Jayant Swamy, Genpactin pääyritysarkkitehti – Haastattelusarja

Jayant Swamy, Genpactin pääyritysarkkitehti, on teknologia- ja datajohtaja, jolla on yli kahden vuosikymmenen kokemus yritysarkkitehtuurista, tekoälystä, data‑insinööri­työstä, pilviteknologioista ja laajamittaisesta digitaalisesta transformaatiosta. Ennen kuin hän liittyi Genpactiin vuonna 2024, hän toimi CTO:n ja pääarkkitehdin tehtävissä Xtrac8.Tech‑yrityksessä sekä CTO:n ja AI‑startupin yhteisperustajana, joka keskittyi teknologioihin, kuten generatiiviseen tekoälyyn ja suuriin kielimalleihin. Swamy vietti aiemmin yli kymmenen vuotta Accenture‑yrityksessä, jossa hänen johtotehtäviinsä kuului CTO, maailmanlaajuinen johtaja ja Global Managing Director Applied Intelligence -instituutissa, Managing Director ja maailmanlaajuinen liiketoimintajohtaja Data on Cloud -liiketoiminnassa sekä Chief Data Architect ja maailmanlaajuinen johtaja Data Engineering‑ ja Data Innovation -alueilla. Aikaisemmin urallaan hän työskenteli yli seitsemän vuotta Fannie Maessa valvoen teknologia‑ ja liiketoimintatiedon aloitteita, jotka liittyvät palveluun ja luottotappioiden hallintaan, jonka jälkeen hän toimi useita vuosia Senior Principal -roolissa Oracle (ORCL ) ‑yrityksessä.

Genpact on globaali teknologia‑ ja liiketoimintapalveluyritys, jonka tavoitteena on auttaa organisaatioita muuttamaan monimutkaisia toimintoja tekoälyn, datan, prosessintelligenssin ja toimialakohtaisten asiantuntijuuksien avulla. Yritys juontaa juurensa vuodelta 1997 GE Capitalin aloitteeseen, itsenäistyi vuonna 2005 ja listautui New Yorkin pörssiin vuonna 2007. Nykyään Genpact tekee yhteistyötä eri toimialojen organisaatioiden kanssa, kuten pankkitoiminta, vakuutus, rahoitus, toimitusketju, kuluttajatuotteet, terveydenhuolto ja teknologia, ja sen painopiste siirtyy yhä enemmän generatiiviseen tekoälyyn, agenttijärjestelmiin, automaatioon ja tekoälyyn perustuvaan yritystoimintaan.

Uraasi on vienyt sinut yritysarkkitehtuurin ja datajohtamisen tehtävistä Oraclella, Fannie Maessa ja Accenturella startup‑ympäristöihin sekä nykyiseen rooliisi Genpactin pääyritysarkkitehtina. Miten tämä kokemus on muokannut näkemystäsi siitä, missä AI‑autonomia luo aitoa yritysarvoa ja missä ihmisen harkinta on edelleen olennaista? 

Urasani aikana olen oppinut, että mittakaava, hallintomalli, integraatio ja riskit ovat yhtä tärkeitä kuin innovaatio. Yrityskokemus osoittaa, että vaikuttava teknologia epäonnistuu, jos se ei toimi organisaation sisällä; startupit korostavat nopean toiminnan, kokeilun ja arkkitehtuurin yksinkertaisuuden ja mukautuvuuden arvoa. AI‑autonomia toimii parhaiten, kun yhdistät molemmat ajattelutavat — innovaation nopeudella samalla kun pidät vahvat perustat. Näin AI voi todella muuttaa, miten työvirrat kulkevat organisaatiossa. Viimeaikaisesta tutkimuksestamme saadut tulokset vahvistavat tämän selvästi.

Malli itsessään on vain yksi osa yhtälöstä. Ympäröivä arkkitehtuuri — data, järjestelmät, työnkulut, valvonnat ja integraatiot — määrittää, luoko AI arvoa mittakaavassa. Tämä on se, mitä tarkoitetaan lauseella “ei tekoälyä ilman prosessintelligenssiä”. Se on myös perusta soveltavan AI:n työllemme Genpact Labsissa, jossa otamme nousevat AI‑kyvyt ja muunnamme ne tuotantotason, asiakasvalmiiksi ratkaisuiksi. Jokainen kyky liitetään mitattavaan liiketoimintatulokseen ja integroidaan työnkulkuun, dataan ja tarvittaviin valvontamekanismeihin.

