Gautam Singh, Jefe de la Unidad de Negocios Global de Análisis, Datos y IA, WNS Analytics – Serie de Entrevistas

Gautam Singh es el Jefe de la Unidad de Negocios de WNS Analytics y el Co-fundador y CEO de The Smart Cube, una empresa de WNS. Pasó 20 años estableciendo y creciendo The Smart Cube (un líder en investigación y análisis) antes de que fuera adquirida por WNS. Anteriormente, trabajó durante 10 años en consultoría de gestión y capital de riesgo en Europa y EE. UU. Gautam ha ocupado varios cargos, incluyendo puestos en Coven Partners (Londres), A.T. Kearney (Londres), Mitsubishi Motors (India) y Cummins Engines (EE. UU.). Tiene un MBA de la Universidad de Michigan, Ann Arbor, EE. UU. y una licenciatura en Ingeniería Mecánica del IIT Bombay, India.

WNS Analytics ayuda a las empresas a convertir sus datos en valor estratégico a través de la “inteligencia de decisiones”—combinando una robusta infraestructura de datos, tecnologías de AI/GenAI/IA agente y experiencia específica del dominio. Ofrecen servicios en diversas industrias, incluyendo seguros, banca y servicios financieros, retail, CPG, fabricación, atención médica, energía y logística. Sus capacidades abarcan ingeniería de datos y gobernanza, análisis descriptivos y predictivos, herramientas de AI/ML y visualización —todo diseñado para permitir decisiones más rápidas y seguras y una innovación continua.

Comenzó su carrera en consultoría de gestión de alto nivel, luego fundó The Smart Cube y la dirigió durante más de dos décadas antes de su adquisición por WNS. ¿Qué motivó su transición de la consultoría a la empresa y, posteriormente, a liderar un negocio global de análisis de datos y IA?

Pasé diez años en consultoría de gestión y vi una brecha de mercado clara: las empresas estaban sentadas sobre montañas de datos pero no extraían su valor completo. En 2003, el análisis era básico – estábamos trabajando con hojas de cálculo de Excel.

La decisión de dejar la vida corporativa se redujo a la fe en mí mismo. Vi una oportunidad de ayudar a las organizaciones a aprovechar realmente sus datos, así que fundé The Smart Cube con esa visión.

Después de 20 años de construir The Smart Cube, unirme a WNS no fue una salida, sino una evolución. He llevado adelante la mentalidad empresarial, pero ahora con recursos y alcance mucho mayores. Esto me permite abordar problemas a una escala que nunca podría haber logrado en un negocio más pequeño. Lo más importante es que reconocí el poder de integrar y fusionar datos y análisis en los procesos comerciales básicos en lugar de tratarlos como intervenciones discretas. Esa integración sin problemas de la experiencia del dominio y la transformación de procesos es central para el ADN de WNS – y es lo que me motivó a ser adquirido y ahora a liderar esta unidad de negocio en WNS.

En sus 20+ años trabajando en análisis, ¿cómo ha visto evolucionar el papel de los datos y la IA en los servicios financieros —desde la adopción temprana hasta la integración a nivel empresarial de hoy en día?

A fines de los 90, el análisis significaba mirar datos históricos y hacer pronósticos estadísticos. La transformación ha sido notable.

A principios de la década de 2000, se introdujo la digitalización y modelos predictivos más avanzados. Para 2010, el análisis de operaciones comerciales en tiempo real se había convertido en estándar. Hace casi una década, el aprendizaje automático comenzó a impulsar un cambio real, y más recientemente, la IA Generativa (IA Gen) ha ocupado el centro del escenario.

Hoy en día, las instituciones financieras tratan los datos como un activo estratégico. La pregunta ha pasado de “¿Podemos usar IA?” a “¿Cómo integramos la IA en cada decisión?”

