Deepak Kinger, EvoluteIQ’n strategiajohtaja ja toinen perustaja – haastattelusarja

Deepak Kinger, EvoluteIQ’n strategiajohtaja ja toinen perustaja, on kokenut teknologia- ja liiketoimintajohtaja, jolla on yli kahden vuosikymmenen kokemus yritysten uudistamisesta, rahoituspalveluista, automaatiosta ja tekoälystä. EvoluteIQ’ssa hän osallistuu yrityksen kokonaisstrategian muotoiluun ja johtaa samalla keskeisiä teknologia-alliansseja, ratkaisukumppanuuksia, markkinointia ja analyytikkosuhteita. Ennen EvoluteIQ’n perustamista vuonna 2019 Kinger toimi johtotehtävissä yrityksissä GALE Partners, Virtusa, Sapient, Headstrong, Wipro ja Mphasis. Hänen vastuunsa vaihtelivat Aasian ja Tyynenmeren alueen rahoituspalveluliiketoimintojen johtamisesta ja ylimmän johdon neuvomisesta digitaalisessa muutoksessa uusien liiketoiminta-alueiden rakentamiseen ja laajamittaisten teknologiatoimeksiantojen johtamiseen. Hänen kokemuksensa kattaa strategian, liiketoiminnan kehittämisen, asiakassuhteiden hallinnan, tulosvastuun, operatiivisen toiminnan ja uudet teknologiat, kuten tekoälyn, koneoppimisen, robottiprosessiautomaation, lohkoketjun ja datatieteen.

EvoluteIQ on yrityksille tekoäly- ja älyautomaatioratkaisuja tarjoava yhtiö, joka auttaa organisaatioita automatisoimaan ja orkestroimaan monimutkaisia, päästä päähän ulottuvia liiketoimintaprosesseja. Sen EIQ Platform yhdistää agenttipohjaisen tekoälyn, generatiivisen tekoälyn, prosessi- ja päätöksentekoautomaation, älykkään RPA:n, tapahtumien käsittelyn, data-arkkitehtuurin, analytiikan, yritysjärjestelmien liitännät ja monikanavaisen sovelluskehityksen vähäkoodiseen tai koodittomaan ympäristöön. Alusta on suunniteltu auttamaan yrityksiä yhdistämään olemassa olevia järjestelmiä, rakentamaan ja ottamaan käyttöön tekoälyagentteja ja automatisoituja työnkulkuja, seuraamaan tuloksia sekä laajentamaan automaatiota esimerkiksi asiakaskokemuksen, taloushallinnon, operatiivisen toiminnan, myynnin ja toimitusketjun hallinnan alueille. Vuonna 2019 perustettu EvoluteIQ on laajentanut painopistettään agenttipohjaiseen yritysautomaatioon muun muassa AI Workbench- ja Agentic Mesh Architecture -teknologioiden avulla. Vuonna 2025 yhtiö ilmoitti 53 miljoonan dollarin vähemmistösijoituksesta, jota johti Baird Capital ja jonka tarkoituksena on tukea kansainvälistä laajentumista sekä lisäinvestointeja yhtiön Bangaloren tutkimus- ja kehitystoimintaan.

Ennen EvoluteIQ’n perustamista vuonna 2019 työskentelit kahden vuosikymmenen ajan rahoituspalvelujen, yritysteknologian ja digitaalisen muutoksen parissa. Millaisia toistuvia ongelmia havaitsit suurissa organisaatioissa, mikä lopulta sai sinut vakuuttumaan siitä, että EvoluteIQ’n perustamiselle oli tilaisuus, ja mitä halusit tehdä toisin?

Ennen EvoluteIQ’ta työskentelin konsultoinnin parissa 25 vuotta. Suuri osa työstäni liittyi suurten rahoituslaitosten muutoshankkeiden tukemiseen. Näihin kuuluivat niin varhaiset digitaalisen pankkitoiminnan ohjelmat kuin kaupankäynti, riskienhallinta ja laajemmat päästä päähän ulottuvat uudistukset. Ajan mittaan näin automaation kysynnän kasvavan, ja autoimme yrityksiä ottamaan käyttöön joidenkin suurimpien toimittajien alustoja.