AI:n tulisi saada toimia siellä, missä tavoite on selvä, data luotettavaa ja rajat hyvin ymmärrettyjä. Ihmisen harkinta on edelleen olennaista päätöksissä, jotka ovat korkean riskin, epäselviä, subjektiivisia, säänneltyjä tai jotka vaativat vastuullisuutta ja empatiaa. Autonomia ei tarkoita ihmisten poistamista järjestelmästä. Se tarkoittaa järjestelmän suunnittelua siten, että kaikki tietävät, missä AI voi toimia itsenäisesti, missä ihmiset tarvitsevat näkyvyyttä ja missä ihmisen harkinnan on otettava ohjaus.

Monet yritykset arvioivat asiakaskeskeistä AI:ta ensisijaisesti nopeuden, hallintaprosentin ja kustannussäästöjen perusteella. Miksi nämä mittarit voivat antaa harhaanjohtavan kuvan siitä, parantaako teknologia todella asiakaskokemusta?

Ongelma on, että ne mittaavat pääasiassa tehokkuutta. Ne kertovat, miten järjestelmä toimi, mutta eivät välttämättä kerro, miten asiakas koki sen. Otetaan esimerkiksi hallinta (containment): korkea luku saattaa näyttää sisäisesti menestykseltä, mutta se voi peittää huonot tulokset, jos asiakas luovuttaa, toistaa itseään, saa puutteellisia vastauksia tai ei pääse tarvitsemaansa henkilöön. Hallinta osoittaa, että AI piti asiakkaan järjestelmässä, ei että asiakas sai tarvitsemansa. Sama pätee kustannussäästöihin, jotka voivat tapahtua luottamuksen, tyytyväisyyden tai ratkaisun laadun kustannuksella.

AI‑järjestelmät optimoivat niiden saamien signaalien mukaan, joten organisaatioiden on suunniteltava mittausindikaattorit järjestelmään alusta alkaen — yhdistämällä etupään mittarit, kuten nopeus ja hallinta, alavirran signaaleihin, kuten ongelman ratkaisu ja onko tulos aiheuttanut ongelmia muualla. Lopulta asiakaskeskeistä AI:ta tulisi mitata sen perusteella, ratkaiseeko se loppukäyttäjän taustalla olevan ongelman tarkasti, reilusti ja oikealla tasolla ihmisen tukea.

Mitkä signaalit AI‑agentin tulisi käyttää tunnistaakseen epävarmuuden, turhautumisen, kiireellisyyden tai tilanteen, joka on sen määritellyn työnkulun ulkopuolella? 

Yksittäistä taikasignaalia ei ole — tärkeintä on antaa järjestelmälle riittävästi kontekstia ja havaittavuutta, jotta se tunnistaa, milloin sen luottamus, valtuus tai tieto eivät enää riitä. Tämä voi ilmetä ristiriitaisena informaationa, toistuvina epäonnistuneina yrityksinä tai agentin kiertämisenä. Se voi myös olla asiakkaan kielen muutos — selkeä merkki turhautumisesta tai kiireellisyydestä — tai itse tehtävä, joka vaatii tietoa, pääsyä tai valtuuksia, joita agentilla ei ole.

Järjestelmän on myös tiedettävä omat rajansa. Jos ongelma on sen suunnitellun työnkulun ulkopuolella, vaatii käsittämätöntä dataa tai ylittää määritellyn riskirajan, sen tulisi käynnistää eri polku. Tavoitteena ei ole, että agentti käsittelee jokaisen mahdollisen tilanteen — vaan että se tietää, milloin lopettaa, eskaloida tai pyytää apua.

Miten yritykset voivat erottaa monimutkaisen vuorovaikutuksen siitä, joka todella vaatii ihmisen harkintaa tai empatiaa?

Erottava raja ei ole tehtävän vaikeusaste. Se on se, kuinka paljon harkintaa, seurauksia ja ihmiskontekstia päätös sisältää. Agenttipohjaisten toimintojen perustaminen, jossa koneet prosessoivat ja ihmiset validoivat, edellyttää ymmärrystä siitä, missä ihmisen arvoa ei voi koskaan korvata.

