Vijay Vijayasankar, Oficial de Inteligencia Artificial de Genpact – Serie de Entrevistas

Vijay Vijayasankar, Oficial de Inteligencia Artificial de Genpact, lidera la productización global de soluciones de Inteligencia Artificial de Genpact, con un enfoque en cambiar la creación de valor empresarial de modelos tradicionales basados en mano de obra hacia marcos basados en resultados de mayor margen. En su papel, está ayudando a dar forma al enfoque de Genpact para escalar la Inteligencia Artificial en toda la empresa al construir modelos organizacionales alrededor de los Constructores de Inteligencia Artificial, que diseñan capas de orquestación avanzadas, y los Practicantes de Inteligencia Artificial, que aportan experiencia en el dominio a los flujos de trabajo impulsados por agentes autónomos. Antes de unirse a Genpact, Vijayasankar ocupó puestos de liderazgo senior en IBM, incluyendo Socio Gerente de Servicios Financieros, Director Técnico de IBM Services América del Norte y Gerente General de Cognitiva, IoT, Análisis y Watson Health en GBS América del Norte, junto con puestos ejecutivos anteriores en MongoDB (MDB ) y SAP.

Genpact es una empresa de soluciones de tecnología avanzada y agencia que ayuda a grandes empresas a modernizar sus operaciones a través de la inteligencia de procesos, la inteligencia artificial, los datos y la transformación digital. La empresa trabaja en áreas como finanzas y contabilidad, atención al cliente, riesgo y cumplimiento, fuentes y adquisiciones, cadena de suministro, tecnología y confianza y seguridad, mientras que sus servicios de Datos y Inteligencia Artificial se centran en ayudar a las organizaciones a utilizar análisis avanzados, Inteligencia Artificial y agentes autónomos para convertir datos complejos en resultados empresariales medibles.

Ha pasado más de dos décadas en empresas como IBM, MongoDB, SAP y ahora Genpact, donde se desempeña como Oficial de Inteligencia Artificial de Agencia. Al mirar hacia atrás en la evolución desde los grandes datos y el análisis hasta los sistemas de Inteligencia Artificial de agencia de hoy, ¿qué lecciones han moldeado más su visión de cómo las empresas deben abordar la transformación de la Inteligencia Artificial?

He visto esta misma película tres veces ahora. Los grandes datos eran el balazo de plata para la toma de decisiones. La nube era el interruptor instantáneo para la agilidad organizacional. Ahora, la Inteligencia Artificial de agencia es la cura para las operaciones. En cada ciclo, las empresas que generaron valor se centraron en sus modelos operativos, sus procesos y sus personas. Las que lucharon, y muchas todavía lo hacen, trataron la tecnología en sí como la transformación.

Lo que es fundamentalmente diferente sobre la Inteligencia Artificial de agencia es su ubicación. Está sentada en la capa de ejecución, no en la capa de perspicacia. Las herramientas más antiguas generaban gráficos y recomendaciones. Los agentes toman medidas. Un panel de análisis malo produce un gráfico malo que un analista humano atrapa antes de que llegue al escritorio del director ejecutivo. Un agente malo ejecuta una transacción mala a escala antes de que nadie se dé cuenta de que ha sucedido. Eso cambia el perfil de riesgo por completo y fuerza un nivel de disciplina operativa que la mayoría de las empresas no ha necesitado antes. He aprendido a desconfiar de mi propio entusiasmo. La Inteligencia Artificial de agencia es fascinante, pero eso es exactamente cuando necesitas frenar y auditar los cimientos.

El informe de Genpact con HFS Research estima que la deuda empresarial no resuelta está atrapando casi $18 billones en valor potencial a nivel mundial. ¿Qué le sorprendió más sobre los hallazgos, y por qué cree que tantas organizaciones siguen subestimando el impacto de la deuda de proceso, datos, tecnología y talento?

Lo que fue revelador es la escala del valor atrapado detrás de procesos ineficientes, datos fragmentados, tecnología envejecida y desafíos de preparación de la fuerza laboral que se miden en billones de dólares.