Meitä motivoi EvoluteIQ’n perustamiseen ennen kaikkea mahdollisuus siirtyä muiden teknologian käyttöönotosta oman ratkaisun rakentamiseen. Näimme mahdollisuuden kehittää yhtenäisempi tapa toteuttaa automaatiota sen sijaan, että yritysten olisi koottava yhteen useita teknologioita, lisenssejä ja integraatiokerroksia. Tämä oli yksi syy siihen, että perustimme EvoluteIQ’n vuonna 2019.

Aiemmassa Unite.AI-haastattelussammeyhtiökumppaninne Sameet Gupte käsitteli EvoluteIQ’n laajempaa visiota, jossa yritykset siirtyvät tehtäväpohjaisesta automaatiosta tekoälylähtöiseen, päästä päähän ulottuvaan autonomiseen toimintaan. Miten sääntelymuutosten hallinta havainnollistaa, miksi yksittäisten tehtävien automatisoinnista on tarpeen siirtyä kokonaisten liiketoimintaprosessien orkestrointiin?

Sääntelymuutos vaikuttaa harvoin vain yhteen irralliseen tehtävään. Vuonna 2020 rakensimme ratkaisun LIBOR-siirtymää varten. Pankit kohtasivat laajamittaisen muutoksen, joka vaikutti olemassa oleviin sopimuksiin ja edellytti operatiivisten tiimien, avustavien lakimiesten ja liiketoimintatiimien tarkistavan ja korjaavan niitä. Monet laitokset vastasivat tilanteeseen käytännössä lisäämällä ongelman ratkaisemiseen henkilöstöä. LIBOR-siirtymästä opimme, että yksittäinen sääntely muuttuu, mutta sen taustalla oleva haaste toistuu. Sääntelymuutokset ja vaatimustenmukaisuus ovat jatkuvia toiminnallisia velvoitteita.

Uusimpien FinCen-ehdotettujen muutosten yhteydessä, jotka koskevat rahanpesun ja terrorismin rahoittamisen torjuntaa (AML/CFT), näemme siirtymän pois hyvin yksityiskohtaisesti määrätystä, rastiruutujen täyttämiseen perustuvasta vaatimustenmukaisuusmallista. Tämä itse asiassa nostaa vaatimustenmukaisuuden rimaa sen sijaan, että helpottaisi työtä, sillä laitosten on tulkittava sääntelyä, määriteltävä omat riskinsä ja päätettävä, mitä nämä riskit merkitsevät niiden toimintamallille. Muutos ulottuu väistämättä organisaation eri osastoille ja toimintoihin, ei vain vaatimustenmukaisuudesta ja auditoinnista vastaaville tiimeille.

Olet esittänyt, että pankkien pitäisi lakata käsittelemästä jokaista merkittävää sääntelymuutosta uutena muutoshankkeena ja sen sijaan rakentaa sääntelymuutosten hallinnasta pysyvä toiminnallinen valmius. Miltä tällainen toimintamalli näyttäisi käytännössä, ja miksi rahoituslaitosten on perinteisesti ollut vaikea kehittää sitä?

Uudessa toimintamallissa ymmärrettäisiin, että muutos on jatkuvaa: kyse ei enää ole prosessista, joka on otettava käyttöön neljännesvuosittain tai vasta tilintarkastajien kolkutellessa ovelle. LIBOR-ratkaisun rakentaminen osoitti meille, että vaikka yksittäinen sääntelymuutos saataisiin lopulta toteutettua, sopeutumisen tarve ei katoa. Muutoksen ymmärtäminen, sen kääntäminen toiminnallisiksi vaatimuksiksi ja prosessien päivittäminen ovat tarpeen myös seuraavan sääntelymuutoksen yhteydessä.