AI voi käsitellä erittäin monimutkaisia tehtäviä, kun tavoite on selvä, data luotettavaa, prosessi määritelty ja tulokset mitattavissa. Monimutkaisuus sinänsä ei vaadi ihmistä, jos järjestelmä ymmärtää ne rajat, joiden sisällä se saa toimia. Ihminen on otettava mukaan, kun asiakkaan aikomus on epäselvä, tilanne vaatii harkintaa, on useita kelvollisia lopputuloksia tai päätös sisältää merkittäviä taloudellisia, oikeudellisia, lääketieteellisiä tai maineeseen liittyviä seurauksia. Joissakin vuorovaikutustilanteissa tarvitaan myös lohdutusta, selitystä, neuvottelua tai empatiaa — ei pelkästään vastausta. Ihmisosallistuminen on siellä yhtä tärkeää kuin tekninen tarkkuus. Arkkitehtuurin tulisi heijastaa tätä erottelua. Näitä puuttumispisteitä tulisi suunnitella työnkulkuun etukäteen, eikä päätellä niiden jälkeen, kun jokin on mennyt pieleen.

Miltä tehokkaan eskalointiprosessin tulisi näyttää, jotta asiakkaiden ei tarvitse toistaa itseään tai aloittaa vuorovaikutusta uudelleen, kun ihmisen agentti ottaa ohjat?

Hyvä eskalointi ei ole pelkästään asiakkaan siirtämistä — se on kontekstin siirtämistä, jotta seuraava henkilö voi siirtyä suoraan ratkaisuun. Kun ihminen ottaa ohjat, hänellä tulisi jo olla keskusteluhistoria, asiakkaan henkilöllisyys ja profiili sekä AI:n jo tekemät yritykset — riittävästi, jotta asiakasta ei tarvitse pyytää aloittamaan alusta.

Tämä on pitkälti arkkitehtuurikysymys: jos AI sijaitsee vain etupään chat‑kokemuksessa, erillään CRM‑, ERP‑, tietolähteistä, työnkuluista ja orkestrointikerroksesta, saumaton siirto on mahdotonta.

Pitäisikö eskalointikynnysarvojen muuttua tekijöiden, kuten taloudellisen riskin, asiakkaan haavoittuvuuden, sääntelyvaatimusten tai virheellisen päätöksen mahdollisten seurauksien, perusteella?

Eskalointisääntöjen tulisi riippua riskin tasosta. Mitä suuremmat virheen seuraukset, sitä nopeammin ihmisen tulisi olla mukana.

Salasanan nollaus voidaan toteuttaa täysin automatisoidusti, mutta kiistanalainen taloudellinen tapahtuma vaatii tiukempaa valvontaa. Vahinkoilmoituksissa tai perinnöissä se voi tarkoittaa täyttä autonomiaa rutiininomaisissa tilapäivityksissä, mutta pakollista ihmisen tarkistusta, kun tapaus ylittää dollarirajan tai vaikeuslippu aktivoituu. Mitä enemmän päätös on säännelty tai sillä on merkittäviä seurauksia, sitä vahvempi valvonta tulisi olla. Haavoittuva asiakas voi oikeuttaa aikaisempaan ihmisen puuttumiseen, ja peruuttamattomia seurauksia aiheuttavilla päätöksillä tulisi olla alhaisemmat autonomia‑rajat.

Näitä raja‑arvoja ei myöskään pidä jättää yksittäisten agenttien tulkittavaksi lennossa. Ne on sisällytettävä arkkitehtuuriin ja orkestrointikerrokseen, selkeillä säännöillä siitä, mitä agentti on valtuutettu tekemään, mikä vaatii lisävalidaatiota ja mikä on eskaloitava.

Mahdollisuus on antaa autonomian skaalautua riskin mukaan — täysi nopeus vähäisen riskin työssä, tiukempi valvonta siellä, missä se on tärkeää. Genpactissa olemme sisällyttäneet tämän tasoituksen suoraan tapaan, jolla suunnittelemme agenttipohjaisia työnkulkuja — annamme rutiinitapauksille autonomian, mutta reititämme kaiken, mikä ylittää määritellyn riskin tai dollarirajan, ihmisen puolelle automaattisesti ilman, että agentin tarvitsee päättää eskaloida. Organisaatiot, jotka antavat jokaiselle vuorovaikutukselle saman autonomian tason, muuttavat nopeasti mukavuuden kalliiksi virheiksi.

Tehtävän suorittamisen lisäksi, mitä mittareita organisaatioiden tulisi käyttää arvioidakseen, tuottaako autonominen asiakaspalvelujärjestelmä positiivisia tuloksia asiakkaille?

Tehtävän suorittaminen on hyödyllistä, mutta se ei riitä. Kysymys ei pitäisi olla “suorittiko agentti tehtävän?” vaan “päätyikö asiakas parempaan tilanteeseen?” Tämä on ero lupauksen ja vastuullisuuden välillä.