El impacto es tangible: la incorporación de clientes que antes tardaba días ahora se completa en horas con verificación basada en IA. Las evaluaciones de riesgo crediticio evalúan cientos de puntos de datos en tiempo real más allá de las puntuaciones tradicionales. Los cálculos de riesgo que requerían corridas por lotes nocturnas ahora son instantáneos. Y la detección de fraude ya no reacciona después del hecho – bloquea la actividad sospechosa en tiempo real.

¿Cómo están utilizando las empresas con visión de futuro lagos de datos impulsados por IA y marcos de gobernanza para mejorar la toma de decisiones en tiempo real, el cumplimiento normativo y la transparencia en las operaciones financieras?

Construir almacenes de datos monolíticos y esperar a que surjan ideas ya no funciona. Las instituciones necesitan diseñar ecosistemas de datos inteligentes.

Los servicios financieros enfrentan un desafío único: son orientados al cliente, manejan datos altamente sensibles y aún necesitan ofrecer personalización y respuesta en tiempo real. Esto requiere lagos de datos modulares construidos sobre marcos flexibles.

Dentro de esta arquitectura, las organizaciones crean estanques de datos especializados para análisis de precios, evaluación de riesgos y informes de cumplimiento normativo. Cada estanque opera de forma independiente mientras alimenta el ecosistema más grande, entregando valor inmediato mientras mantiene los límites de seguridad.

La tendencia de Zero ETL es especialmente relevante aquí, ya que elimina los procesos complejos de Extracción-Transformación-Carga al permitir la consulta directa a través de los sistemas. Esto permite que la IA acceda y analice los datos en tiempo real sin moverlos, reduciendo la latencia y manteniendo la gobernanza.

Los agentes de IA también están evolucionando más allá de la detección de anomalías. No solo señalanizan transacciones sospechosas, sino que también recomiendan acciones y ejecutan respuestas dentro de los parámetros de gobernanza.

En el cumplimiento, la IA monitorea continuamente las transacciones, genera informes e identifica problemas antes de que lo hagan los reguladores.

Los datos sintéticos a menudo se presentan como una forma segura de entrenar modelos de IA sin exponer información sensible. ¿Puede compartir ejemplos de cómo se aplican los datos sintéticos de manera efectiva en la detección de fraude, el análisis de riesgos y la validación de modelos?

En WNS Analytics, aprovechamos la generación avanzada de datos sintéticos para crear conjuntos de datos de alta fidelidad y cumplimiento de privacidad que aceleran el entrenamiento de modelos de IA, particularmente en dominios con escasez de datos. Nuestros conjuntos de datos sintéticos emulan escenarios del mundo real mientras reflejan los mismos patrones estadísticos, comportamientos y correlaciones que los datos financieros reales – flujos de transacciones, tendencias de fraude, comportamientos de los clientes – sin exponer ninguna información de identificación personal (PII) o datos del cliente.

Esta capacidad está transformando los servicios financieros en campos como el análisis de riesgos, la detección de fraude, la puntuación crediticia, las pruebas de estrés y la modelización de cumplimiento. Estos conjuntos de datos sintéticos permiten a las organizaciones iniciar rápidamente el desarrollo de soluciones de IA mientras garantizan la privacidad de los datos y la confianza regulatoria.

Una aplicación particularmente innovadora implica el uso de datos enmascarados de PII para crear modelos de similitud. Esto permite a las empresas ofrecer ofertas dirigidas a los consumidores, permitiendo marketing personalizado mientras se mantiene la privacidad completa.

La automatización inteligente y los agentes de IA se están incorporando cada vez más en los flujos de trabajo comerciales. ¿Cuáles son los casos de uso más transformadores que ha visto en los servicios financieros, y cómo mejoran la resiliencia operativa y el rendimiento?

La automatización inteligente que aprovecha los agentes de IA está acelerando los flujos de trabajo empresariales, permitiendo a las organizaciones racionalizar las operaciones y tomar decisiones más rápidas e informadas. Estos agentes combinan la automatización con razonamiento avanzado para entregar mejoras en la resiliencia, la escalabilidad y el rendimiento.