Uuden toimintamallin ei myöskään pidä jäädä vaatimustenmukaisuustoiminnon sisäiseksi siiloksi. Riskiperusteisemmassa mallissa vaatimustenmukaisuudesta vastaava toiminto voi edelleen viime kädessä omistaa vastuun sääntöjen noudattamisesta, mutta operatiivisen toiminnan, lakiasioiden ja joissakin tapauksissa myös vastapuoliriskien hallinnan merkitys kasvaa. Yksi instituutioiden mahdollisista virheistä on aliarvioida, miten laajasti sääntelymuutos vaikuttaa organisaatioon.

Tämä on perinteisesti ollut vaikeaa, koska yrityksille on kertynyt pirstaleisia teknologiajärjestelmiä ja siiloutuneita toimintamalleja. Kun eri liiketoimintayksiköt käyttävät erillisiä RPA-, BPM-, raportointi- ja muita alustoja, uuteen vaatimukseen vastaamisesta tulee itsessään integraatioprojekti.

Kun uusi sääntely tulee voimaan, pankin on ehkä selvitettävä, mihin asiakkaisiin, tuotteisiin, sopimuksiin, järjestelmiin ja prosesseihin se vaikuttaa. Millä tavoin tekoäly voi olennaisesti parantaa vaikutusanalyysia, ja missä prosessin osissa tarvitaan edelleen deterministisiä sääntöjä tai ihmisen harkintaa?

Tekoäly voi vähentää merkittävästi sitä manuaalisen työn määrää, jota sääntelymuutosten ymmärtäminen ja toteuttaminen edellyttää. Tekoäly voi erityisesti auttaa analysoimaan ja luokittelemaan suuria tietomääriä sekä tunnistamaan, mihin ihmisten huomio kannattaa kohdistaa. Esimerkiksi EvoluteIQ:n sääntelymuutoksiin vastaamiseen tarkoitetut valmiudet voivat luokitella ja asettaa sopimukset tärkeysjärjestykseen asiakkaan ja omaisuuslajin perusteella, yhdistää nämä tiedot yrityksen järjestelmiin ja ulkoisiin tietolähteisiin sekä koordinoida sen jälkeen jatkotoimia lakiasioissa, riskienhallinnassa ja operatiivisessa toiminnassa. Näin instituutiot voivat siirtyä mahdollisten vaikutuskohteiden tunnistamisesta muutosten hallintaan prosessin kaikissa vaiheissa.

Ihmisen valvonta ja ohjaus ovat edelleen välttämättömiä. Säännellyssä prosessissa on vaiheita, joissa instituutio tarvitsee selkeästi määritellyt liiketoimintasäännöt, ehdot, poikkeukset ja eskalointikäytännöt. Meidän kannattamassamme mallissa yhdistyvät tekoälyn mukautuvuus, deterministinen automaatio ja ihmisen harkinta silloin, kun se on tarkoituksenmukaista. Tekoäly voi auttaa tulkitsemaan asioita ja tuomaan esiin ne, jotka saattavat vaatia toimia; deterministisillä säännöillä voidaan ohjata määriteltyjen päätösten toteutusta; ja poikkeukset tai harkintaa vaativat päätökset voidaan siirtää asianmukaisen henkilön käsiteltäviksi.

Sääntelyn täytäntöönpano koskee usein lakiasioiden, vaatimustenmukaisuuden, riskienhallinnan, operatiivisen toiminnan, datan ja teknologian tiimejä. Miten tekoäly ja prosessien orkestrointi voivat auttaa näitä ryhmiä muodostamaan yhteisen tulkinnan sääntelystä sen sijaan, että ne loisivat erillisiä työnkulkuja ja mahdollisesti keskenään ristiriitaisia liiketoimintasääntöjä?

Riskiperusteisempaan vaatimustenmukaisuusmalliin liittyy ennen kaikkea se, että vastuu jakautuu laajemmalle organisaatiossa. Vaatimustenmukaisuus voi edelleen olla se alue, jolle vastuu viime kädessä kuuluu, mutta operatiivisen toiminnan, lakiasioiden ja vastapuoliriskien hallinnan tiimeillä on kaikilla tärkeä rooli. Siksi instituutioiden on vältettävä käsittelemästä täytäntöönpanoa tehtävänä, jonka vaatimustenmukaisuustoiminto voi hoitaa erillään muusta organisaatiosta.