Lo que importa más que la cifra total es cómo se estructura el problema. La mayoría de los líderes miran estos problemas como silos separados. Un problema de datos, un problema de proceso, un problema de tecnología, un problema de habilidades, cada uno tratado de forma independiente. No son separados. Los datos malos obligan a las personas a inventar soluciones manuales. Esas soluciones manuales crean complejidad en los procesos. Esa complejidad quema a las mejores personas y hace que las operaciones sean frágiles. Cuando llega una iniciativa de Inteligencia Artificial, se encuentra con todo eso simultáneamente. La Inteligencia Artificial se culpa de un fracaso que se cocinó en el negocio hace una década. Hablamos de la deuda empresarial como una carga de costos, pero es más precisamente una restricción de crecimiento. Esa distinción importa porque cambia quién es el dueño del problema y qué arreglarlo vale.

El informe encontró que el 85% de los directivos cree que la deuda empresarial limita la realización del valor de la Inteligencia Artificial. ¿Por qué cree que las empresas siguen invirtiendo mucho en Inteligencia Artificial mientras a menudo descuidan los problemas fundamentales que impiden que esas inversiones rindan dividendos?

Porque la Inteligencia Artificial es visible y los cimientos son invisibles. Cada junta directiva quiere ver una estrategia de Inteligencia Artificial. Cada director ejecutivo necesita una historia que contar. Desplegar un modelo nuevo y reluciente es un titular. Rediseñar un proceso de cadena de suministro fundamental es un trabajo de gracias, invisible, hasta que finalmente funciona.

He visto organizaciones que pasan seis meses seleccionando un modelo y seis días examinando el proceso que el modelo supone mejorar. Esa proporción está al revés, y descubren el camino difícil. El cuello de botella casi nunca es la Inteligencia Artificial. Son procesos inconsistentes, sistemas desconectados y datos que nadie ha sido responsable durante años. La Inteligencia Artificial no soluciona esas cosas. Los expone más rápido. Las estructuras de incentivos no recompensan arreglar los cimientos. No hay demo para limpiar la gobernanza de los datos. Los directivos que lo hacen en silencio están haciendo una apuesta de que la salud operativa se compone con el tiempo, pero la mayoría de las juntas no están midiendo eso.

La deuda de datos surgió como el mayor obstáculo para la Inteligencia Artificial en la investigación. ¿Qué pasos prácticos deben tomar las empresas hoy para pasar de entornos de datos fragmentados y de baja calidad a cimientos de datos que puedan respaldar la Inteligencia Artificial de agencia a escala?

Dejen de intentar lanzar un programa de gobernanza masivo y de arriba hacia abajo. Esa es una respuesta tecnológica a un problema de responsabilidad. En la mayoría de las organizaciones grandes, nadie es dueño de la precisión de la información que ejecuta el negocio.

El punto de partida práctico es elegir un puñado de procesos de alto valor y trabajar hacia atrás. ¿Qué decisiones necesitan tomarse? ¿Qué datos requieren esas decisiones? ¿Quién es dueño de esos datos? ¿Con qué frecuencia están mal? Ese ejercicio revela las brechas de responsabilidad de inmediato. Y debemos hacerlo bien porque los agentes fallan en silencio. Un analista humano ve dos sistemas en desacuerdo y toma una decisión. Un agente arbitra entre los datos en conflicto y ejecuta con total confianza. Si diferentes partes de su organización definen un cliente o una transacción de manera diferente, el agente toma decisiones confiadas con entradas malas y nada en su organización lo atrapa. Eso es una nueva categoría de riesgo operativo que la mayoría de las organizaciones no ha valorado completamente.

Los agentes no manejan la ambigüedad de la manera que los humanos. Esto también explica por qué el éxito de una solución de Inteligencia Artificial de agencia es menos sobre la inteligencia de los modelos y más sobre la calidad de las barreras que se ponen en su lugar.

Ha argumentado que no hay “Inteligencia Artificial sin inteligencia de procesos”. ¿Por qué cree que el rediseño de procesos es a menudo más importante que el modelo de Inteligencia Artificial en sí cuando las organizaciones intentan automatizar operaciones comerciales complejas?

Porque el modelo funciona tan bien como el proceso en el que está incrustado, no mejor. Las organizaciones se obsesionan con la selección de modelos porque ahí está la innovación visible, pero el proceso es donde se crea o se pierde el valor.

