Ankur Dhingra, ProHancen toimitusjohtaja – Haastattelusarja

Ankur Dhingra, ProHancen toimitusjohtaja, on kokenut teknologia‑ ja operaatiojohtaja, jolla on yli kahden vuosikymmenen kokemus yritystuottavuudesta, rahoituspalveluista ja globaaleista liiketoiminnoista. Hän on johtanut ProHancea vuodesta 2020, keskittyen yhtenäisen alustan rakentamiseen, jonka avulla voidaan tarkkailla, hallita ja parantaa tuottavuutta ihmistyöntekijöiden, toimittajien ja AI‑järjestelmien välillä. Ennen toimitusjohtajaksi ryhtymistään Dhingra toimi Partnerina FutureIP:ssä, jossa ProHance kehitettiin operaatioiden hallinta‑ ja analytiikkaplatformiksi. Aikaisemmin hän vietti yli kahdeksan vuotta American Expressilla, toimien Vice Presidentinä ja General Managerina Global Back Office Operations -toiminnoissa sekä aiemmin johdatti asiakasvuorovaikutustoimintoja, jotka sisälsivät laajamittaiset puhelin-, chat‑, sääntely‑ ja liiketoiminnan varmistamistoiminnot. Hänen uransa sisältää myös ylimmän johdon tehtäviä Genpactissa, jossa hän johti 1 100 hengen pankkipalvelukäytäntöä ja 35 miljoonan dollarin P&L, sekä GE Capitalissa, jossa hän johti rahoituspalveluoperaatioita Intiassa.

ProHance on yritystason työvoiman älykkyys‑ ja tuottavuusanalytiikkayritys, joka tarjoaa organisaatioille reaaliaikaisen näkyvyyden siihen, miten työtä tehdään työntekijöiden, ulkoisten toimittajien, AI‑apulaisjärjestelmien ja autonomisten agenttien kesken. Sen alusta, jota markkinoidaan “Productivity Control Room” –konseptina, yhdistää työvoima‑analytiikan, kapasiteetin suunnittelun, älykkään työnjakamisen, tuottavuusmittauksen ja hallintatyökalut, jotta yritykset voivat tunnistaa operatiiviset pullonkaulat, optimoida resurssien käyttöä ja ymmärtää AI:n vaikutuksen organisaation suorituskykyyn. ProHancen mukaan sen teknologiaa käyttää yli 450 000 käyttäjää 220 yrityksessä 55 maassa, ja sen sovellukset kattavat pankki‑ ja rahoituspalvelut, liiketoimintaprosessien ulkoistamisen, globaalit kyvykkyyskeskukset, terveydenhuollon ja tietotekniikan.

Vietit yli kaksi vuosikymmentä johdettua suuria operaatioita GE Capitalissa, Genpactissa ja American Expressissa ennen kuin tulit ProHancen toimitusjohtajaksi. Mitä nuo kokemukset opettivat sinulle perinteisen työvoima‑ ja tuottavuuden hallinnan rajoituksista, ja miten ne ovat muokanneet tapaa, jolla rakennat ProHancea AI‑ensimmäisenä yrityksenä?

Kokemukseni GE Capitalissa, Genpactissa ja American Expressissa opetti minulle, että yksi suurimmista puutteista perinteisessä työvoiman hallinnassa ei ole välttämättä etupäässä, vaan takatoimistoissa.

American Expressilla työskentelin aiemmin asiakaspalvelun puolella, jossa puhelinkeskuksella oli melko kehittynyt teknologia tuottavuuden mittaamiseen – milloin ihmiset käyttivät aikaansa, käyttöaste, vuorovaikutusmäärät ja miten prosesseja voitaisiin optimoida. Kun siirryin johtamaan takatoimisto‑operaatioita, näin kuitenkin hyvin erilaisen todellisuuden.

Suuri osa työstä suurissa yrityksissä tapahtuu kulissien takana – tapahtumien käsittely, tapausten hallinta, tietojen syöttö ja muut prosessiperusteiset toiminnot – mutta näiden töiden toteutumisesta oli hyvin vähän merkityksellistä mittaamista. Etupään teknologia ja näkyvyys eivät yksinkertaisesti siirtyneet takatoimistoihin.

Tuli lähes järjettömän pakkomielteinen ongelman suhteen. Aloin tarkastella saatavilla olevia teknologioita ja keskustella vakiintuneiden toimijoiden kanssa, mutta löysin joko kömpelöitä, liian kalliita tai yksinkertaisesti takatoimiston todellisuuksiin soveltumattomia ratkaisuja. Ajattelin jatkuvasti: kyseessä on yli 150 miljardia dollaria suuri toimiala, ja tämä ongelma on ollut olemassa vuosia. Joku varmasti on löytänyt paremman ratkaisun.