En WNS Analytics, aplicamos el marco GAIN (nuestro marco propietario para la implementación de IA Agente) para evaluar los niveles adecuados de autonomía para la IA Agente. Además, proporcionamos componentes reutilizables y basados en microservicios para agentes hiperespecializados a través de nuestro Hub de Utilidades de IA galardonado.

En el seguro, hemos transformado múltiples flujos de trabajo a través de la IA Agente. En la subrogación de reclamaciones de automóviles, nuestra solución de detección de recuperación de terceros parte impulsada por IA Gen ha logrado una precisión del 85%, ha duplicado los volúmenes de recuperación y ha mejorado las recuperaciones anuales en aproximadamente un 49% – desbloqueando millones de oportunidades que anteriormente se pasaban por alto.

En la suscripción, nuestro asistente de investigación de IA Agente utiliza múltiples agentes especializados para descomponer consultas complejas, extraer datos de múltiples fuentes y generar información con una precisión del 99% mientras reduce el tiempo de respuesta en un 85%.

Para un banco líder, nuestra solución de IA Gen redujo el tiempo de screening de medios adversos en un 60% y redujo los falsos positivos en un 12-15%.

También tenemos una solución de gestión de conocimiento impulsada por IA Gen – diseñada como una plataforma horizontal – para redefinir cómo las empresas recuperan, razonan y contextualizan vastos datos no estructurados. Al entregar información precisa, cumplida y consistente en tiempo real, mejora la toma de decisiones, aumenta la eficiencia y fortalece la resiliencia operativa en diversas industrias.

Estas soluciones aumentan el juicio humano, creando sistemas más rápidos y precisos.

Para las empresas que buscan ampliar las iniciativas de IA, ¿cuáles son los mayores obstáculos —técnicos, culturales o estratégicos— y cómo pueden superarlos los líderes?

El mayor obstáculo para ampliar la IA no es la tecnología – es la preparación organizativa.

Primero, hay silos de datos a través de los sistemas heredados. El reemplazo completo no siempre es práctico; en cambio, el enfoque debe ser construir puentes inteligentes. En WNS, hemos creado “equipos de puente” que emparejan administradores de sistemas heredados con ingenieros de la nube, acelerando la implementación mientras se preservan las reglas comerciales críticas.

Segundo, la brecha de habilidades. Las empresas necesitan la mezcla adecuada de expertos en dominio, ingenieros de datos, científicos de datos y traductores que puedan conectar los conocimientos técnicos con el valor comercial.

Tercero, el ritmo del cambio tecnológico. Nuestro Laboratorio de IA de WNS permite a las organizaciones experimentar con tecnologías emergentes y construir pruebas de concepto antes de comprometerse con una implementación a gran escala.

En el frente cultural, el éxito depende de una gestión de cambio efectiva. Diseñamos marcos que ayudan a los empleados a ver la IA como algo adicional en lugar de orientado a reemplazar. Establecer un consejo de IA también es una buena decisión, proporcionando gobernanza, alineación transfuncional y una ruta estructurada para moverse desde pilotos a una escala empresarial.

Con el aumento de la escrutinio sobre la ética de la IA, el sesgo y la transparencia, ¿cómo pueden las instituciones financieras encontrar el equilibrio adecuado entre la innovación y la gobernanza responsable de la IA?

La innovación y la responsabilidad no son opciones opuestas – la responsabilidad debe estar integrada en la innovación desde el principio.

Las instituciones financieras necesitan marcos de gobernanza de IA sólidos. En WNS, implementamos marcos que garantizan que la IA se desarrolle de manera responsable, ética y segura. Nuestro enfoque incorpora controles para el sesgo, la equidad, los KPI personalizados y el monitoreo del desplazamiento del modelo. Esto genera confianza, no solo el cumplimiento regulatorio.

La transparencia es especialmente crítica en los servicios financieros. Si la IA deniega un préstamo, los solicitantes merecen explicaciones claras y comprensibles.