Siksi integroitu alusta on avainasemassa. Suuressa organisaatiossa eri rekisterijärjestelmät ja liiketoimintasäännöt on yhdistettävä tässä uudessa mallissa, mutta samalla on otettava huomioon tietoturvaan liittyvät monimutkaisuudet. Yhtenäinen lähestymistapa voi pienentää riskiä, että organisaation eri osat toteuttavat samaa muutosta täysin erillisillä teknologiakokonaisuuksilla.

Generatiivinen tekoäly pystyy tulkitsemaan monimutkaisia sääntelyasiakirjoja, mutta pankeilla ei ole varaa hallusinaatioihin tai epäjohdonmukaisiin tulkintoihin, kun kyse on vaatimustenmukaisuutta koskevista päätöksistä. Millaisia suojatoimia sääntelymuutosten käsittelyssä käytettäviin tekoälyjärjestelmiin tulisi rakentaa, ja missä vaiheissa ihmisten asiantuntijuuden tulisi edelleen olla mukana päätöksenteossa?

Ensinnäkään tekoälyagentteja ei pidä ottaa käyttöön erillään muusta kokonaisuudesta, sillä ilman asianmukaista hallintamallia ne voivat johtaa agenttien hallitsemattomaan lisääntymiseen.

Toiseksi organisaation automaatiomahdollisuuksia eivät rajoita pelkästään sen tekniset valmiudet, vaan myös sääntely, yksityisyydensuoja ja se, mitä tietoja voidaan jakaa laillisesti.

Keskeisenä suunnitteluperiaatteena on, että tekoälyn tulee nopeuttaa tulkintatyötä ottamatta kuitenkaan vastuuta päätöksistä. Vaatimustenmukaisuudesta vastaavat nimetyt henkilöt, kuten sääntelyviranomaiset edellyttävät. Suojatoimet jakautuvat kahteen ryhmään: tekoälyn tuottaman sisällön hallintaan ja ihmisten päätöksentekopisteiden harkittuun sijoittamiseen. Tekoälyn jokaisen tuotoksen tulee perustua auktoritatiiviseen lähteeseen, ja tekoälyjärjestelmään on asetettava sekä syötteitä että tulosteita koskevat suojarajat.

Lopuksi jokaisesta tuotoksesta tulee ylläpitää tarkastusketjua, johon kirjataan lähteenä käytetyt sopimuslausekkeet, mallin ja kehotteen versiot, varmuustaso, tarkastaja, päätös ja sen perustelut.

Tarkastettavuus on erityisen tärkeää rahoituspalveluissa. Jos tekoäly auttaa tulkitsemaan sääntelyä, laatimaan liiketoimintasääntöjä, tunnistamaan vaikutusten kohteena olevia asiakkaita ja käynnistämään työnkulkuja, miten instituutiot voivat säilyttää selkeän todistusketjun, josta sääntelyviranomaiset näkevät täsmälleen, miten ja miksi kukin päätös tehtiin?

Tarkkailtavuuden on mentävä pitkälle säännellyillä toimialoilla lopullisen päätöksen dokumentointia pidemmälle. Paljon hyödyllisempää on nähdä jälkikäteen rekonstruoitu tapahtumaketju, joka johti lopulliseen päätökseen: mitä tietoja käytettiin, mitä sääntöjä sovellettiin, mitä päätöksiä tehtiin, mitä muutoksia prosessin aikana tapahtui, missä vaiheissa ihmiset puuttuivat siihen ja mitä he hyväksyivät.

Kun useat agentit, liiketoimintasäännöt ja työnkulut ovat vuorovaikutuksessa keskenään, tarkkailtavuuden merkitys korostuu entisestään. Auditointivalmius on rakennettava orkestrointikerrokseen. Päätösketjujen avulla voidaan seurata päätöksiä, sääntömuutoksia ja niiden perusteluja, kun taas agenttien päästä päähän ulottuva tarkkailtavuus antaa näkyvyyden itsenäisten toimintojen ketjuun.