Tuo etsintä johti minut lopulta ProHanceen, jossa Rajesh Sharma ja Kishore Reddy (ProHancen perustajat) olivat jo rakentaneet teknologian, joka ratkaisi monia haasteita, joita olin tunnistanut näiden järjestelmien edistyneenä käyttäjänä. Tiesin tarkalleen, mitä teknologian täytyi tehdä – tallentaa toiminta automaattisesti, toimia eri käyttöjärjestelmien välillä, mitata aikaa sekä järjestelmän sisällä että sen ulkopuolella, ja tarjota luotettava kuva siitä, miten työ todellisuudessa tapahtuu.

Tuo kokemus muokkasi nykyistä käsitystäni ProHancesta. Opetus on, että AI‑ensimmäistä yritystä ei voi rakentaa pelkästään lisäämällä AI:ta olemassa oleviin työvoiman hallintatyökaluihin. Ensin täytyy saada luotettava, yksityiskohtainen ymmärrys itse työstä. AI voi sitten muuttaa tapaa, jolla työtä analysoidaan, optimoidaan ja lopulta suunnitellaan uudelleen.

Minulle ProHance tarkoittaa sen saman tason näkyvyyden ja älykkyyden tuomista, jonka yritykset ovat perinteisesti omanneet etupäässä, koko organisaatiolle – ja AI:n hyödyntämistä parempaan tuottavuusmittaukseen, mikä perinpohjaisesti parantaa työn toteutumista.

Kun generatiivinen AI ja AI‑agentit ottavat yhä suuremman osan tiedollisesta työstä, perinteiset tuottavuusindikaattorit, kuten työtunnit tai sovelluksen käyttö, voivat menettää merkityksensä. Miten yritysten tulisi määritellä tuottavuus uudelleen, kun ihminen pystyy saavuttamaan 30 minuutissa sen, mitä aiemmin kesti useita tunteja?

Tuottavuuden on siirryttävä toiminnan mittaamisesta tulosten mittaamiseen. Jos AI mahdollistaa jonkun suorittamaan 30 minuutissa sen, mitä aiemmin kesti kolme tuntia, kolmen tunnin vertailuarvo ei enää ole merkityksellinen. Keskittymisen tulisi olla saavutetussa, tuloksen laadussa ja siinä, kuinka tehokkaasti aikaa ja taitoja hyödynnettiin.

Tämä tarkoittaa myös, että yritysten on ymmärrettävä, missä AI todella poistaa toistavaa työtä ja missä ihmisen harkinta on edelleen kriittistä. Tuottavuuden tulisi yhä enemmän heijastaa tuloksia, kapasiteettia, laatua ja liiketoiminnan vaikutusta, eikä pelkästään työpöydällä vietettyjä tunteja tai sovelluksen käyttöä.

Olet kuvannut työvoiman älykkyyttä yhä kriittisemmäksi AI‑ensimmäisessä yrityksessä. Mitä “työvoiman älykkyys” käytännössä tarkoittaa, ja miten se eroaa perinteisistä työntekijöiden valvonta‑ ja työvoima‑analytiikkatyökaluista, joita yritykset ovat käyttäneet historiallisesti?

Työvoiman älykkyys tarkoittaa olennaisesti organisaation antamista selkeämmästä käsityksestä siitä, miten työ todellisuudessa tapahtuu. Se kokoaa yhteen signaaleja työkuormasta, kapasiteetista, hyödyntämisestä, prosesseista ja tuloksista, auttaen johtajia havaitsemaan, missä tiimit ovat ylikuormitettuja, missä kapasiteettia on ja missä työ juuttuu.

Tämä eroaa perinteisestä työntekijöiden valvonnasta, joka usein keskittyi yksittäiseen toimintaan. Työvoiman älykkyyden tulisi toimia paljon laajemmalla tasolla. Tavoitteena ei ole kysyä “Mitä tämä työntekijä tekee jokaisella minuutilla?”, vaan “Miten työ virtaa organisaatiossa, ja mitä voimme tehdä sen parantamiseksi?”

ProHance yhdistää yhä enemmän determinististä työvoimatietoa koneoppimiseen tuottaakseen ennakoivia oivalluksia, mukaan lukien mahdollisen sitoutumisen heikkenemisen ja pysyvyyden riskien tunnistaminen. Miten varmistat, että nämä AI‑mallit erottavat merkitykselliset kuviot normaalista työntekijäkäyttäytymisen vaihtelusta, ja kuinka tärkeä selitettävyys on, kun johtajat tekevät päätöksiä ihmisistä?

