operativa y analítica. Anteriormente, pasó más de ocho años en American Express, desempeñándose como vicepresidente y director general de Operaciones Globales de Back Office y, previamente, liderando operaciones de compromiso con el cliente que abarcan centros de llamadas a gran escala, chat, cumplimiento regulatorio y funciones de garantía empresarial. Su carrera también incluye cargos de alta dirección en Genpact, donde gestionó una práctica bancaria de 1.100 personas y un P&L de 35 millones de dólares, y en GE Capital, donde dirigió las operaciones de servicios financieros en la India.

ProHance es una empresa de inteligencia de la fuerza laboral empresarial y análisis de productividad que brinda a las organizaciones visibilidad en tiempo real de cómo se realiza el trabajo entre empleados, proveedores externos, copilotos de IA y agentes autónomos. Su plataforma, presentada como una “Sala de Control de Productividad”, combina análisis de la fuerza laboral, planificación de capacidad, asignación inteligente de trabajo, medición de productividad y herramientas de gobernanza para ayudar a las empresas a identificar cuellos de botella operativos, optimizar la utilización de recursos y comprender el impacto de la IA en el desempeño organizacional. ProHance afirma que su tecnología es utilizada por más de 450.000 usuarios en 220 empresas de 55 países, con aplicaciones que abarcan la banca y los servicios financieros, la externalización de procesos de negocio, centros de capacidad global, la salud y la tecnología de la información.

Pasó más de dos décadas liderando operaciones a gran escala en GE Capital, Genpact y American Express antes de convertirse en CEO de ProHance. ¿Qué le enseñaron esas experiencias sobre las limitaciones de la gestión tradicional de la fuerza laboral y la productividad, y cómo han esas lecciones influido en la forma en que está construyendo ProHance para una empresa centrada en IA?

Mi experiencia en GE Capital, Genpact y American Express me enseñó que una de las mayores brechas en la gestión tradicional de la fuerza laboral no estaba necesariamente en la parte frontal, sino en la oficina administrativa.

En American Express, previamente trabajé en el área de servicio al cliente, donde el centro de contacto contaba con tecnología bastante sofisticada para medir la productividad: dónde las personas dedicaban su tiempo, la utilización, los volúmenes de interacción y cómo se podían optimizar los procesos. Pero cuando pasé a liderar las operaciones de back office, observé una realidad muy distinta.

Una gran cantidad de trabajo en grandes empresas ocurre tras bastidores: procesamiento de transacciones, gestión de casos, ingreso de datos y otras actividades basadas en procesos; sin embargo, había muy poca medición significativa de cómo se estaba realizando ese trabajo. La tecnología y la visibilidad que existían para la oficina frontal simplemente no se habían trasladado a la oficina administrativa.

Me obsesioné casi irracionalmente con el problema. Comencé a explorar las tecnologías disponibles y a conversar con actores consolidados, pero lo que encontré era o demasiado torpe, demasiado caro o simplemente no diseñado para las realidades de las operaciones de back office. Seguía pensando: esta es una industria de más de 150 mil millones de dólares, y es un problema que ha existido durante años. Seguramente alguien lo está resolviendo de manera más eficaz.

Esa búsqueda finalmente me llevó a ProHance, donde Rajesh Sharma y Kishore Reddy (cofundadores de ProHance) ya habían creado una tecnología que abordaba muchos de los desafíos que había identificado como usuario avanzado de estos sistemas. Sabía exactamente lo que la tecnología debía hacer: capturar la actividad automáticamente, funcionar en diferentes sistemas operativos, medir el tiempo tanto dentro como fuera del sistema y ofrecer una visión fiable de cómo se estaba realizando el trabajo.

Esa experiencia ha moldeado mi visión de ProHance hoy. La lección es que no se puede construir una empresa centrada en IA simplemente añadiendo IA a las herramientas de gestión de la fuerza laboral existentes. Primero se necesita una comprensión fiable y granular del trabajo en sí. Entonces la IA puede transformar cómo se analiza, optimiza y, en última instancia, rediseña ese trabajo.

Para mí, ProHance consiste en llevar ese mismo nivel de visibilidad e inteligencia que las empresas históricamente han tenido en la oficina frontal a toda la organización, y usar la IA para obtener una medida mejorada de la productividad, lo que mejorará fundamentalmente la forma en que se realiza el trabajo.

A medida que la IA generativa y los agentes de IA asumen una cuota creciente del trabajo del conocimiento, las señales tradicionales de productividad, como las horas trabajadas o el uso de aplicaciones, pueden perder relevancia. ¿Cómo deberían las empresas redefinir la productividad cuando un ser humano puede lograr en 30 minutos lo que antes requería varias horas?