Jos valvontaviranomainen kysyy, miksi tiettyä asiakasta, sopimusta tai liiketointa käsiteltiin tietyllä tavalla, rahoituslaitoksen pitäisi pystyä jäljittämään lopputulos takaisin siihen johtaneisiin tietoihin, sääntöihin, tekoälyn tekemiin päätöksiin, hyväksyntöihin ja toimenpiteisiin. Näin selitettävyydestä tulee mallitasolla ratkaistavan kysymyksen sijaan operatiivinen kyvykkyys.

Suuret pankit toimivat vuosikymmenten aikana rakentuneen vanhan infrastruktuurin varassa, ja keskeiset asiakas- ja tapahtumatiedot ovat hajallaan monissa järjestelmissä. Miten ne voivat rakentaa uudelleenkäytettävän tekoälypohjaisen vaatimustenmukaisuuskerroksen yrittämättä korvata taustalla olevaa teknologiaa kalliisti? 

Kaikkien uusien yritystason kyvykkyyksien on toimittava nykyisessä infrastruktuurissa. Ei ole realistista odottaa muuta. Myös järjestelmien yhdistäminen on tärkeää, sillä kuulemme asiakkailta yhä useammin, että heillä on käytössään useita RPA-alustoja tai vanha BPM-järjestelmä sekä useita erillisiä raportointiteknologioita eri puolilla yritystä. Asiakkaamme korostavat yhä vahvemmin, että heidän kannattaa keskittyä työkaluihin ja järjestelmiin, jotka tuottavat sijoitetulle pääomalle tuottoa (ROI), sen sijaan että etsittäisiin korvaavaa järjestelmää. Uudelleenkäytettävän vaatimustenmukaisuuskerroksen on siis toimittava nykyisessä järjestelmäympäristössä eikä oletettava, että kaikki sen alla korvataan.

Olet työskennellyt rahoituslaitosten kanssa useiden teknologiasukupolvien ajan perinteisistä ydinjärjestelmistä robottiprosessiautomaatioon, koneoppimiseen ja nyt agenttiseen tekoälyyn. Mikä nykyisessä tekoälymurroksessa on perustavanlaatuisesti erilaista, ja missä rahoituslaitokset ovat mielestäsi vaarassa toistaa aiempien automaatioaaltojen virheitä?

Aiemmat automaatiosukupolvet oli tarkoitettu työhön, joka oli jo tarkasti määritelty. Pankkien ydinjärjestelmät tallensivat tiedot ja tapahtumat koodattuun muotoon. RPA automatisoi näppäinpainallukset eri näytöillä. Koneoppiminen tuotti rakenteisesta datasta rajattuja ennusteita, kuten petospisteytyksiä ja luottoriskiarvioita, joiden tarkkuus oli mitattavissa. Kaikissa tapauksissa ihminen tai kiinteä sääntö päätti, mitä seuraavaksi tapahtui, ja teknologia toteutti ennalta tunnetun toimintapolun.

Agenttinen tekoäly muuttaa tätä muutamalla tavalla:

• Se suoriutuu aiempaa paremmin jäsentymättömästä työstä, joka vaatii harkintaa. Pankit eivät enää vain automatisoi tehtäviä, vaan siirtävät vastuuta lopputuloksista järjestelmille, jotka valitsevat itse toimintatapansa.
• Sen virheet jäävät helposti huomaamatta. Kun pankki muutti näytön asettelua, RPA-botti hajosi selvästi, ja joku korjasi sen. Virheellisen kielimallin vastaus taas voi olla sujuva, uskottava ja itsevarma. Se on ongelma.
• Sen toiminta perustuu todennäköisyyksiin, joten sen ankkuroiminen yrityksen toimintaympäristöön hallusinaatioiden välttämiseksi on äärimmäisen tärkeää.
• Lopuksi tekoälyn avulla rakentamisesta on tullut halpaa, ja yrityskäyttäjät voivat nyt luoda toimivia agentteja yhden iltapäivän aikana. Aiemmin automaatiota rajoitti IT-resurssien riittävyys; nyt pullonkaulana ovat hallinnointiresurssit.