ProHancessa uskomme, että taustatietojen laatu ja konteksti ovat ratkaisevia. Työntekijöiden käyttäytyminen vaihtelee luonnollisesti projektien, työkuormien, tiimien, kausien ja liiketoimintasyklien mukaan. Pelkkä toiminnan muutos ei välttämättä merkitse sitoutumisen heikkenemistä tai pysyvyyden riskiä.

Lähestymistapa on etsiä kuvioita useiden signaalien ja ajan myötä, sen sijaan että vetäisi johtopäätöksiä yhdestä käyttäytymisestä. AI voi auttaa tunnistamaan kuvioita, jotka ansaitsevat huomiota, mutta sitä ei tule pitää lopullisena päätöksentekijänä.

Selitettävyys on yhtä tärkeää. Jos järjestelmä merkitsee mahdollisen riskin, johtajien tulisi pystyä ymmärtämään signaalin taustalla olevat tekijät ja soveltamaan omaa harkintaansa. Kun teknologiaa käytetään ihmisiin liittyvien päätösten tukena, läpinäkyvyys ja ihmisen valvonta ovat olennaisia.

On ymmärrettävää, että työntekijöillä on huolta, kun organisaatiot ottavat käyttöön teknologiaa, joka pystyy analysoimaan työkuvioita, sovelluksen käyttöä, tyhjäkäyntiä tai suorituskykyä. Missä yritysten tulisi vetää raja hyödyllisen operatiivisen näkyvyyden ja valvontakulttuurin välillä?

Raja määräytyy pitkälti tarkoituksen, läpinäkyvyyden ja tiedon käytön perusteella. Työntekijät tuntevat ymmärrettävästi epämukavuutta, kun teknologia otetaan käyttöön ilman selkeyttä siitä, mitä mitataan ja miksi.

Tavoitteena tulisi ymmärtää työ organisaatio- ja operatiivisella tasolla, eikä jatkuvasti tarkkailla yksilöitä. Jos työvoimatiedot auttavat havaitsemaan liiallisia työkuormia, pullonkauloja tai tehottomia prosesseja, ne voivat itse asiassa parantaa työntekijäkokemusta.

Yritysten tulisi myös olla selkeitä siitä, mitä ne eivät yritä tehdä. Teknologian tulisi auttaa johtajia käymään parempia keskusteluja tiimiensä kanssa, ei korvata näitä keskusteluja tai luoda jatkuvan tarkkailun järjestelmää.

AI‑apulaiset ja autonomiset agentit tulevat yhä enemmän osaksi itse työvoimaa. Uskotko, että työvoiman älykkyysalustojen täytyy lopulta mitata ihmisten ja AI‑agenttien tuottavuutta yhdessä, ja miltä merkityksellinen ihmisen ja AI:n välinen tuottavuusmittari voisi näyttää?

Kyllä, uskon että tästä tulee yhä tärkeämpää. Kun AI‑agentit alkavat ottaa osia työnkulkuista, pelkkä ihmistoiminnan mittaaminen antaa yrityksille puutteellisen kuvan siitä, miten työ toteutuu.

En kuitenkaan usko, että päädymme yksinkertaisesti yhteen “ihminen vastaan AI” -tuottavuuspisteeseen. Hyödyllisempi lähestymistapa olisi ymmärtää ihmisten, AI‑työkalujen ja -agenttien yhdistetty tuotanto työnkulun aikana.

Yritykset voisivat tarkastella, kuinka paljon aikaa AI poistaa toistuvista tehtävistä, kuinka nopeasti prosessit etenevät, tulosten laatua ja missä ihmisen puuttuminen on edelleen tarpeen. Todellinen kysymys on: kuinka tehokkaasti ihmiset ja AI työskentelevät yhdessä?

ProHance puhuu siirtymisestä pelkästä tuottavuusmittauksesta kohti operatiivista älykkyyttä, mukaan lukien työkuorman analyysi, ennustaminen, prosessien optimointi ja resurssien kohdentaminen. Kuinka suuri osa tämän kategorian tulevaisuudesta tulee käsittelemään AI:n proaktiivista suositusta siitä, mitä johtajien tulisi muuttaa sen sijaan, että heille vain näytettäisiin koontinäyttöjä?

Uskon, että juuri tähän ProHance näkee kategorian suuntaavan. Koontinäytöt ovat hyödyllisiä, mutta ne jättävät johtajille edelleen vastuun tulkita tietoa ja päättää, mitä seuraavaksi tehdään.

Seuraava vaihe on, että alustat tunnistavat kuvion ja auttavat vastaamaan “mitä meidän tulisi tehdä sen suhteen?” Tämä voi tarkoittaa ylikuormitetun tiimin korostamista, alihyödyntävän osaamisalueen tunnistamista, kapasiteettivajeen ennustamista tai ehdotusta, missä prosessia voitaisiin parantaa.