Si un flujo de trabajo tiene aprobaciones redundantes, trabajo duplicado o propiedad poco clara, la Inteligencia Artificial no arregla esas cosas. Las acelera. Obtiene un resultado roto más rápido y a una escala mayor. La gente a menudo piensa que un rediseño de proceso exhaustivo los frena, pero la realidad es exactamente lo contrario. Ahorra los dieciocho meses que habría pasado desenredando una mala implementación. Piense en ello como un vehículo: puede poner el mejor motor que se haya construido en un coche con ruedas mal alineadas, y todavía se desviará hacia la izquierda.

Muchas organizaciones están experimentando con agentes de Inteligencia Artificial, pero relativamente pocas han desplegado con éxito estos agentes en funciones comerciales básicas. ¿Qué separa a las empresas que están avanzando más allá de los pilotos de aquellas que siguen atascadas en el modo de prueba de concepto?

Los pilotos están diseñados para tener éxito. Se elige el mejor proceso, los datos más limpios y el equipo más motivado. Escalar significa golpear el entorno real donde ninguna de esas condiciones se mantiene.

Las organizaciones que escalan dejan de crear condiciones artificiales desde el principio. Eligen un problema operativo real, asignan un dueño que es responsable del resultado empresarial, no de la tecnología, y hornean la gobernanza en el diseño desde el día uno. Tenemos clientes que ejecutan agentes en producción en cuentas por pagar y monitoreo de transacciones. Los números de productividad están allí, pero el cambio real es estructural. El estado final es un flujo de trabajo fundamentalmente diferente donde las personas están liberadas para hacer el trabajo estratégico que nunca tuvieron tiempo de manejar antes. Escalar agentes es un desafío de liderazgo, no un desafío de software.

El informe destaca que solo el 6% de las empresas han resuelto con éxito sus principales desafíos de deuda. ¿Qué están haciendo diferente esas organizaciones, y qué errores comunes ve entre las empresas que luchan por hacer progresos significativos?

Tratan esto como un problema empresarial, no como un programa de TI. Está vinculado a la patrocinio ejecutivo y al desempeño empresarial medible. Entienden que la salud operativa no es separada de la estrategia de crecimiento. Es la estrategia de crecimiento.

El otro 94% está persiguiendo síntomas. Despliegan una herramienta para arreglar un problema de proceso o lanzan una iniciativa de Inteligencia Artificial para compensar la mala calidad de los datos. Eso produce un impulso a corto plazo, pero el problema subyacente permanece y la deuda sigue creciendo. Los líderes que rompen el ciclo están dispuestos a decir lo que la mayoría de los directivos no dirán: este proceso ha estado roto durante quince años, hemos construido modelos operativos enteros alrededor de sus fallos y vamos a desmantelarlo y reconstruirlo desde cero. Esa admisión es incómoda. Invita preguntas sobre por qué no se arregló antes. Los que toman esa decisión son los que hacen progresos reales.

Ha hablado sobre la distinción entre “Constructores de Inteligencia Artificial” y “Practicantes de Inteligencia Artificial”. ¿Cómo ve evolucionar la fuerza laboral empresarial en los próximos cinco años, y qué habilidades se volverán más valiosas a medida que los humanos trabajen cada vez más junto con agentes autónomos?

La habilidad más valiosa será saber cómo enmarcar un problema. A medida que la Inteligencia Artificial maneja más la ejecución, la calidad del resultado depende de la calidad de la pregunta y el juicio aplicado a la salida. Necesitas poder reconocer cuándo algo parece correcto pero está estructuralmente mal.

Más allá de eso, destacaría tres cosas específicas. Primero es la profundidad del dominio. Las capacidades de Inteligencia Artificial generalizadas se están convirtiendo en commodities rápidamente, así que los generalistas están perdiendo influencia. El premio irá a los expertos en dominio profundo que combinan experiencia funcional genuina con la capacidad de aplicar Inteligencia Artificial dentro de ese contexto. Segundo es el manejo de excepciones. Necesitas personas que sepan qué hacer cuando el agente golpea un muro o las apuestas financieras son demasiado altas para automatizar, lo que requiere sabiduría institucional en lugar de datos de entrenamiento. Tercero es el diseño de flujo de trabajo, lo que significa la capacidad de estructurar el trabajo para que los humanos y los sistemas inteligentes hagan cada uno lo que están mejor equipados para hacer, y reconocer cuándo esa división necesita cambiar. No es un término que la industria haya establecido aún, pero la habilidad es real y actualmente subestimada.