Rahoituslaitosten on myös varmistettava, etteivät perinteisen automaation aikakauden opit unohdu. Esimerkkejä näistä opeista ovat:

• Rikkinäisten prosessien automatisointi. RPA:n suurimpana perintönä oli tuhansia botteja, jotka oli lisätty prosessien päälle ilman, että kukaan oli suunnitellut niitä uudelleen. Tämä synnytti hauraan teknisen velan, jonka ylläpitämisestä pankit maksavat yhä. Agenttien lisääminen samojen pirstaleisten työnkulkujen päälle toistaa virheen entistä hienostuneemmalla tasolla. Pankkien pitäisi suunnitella työ ensin uudelleen ja päättää vasta sitten, mitä tehtäviä ne siirtävät agenteille.
• Turhamaisuusmittareiden tavoittelu: konseptitodistukset jäävät jumiin, ellei niiden tuotantokäyttöön siirtymiselle ole rahoitettua suunnitelmaa. Käyttöönotettujen agenttien laskeminen toistaa RPA:n aikaisen tavan laskea botteja sen sijaan, että mitattaisiin todellisia liiketoimintatuloksia.
• Dataperustan puutteellinen rahoittaminen. Koneoppiminen osoitti, että mallin laatu on enintään datan laadun tasolla. Jos agentit hakevat tietoa vanhentuneista käytännöistä, päällekkäisistä asiakirjoista tai keskenään ristiriitaisista lähteistä, ne tekevät päätelmiä virheellisten lähtökohtien pohjalta itsevarmasti.

Kehittyykö sääntelyn noudattaminen tulevaisuudessa kohti jatkuvaa tai jopa osittain autonomista vaatimustenmukaisuutta, jossa tekoälyjärjestelmät havaitsevat sääntelymuutoksia, arvioivat niiden vaikutuksia, päivittävät työnkulkuja ja siirtävät käsittelyyn vain poikkeustapaukset, jotka vaativat ihmisen harkintaa? Mitä pitäisi tapahtua, ennen kuin pankit ja valvontaviranomaiset luottavat tämänasteiseen autonomiaan?

Kyllä, mutta autonomia etenee vaiheittain. Selkeästi määriteltyjen muutosten havaitseminen, käsittelyyn ohjaaminen, vaikutusten kartoittaminen ja työnkulkujen päivittäminen automatisoituvat pitkälti ja tapahtuvat jatkuvasti. Ihmiset vastaavat edelleen epäselvien sääntöjen tulkinnasta, riskien hyväksymisestä ja sääntelyä koskevien kannanottojen muodostamisesta. Realistinen tavoitetila on ”valvottu autonomia”, jossa koneet hoitavat prosessin oletusarvoisesti ja ihmiset ohjaavat sitä poikkeustilanteissa.

Tätä varten sääntelyviranomaisten on myös julkaistava säännöt jäsennellyissä, versioiduissa muodoissa hyödyntäen FCA:n ja Englannin keskuspankin digitaalista sääntelyraportointia koskevaa työtä.

Tarvitaan myös suoritusjärjestelmiin sisäänrakennettu mahdollisuus perua muutokset ja hätäpysäytyskytkimet, jotta autonomiset työnkulkumuutokset voidaan helposti palauttaa ennalleen, kun havaitaan poikkeamia, virheiden määrän kasvua tai mallien muutoksia. Valvojien luottamus kasvaa nopeammin, kun he käyttävät itse samankaltaisia työkaluja. Näin syntyy yhteinen kieli testausta varten ja mahdollisesti ajan myötä myös mahdollisuus suoraan koneiden väliseen valvontaan.

Kiitos hienosta haastattelusta! Lukijat, jotka haluavat kuulla lisää, voivat tutustua EvoluteIQ:hun.