ProHancelle arvo tulee yhä enemmän siirtymisestä näkyvyydestä toimintaan. AI:n tulisi auttaa johtajia tekemään parempia päätöksiä, mutta päätös itse säilyy henkilöllä, joka ymmärtää liiketoiminnan ja kontekstin.

Olet verrannut tuottavuusälyä organisaation vuotuiseen terveyskatsaukseen. Mitkä ovat tärkeimmät signaalit, joita johtajien tulisi tarkastella selvittääkseen, onko heidän työvoimansa todella terve, tuottava ja sopeutuu menestyksekkäästi AI:hin?

Tutkisin yhdistelmää signaaleja yhden tuottavuuslukeman sijaan. Kapasiteetti ja työkuorma ovat ilmeisiä lähtökohtia, mutta johtajien tulisi myös ymmärtää, onko työ jakautunut tehokkaasti, missä pullonkauloja syntyy, miten tiimit sopeutuvat AI:hin ja käyttävätkö ihmiset liikaa aikaa vähäarvoisiin tehtäviin.

Toinen tärkeä signaali on kestävyys. Tiimi, joka tuottaa poikkeuksellista tulosta, koska ihmiset työskentelevät jatkuvasti kohtuullista kapasiteettia yli, ei välttämättä ole terve tai tuottava pitkällä aikavälillä.

Terve työvoima on sellainen, jossa kapasiteetti, työkuorma ja tulokset ovat kohtuullisesti tasapainossa, ihmisillä on mahdollisuus keskittyä korkeamman arvon työhön, ja organisaatio pystyy sopeutumaan työn luonteen muuttuessa.

“Tuottavuus” on saanut monille työntekijöille negatiivisia mielikuvia, koska se voi tarkoittaa enemmän työtä vähemmän ihmisiä käyttäen. Miten organisaatiot voivat palauttaa käsitteen merkityksen ja hyödyntää AI‑ohjattua tuottavuusälyä parantaakseen työntekijäkokemusta, vähentääkseen uupumusta ja poistaakseen vähäarvoisen työn sen sijaan, että vain lisäisi tuotosta?

Organisaatioiden täytyy siirtyä pois tuottavuuden määrittelystä pelkästään “enemmän tuotosta vähemmän ihmisillä”. Tämä määritelmä on liian suppea, erityisesti AI‑avusteisessa työympäristössä.

AI:n tulisi ihanteellisesti palauttaa ihmisille aikaa, joka nykyisin kuluu toistuvaan hallintoon, manuaalisiin prosesseihin ja vähäarvoisiin tehtäviin. Mahdollisuus on käyttää tämä aika ongelmanratkaisuun, asiakaskohtaamisiin, innovointiin ja työhön, joka vaatii ihmisen harkintaa.

Jos tuottavuusälyä käytetään tunnistamaan, missä ihmiset ovat ylikuormitettuja tai käyttävät aikaa tehottomasti, siitä voi itse asiassa tulla työntekijäkokemuksen työkalu. Tavoitteena tulisi tehdä työstä parempaa, ei vain saada ihmiset työskentelemään nopeammin.

Katsottaessa tulevaisuuteen, kun AI upotetaan lähes kaikkiin yritysten työnkulkuihin, mitkä tekijät mielestäsi erottavat ne organisaatiot, jotka onnistuneesti täydentävät työvoimaansa AI:lla, niistä, jotka ottavat teknologian käyttöön mutta eivät saa siitä merkittäviä tuottavuusvoittoja?

Organisaatiot, jotka hyötyvät eniten AI:sta, ovat ne, jotka katsovat teknologian käyttöönoton ohi. Pelkkä AI‑työkalun käyttöoikeus ei automaattisesti tuota tuottavuusvoittoja.

Johtajat ymmärtävät, missä AI muuttaa työnkulkuja, miten roolit kehittyvät ja saako organisaatio todella parempia tuloksia teknologiasta. He mittaavat myös jatkuvasti, mikä toimii, ja säätävät sen mukaisesti.

Lopulta menestyvät organisaatiot suhtautuvat AI:n käyttöönottoon muutoksena siihen, miten työ tehdään, eivätkä pelkästään teknologian toteutuksena. Ne yhdistävät AI:n oikeisiin prosesseihin, taitoihin, työvoiman näkyvyyteen ja johtamiskäytäntöihin. Tämä määrää, muuttuuko AI todelliseksi tuottavuusetuudeksi vai jääkö se vain teknologian lisäkerrokseksi.

Kiitos erinomaisesta haastattelusta. Lukijat, jotka haluavat oppia lisää, kannattaa käydä osoitteessa ProHance.