La productividad debe pasar de medir la actividad a medir los resultados. Si la IA permite a alguien completar en 30 minutos lo que antes llevaba tres horas, el punto de referencia de tres horas ya no es relevante. El enfoque debe estar en lo que se logró, la calidad del resultado y cuán eficazmente se utilizaron el tiempo y las habilidades.

Esto también implica que las empresas deben comprender dónde la IA está eliminando realmente el trabajo repetitivo y dónde el juicio humano sigue siendo crítico. La productividad debe reflejar cada vez más los resultados, la capacidad, la calidad y el impacto empresarial, en lugar de las horas pasadas en un escritorio o el uso de aplicaciones.

Ha descrito la inteligencia de la fuerza laboral como cada vez más crítica en la empresa centrada en IA. ¿Qué significa realmente “inteligencia de la fuerza laboral” en la práctica, y en qué se diferencia de las herramientas de monitoreo de empleados y análisis de la fuerza laboral que las empresas han usado históricamente?

La inteligencia de la fuerza laboral consiste esencialmente en proporcionar a una organización una comprensión más clara de cómo se está realizando el trabajo. Reúne señales relacionadas con la carga de trabajo, la capacidad, la utilización, los procesos y los resultados para ayudar a los líderes a identificar dónde los equipos están sobrecargados, dónde existe capacidad y dónde el trabajo se estanca.

Eso difiere del monitoreo tradicional de empleados, que a menudo se centraba en la actividad individual. La inteligencia de la fuerza laboral debe operar a un nivel mucho más amplio. El objetivo no es preguntar “¿Qué está haciendo este empleado cada minuto?”, sino “¿Cómo fluye el trabajo a través de la organización y qué podemos hacer para mejorarlo?”.

ProHance está combinando cada vez más datos determinísticos de la fuerza laboral con aprendizaje automático para generar conocimientos predictivos, incluidos la identificación de posibles desenganches y riesgos de retención. ¿Cómo garantiza que estos modelos de IA distingan patrones significativos de variaciones normales en el comportamiento de los empleados, y cuán importante es la explicabilidad cuando los gerentes toman decisiones sobre personas?

En ProHance, creemos que la calidad y el contexto de los datos subyacentes son críticos. El comportamiento de los empleados varía naturalmente según los proyectos, la carga de trabajo, los equipos, las estaciones y los ciclos empresariales. Un cambio en la actividad por sí solo no indica necesariamente desenganche o riesgo de retención.

El enfoque consiste en buscar patrones a través de múltiples señales y a lo largo del tiempo, en lugar de extraer conclusiones de un solo comportamiento. La IA puede ayudar a identificar patrones que requieran atención, pero no debe considerarse el decisor final.

La explicabilidad es igualmente importante. Si un sistema señala un riesgo potencial, los gerentes deben poder comprender los factores detrás de esa señal y aplicar su propio juicio. Cuando la tecnología se utiliza para informar decisiones sobre personas, la transparencia y la supervisión humana son esenciales.

Existe una preocupación comprensible por parte de los empleados cuando las organizaciones introducen tecnología capaz de analizar patrones de trabajo, uso de aplicaciones, tiempo inactivo o desempeño. ¿Dónde deben las empresas trazar la línea entre obtener una visibilidad operativa útil y crear una cultura de vigilancia?

La línea se determina en gran medida por la intención, la transparencia y el uso que se le da a los datos. Los empleados se sienten comprensiblemente incómodos cuando se introduce tecnología sin claridad sobre qué se mide y por qué.

El objetivo debe ser comprender el trabajo a nivel organizacional y operativo, en lugar de observar constantemente a los individuos. Si los datos de la fuerza laboral ayudan a identificar cargas de trabajo excesivas, cuellos de botella o procesos ineficientes, pueden mejorar realmente la experiencia del empleado.

Las empresas también deben ser claras sobre lo que no intentan hacer. La tecnología debe ayudar a los gerentes a mantener mejores conversaciones con sus equipos, no reemplazar esas conversaciones ni crear un sistema de observación constante.

Los copilotos de IA y los agentes autónomos están cada vez más integrados en la propia fuerza laboral. ¿Cree que las plataformas de inteligencia de la fuerza laboral eventualmente necesitarán medir la productividad de humanos y agentes de IA juntos, y cómo podría ser una métrica significativa de productividad humano‑IA?

Sí, creo que esto será cada vez más importante. A medida que los agentes de IA comienzan a asumir partes de los flujos de trabajo, medir solo la actividad humana brindará a las empresas una visión incompleta de cómo se realiza el trabajo.

Sin embargo, no creo que lleguemos simplemente a una única puntuación de productividad “humano contra IA”. Un enfoque más útil sería comprender la producción combinada de personas, herramientas de IA y agentes a lo largo de un flujo de trabajo.