Hay un debate en curso sobre si la Inteligencia Artificial eliminará empleos o los transformará. Usted ha argumentado que mucha de la preocupación proviene de malentender qué hace bien la Inteligencia Artificial. ¿Cómo ve desarrollarse la relación entre la experiencia humana y los agentes de Inteligencia Artificial a medida que se acelera la adopción?

La Inteligencia Artificial es espectacular en tareas que están claramente definidas, de alto volumen y dependientes de patrones, como el procesamiento de facturas, el monitoreo de anomalías comerciales y la redacción de comunicaciones rutinarias. Hace esas cosas más rápido y a una escala que ningún equipo humano puede igualar. Sin embargo, la Inteligencia Artificial no puede asumir la responsabilidad de los resultados del mundo real, ni puede manejar cosas como la novedad, la ambigüedad y las relaciones humanas complicadas, lo que es por qué la experiencia humana sigue siendo esencial.

La mayoría de los trabajos son una colección de tareas, no una sola actividad, y la Inteligencia Artificial absorberá la capa de ejecución con el tiempo. Eso no elimina la necesidad de personas, solo cambia dónde crean valor. A medida que el trabajo rutinario se automatiza, la experiencia se desplaza hacia la resolución de excepciones, el rediseño de procesos y la ayuda a las organizaciones a adaptarse a medida que evolucionan las necesidades tecnológicas y comerciales. Algunos roles cambiarán significativamente, y los líderes tienen la responsabilidad de abordar si el nuevo trabajo que se crea es accesible para las personas cuyo trabajo antiguo desaparece. La respuesta depende casi por completo de las decisiones que toman las organizaciones sobre capacitación y transición. Esa es una decisión de liderazgo, no un resultado tecnológico. Las empresas que más respeto son las que están siendo honestas con sus equipos sobre qué roles están cambiando, sobre qué calendario, dónde la experiencia humana sigue siendo extremadamente valiosa y qué caminos realistas hacia el futuro parecen.

Mirando hacia adelante, ¿cómo se ve una empresa verdaderamente agente en la práctica? Si volvemos a esta conversación dentro de cinco años, ¿qué cambios en las operaciones comerciales, el diseño organizacional y el despliegue de Inteligencia Artificial esperaría que se hayan vuelto estándar en las empresas líderes?

Dejarán de hablar de la Inteligencia Artificial como una iniciativa separada, al igual que dejamos de hablar de ir digital. Simplemente será cómo se hace el trabajo.

El cambio estructural es lo que más me interesa. Gran parte de nuestra jerarquía actual existe porque la información era difícil de mover. Tenemos cadenas de aprobación y roles de coordinación porque la información tenía que viajar desde donde se creó hasta donde se tomaron las decisiones. Los agentes colapsan esa distancia. Cuando lo hacen, una cantidad significativa de infraestructura de coordinación se vuelve redundante. Las organizaciones que reconocen esto temprano y lo rediseñan tendrán una ventaja de velocidad que se compone.

También veremos un cambio en cómo se compra y entrega la Inteligencia Artificial. Las empresas de software construyen productos pero no asumen la responsabilidad de los resultados. Las empresas de servicios asumen la responsabilidad pero luchan por construir productos escalables. Ambos modelos son inadecuados. Lo que estamos construyendo en Genpact es Inteligencia Artificial productizada en dominios específicos, entregada como un resultado. Compras el resultado y estamos obligados a ello. Creo que eso se vuelve el estándar porque alinea los incentivos correctamente. El proveedor que solo vende capacidad no tiene participación en si funciona en su entorno. Los que son responsables del resultado tienen toda la participación. Los ganadores de esta era no se definirán por tener los modelos de Inteligencia Artificial más sofisticados. Se definirán por dominar el rediseño estructural entre humanos, procesos y sistemas inteligentes. Estamos solo en el día uno de ese cambio.

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