En última instancia, la IA responsable es una ventaja competitiva. Los bancos que demuestran equidad, transparencia y seguridad en sus sistemas de IA ganan la confianza del cliente. Aquellos que tratan la gobernanza como un después-pensamiento arriesgan sanciones regulatorias y daños a la reputación que es mucho más difícil de reparar.

En los próximos 3-5 años, ¿qué capacidades de IA emergentes o estrategias de datos cree que tendrán el mayor impacto en la forma en que operan las organizaciones financieras?

Tres desarrollos cambiarán los servicios financieros en los próximos tres a cinco años.

Primero, la IA Agente pasará de experimental a esencial. Los agentes de IA autónomos ejecutarán flujos de trabajo complejos y orquestarán departamentos enteros junto con equipos humanos.

Segundo, los sistemas de aprendizaje continuo se convertirán en estándar. La IA adaptará cada interacción, permitiendo servicios financieros verdaderamente personalizados que evolucionen con las necesidades cambiantes de cada cliente.

Tercero, veremos una convergencia tecnológica poderosa: computación cuántica para cálculos de riesgo avanzados, blockchain para registros de decisiones de IA transparentes y computación de borde para decisiones instantáneas localizadas. Juntas, estas tecnologías desbloquearán formas completamente nuevas de servicios financieros que apenas comenzamos a imaginar.

Habiendo navegado la empresa, la adquisición y ahora un papel de liderazgo global, ¿qué principios rectores lo han ayudado a tomar decisiones y liderar equipos a través del cambio?

Tres principios me guían.

Primero, la perseverancia sobre la perfección. Cuando comenzamos The Smart Cube, no teníamos todas las respuestas. Cometimos errores, nos adaptamos y seguimos adelante. La persistencia con adaptabilidad ha sido esencial.

Segundo, construir valor duradero, no salidas rápidas. Un profesor de la escuela de negocios me aconsejó una vez —años después de que había fundado The Smart Cube— “No te enfoques en la salida. Enfócate en construir un negocio exitoso que durará”. Esa mentalidad a largo plazo ha dado forma a cada decisión que he tomado.

Tercero, disfrutar de lo que haces. Siempre he creído que si no me divierto, me mudaré a algo más. Después de 30 años, todavía me despierto emocionado, y ese entusiasmo inspira a los equipos a través del cambio.

Liderar a través de la adquisición reforzó otra verdad: el cambio tiene éxito cuando se lleva a las personas. La integración técnica es sencilla; la integración cultural – construir una visión compartida – es donde realmente importa el liderazgo.

Para los profesionales que desean dar forma al futuro de la IA en las finanzas, ¿qué habilidades, mentalidades o experiencias cree que serán más valiosas?

El futuro pertenece a aquellos que pueden unir mundos. Las habilidades técnicas puras o la experiencia en el dominio por sí solas no serán suficientes.

Primero, desarrollen el pensamiento de sistemas. Comiencen con la necesidad del mercado – un caso de uso claro – y trabajen hacia atrás. La IA en las finanzas requiere ver cómo todo se conecta: cómo un cambio en los modelos de riesgo impacta la experiencia del cliente o cómo la automatización abre nuevas oportunidades.

Segundo, cultiven la práctica disciplinada sobre el idealismo. Estén emocionados con las nuevas tecnologías, pero sean rigurosos al evaluarlas. No todos los problemas necesitan IA – a veces, análisis simples o incluso hojas de cálculo pueden hacer el trabajo.

Tercero, construyan habilidades de traducción. Esto es vital. Ser capaz de explicar conceptos de IA complejos a miembros de la junta y traducir requisitos comerciales para científicos de datos es invaluable. Los líderes de IA más fuertes alinean la tecnología con la estrategia comercial.

Finalmente, abracen el aprendizaje continuo. Las herramientas que eran de vanguardia hace cinco años ya están obsoletas. Permanecer curioso, humilde y comprometido con el aprendizaje abrirá puertas a oportunidades que aún no podemos imaginar en la intersección de la IA y las finanzas.

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