Las empresas podrían observar cuánto tiempo elimina la IA de tareas repetitivas, la rapidez con que avanzan los procesos, la calidad de los resultados y dónde aún se requiere intervención humana. La verdadera pregunta se vuelve: ¿qué tan eficazmente están trabajando juntos los humanos y la IA?

ProHance habla de ir más allá de la medición cruda de productividad hacia la inteligencia operativa, incluyendo el análisis de carga de trabajo, pronósticos, optimización de procesos y asignación de recursos. ¿Cuánto del futuro de esta categoría se centrará en que la IA recomiende proactivamente lo que los gerentes deben cambiar en lugar de simplemente presentarles paneles?

Creo que allí es donde ProHance ve la dirección de la categoría. Los paneles son útiles, pero aún dejan a los gerentes con la responsabilidad de interpretar la información y decidir qué hacer a continuación.

La siguiente etapa es que las plataformas identifiquen un patrón y ayuden a responder “¿qué debemos hacer al respecto?”. Eso podría significar destacar un equipo sobrecargado, identificar una habilidad subutilizada, pronosticar una brecha de capacidad o sugerir dónde se podría mejorar un proceso.

Para ProHance, el valor provendrá cada vez más de pasar de la visibilidad a la acción. La IA debe ayudar a los gerentes a tomar mejores decisiones, manteniendo la decisión en manos de la persona que comprende el negocio y el contexto.

Ha comparado la inteligencia de productividad con un informe de salud anual para una organización. ¿Cuáles son las señales más importantes que los ejecutivos deben observar para determinar si su fuerza laboral está realmente sana, productiva y se está adaptando con éxito a la IA?

Yo observaría una combinación de señales en lugar de un solo número de productividad. La capacidad y la carga de trabajo son puntos de partida evidentes, pero los ejecutivos también deben comprender si el trabajo se distribuye eficazmente, dónde aparecen cuellos de botella, cómo los equipos se están adaptando a la IA y si las personas dedican demasiado tiempo a actividades de bajo valor.

Otra señal importante es la sostenibilidad. Un equipo que entrega resultados excepcionales porque las personas trabajan constantemente más allá de una capacidad razonable no es necesariamente sano o productivo a largo plazo.

Una fuerza laboral sana es aquella en la que la capacidad, la carga de trabajo y los resultados están razonablemente equilibrados, las personas tienen espacio para centrarse en trabajos de mayor valor y la organización puede adaptarse a medida que cambia la naturaleza del trabajo.

“Productividad” ha adquirido connotaciones negativas para muchos empleados porque puede implicar hacer más trabajo con menos personas. ¿Cómo pueden las organizaciones recuperar el concepto y utilizar la inteligencia de productividad impulsada por IA para mejorar la experiencia del empleado, reducir el agotamiento y eliminar el trabajo de bajo valor en lugar de simplemente aumentar la producción?

Las organizaciones deben alejarse de definir la productividad simplemente como “más producción con menos personas”. Esa definición es demasiado estrecha, particularmente en un entorno laboral habilitado por IA.

Idealmente, la IA debe devolver a las personas el tiempo que actualmente consumen la administración repetitiva, los procesos manuales y las tareas de bajo valor. La oportunidad es usar ese tiempo para resolver problemas, interactuar con clientes, innovar y realizar trabajos que requieran juicio humano.

Si la inteligencia de productividad se utiliza para identificar dónde las personas están sobrecargadas o gastan tiempo de manera ineficiente, puede convertirse en una herramienta de experiencia del empleado. El objetivo debe ser mejorar el trabajo, no simplemente hacer que las personas trabajen más rápido.

De cara al futuro, a medida que la IA se integra en casi todos los flujos de trabajo empresariales, ¿qué cree que distinguirá a las organizaciones que aumentan con éxito su fuerza laboral con IA de aquellas que implementan la tecnología pero no logran traducirla en mejoras de productividad significativas?

Las organizaciones que más se beneficien de la IA serán aquellas que miren más allá de la implementación tecnológica. Tener acceso a una herramienta de IA no genera automáticamente mejoras de productividad.

Los líderes comprenderán dónde la IA está cambiando los flujos de trabajo, cómo evolucionan los roles y si la organización está obteniendo realmente mejores resultados de la tecnología. También medirán continuamente lo que funciona y ajustarán en consecuencia.

En última instancia, las organizaciones exitosas tratarán la adopción de IA como un cambio en la forma en que se realiza el trabajo, en lugar de simplemente otra implementación tecnológica. Combinarán la IA con los procesos, habilidades, visibilidad de la fuerza laboral y prácticas de gestión adecuadas. Eso determinará si la IA se convierte en una ventaja real de productividad o simplemente en una capa adicional de tecnología.

Gracias por la excelente entrevista. Los lectores que deseen obtener más información deberían visitar ProHance.