Tämä tarkoittaa tarkastelua käsittelyajan ohi mittareihin, kuten vastausten tarkkuus, ensimmäisen kontaktin ratkaisu, toistuvat yhteydenotot, eskaloinnin laatu, asiakastyytyväisyys sekä tulosten oikeudenmukaisuus ja johdonmukaisuus. Se myös merkitsee mittaamista yksittäisen vuorovaikutuksen ulkopuolelle. Agentti voi näyttää menestyvän asiakaspolun yhdessä osassa, mutta aiheuttaa ongelman myöhemmässä vaiheessa. Esimerkiksi nopeasti suljettu tapaus voi aiheuttaa toisen puhelun viikkoja myöhemmin, vaikuttaen asiakastunteeseen ja lopulta vaatia ihmisen korjausta, joten on kannattavaa seurata, onko se edelleen ratkaistu 30 päivän kuluttua.

On myös tärkeää tietää, ratkaiseeko järjestelmä asiakkaan taustalla olevan tarpeen, vai sulkeeko se vain vuorovaikutuksen ja pitää sen voittona. Tämä edellyttää kokonaisvaltaista havaittavuutta työnkulun läpi, ei pelkästään AI‑käyttöliittymän mittareita. Asiakas- ja liiketoimintatulosten mittaaminen, ei aktiviteettien, paljastaa AI:n todellisen ROI:n.

Miten yritykset voivat estää AI‑agentteja optimoimasta operatiivisia tavoitteita, kuten puhelumäärän tai käsittelyajan vähentämistä, oikeudenmukaisuuden, luottamuksen tai asiakkaan taustatarpeiden kustannuksella?

AI‑järjestelmät ovat poikkeuksellisen hyviä saavuttamaan niille asetetut tavoitteet. Tämä on sekä etu että haaste: jos agenttipohjaiselle järjestelmälle kerrotaan, että nopeus on ainoa tavoite, se uhraa kaiken muun sen saavuttamiseksi.

Yritysten on annettava AI:lle tasapainoinen tavoitteiden kokonaisuus, jossa tehokkuus on tärkeää, mutta se on samassa yhteydessä asiakastuloksiin, riskiin, oikeudenmukaisuuteen, tarkkuuteen ja luottamukseen. Tämä toteutetaan asettamalla selkeät suojaraiteet hyväksyttävälle käyttäytymiselle, testaamalla puolueellisuutta ja ei‑tarkoituksenmukaisia tuloksia, ylläpitämällä ihmisen ohitusmekanismeja, valvomalla päätöksiä jatkuvasti sekä tekemällä tuotokset jäljitettäviksi ja auditoitaviksi. Hallintoa ei voi lisätä jälkikäteen, kun järjestelmä on jo käynnissä. Sen on oltava sisällytetty arkkitehtuuriin alusta alkaen.

Asiakaskonteksti voi olla hajautettu aiempiin keskusteluihin, tapahtumiin, kanaviin ja yritysjärjestelmiin. Miten yritykset voivat antaa AI‑agenteille riittävästi kontekstia parempien päätösten tekemiseksi ilman, että syntyy uusia tietosuoja-, turvallisuus- tai hallintoriskejä?

Vastaus hajautettuun kontekstiin ei ole antaa AI‑agentille pääsyä kaikkeen. Se on hallitun pääsyn antamista oikeaan tietoon oikeaan aikaan. Organisaatioiden tarvitsee vahva data‑ ja integraatiokerros, joka yhdistää agentit auktoriteettisiin tietojärjestelmiin samalla kun se kontrolloi, mitä kukin agentti voi nähdä ja tehdä. Tämä sisältää rooli‑ ja tarkoitusperäisen pääsyn, vähimmäistarpeen mukaisen datan, perimätietojen seurannan, audit‑lokit ja arkaluontoisen tiedon suojauksen.

Lisää kontekstia parantaa AI‑päätöksiä, mutta vain jos se on hallittua. Muuten yhden ongelman ratkaiseminen voi aiheuttaa paljon suuremman tietosuoja‑ tai turvallisuusongelman. Jos konteksti käsitellään hyvin, se kertyy, kun järjestelmä oppii aiemmista poikkeuksista, tehden tulevista vuorovaikutuksista älykkäämpiä ilman uusien riskien syntymistä.

Kun asiakaskeskeinen AI muuttuu yhä autonomisemmaksi, miten odotat AI‑agenttien ja ihmistyöntekijöiden välistä suhdetta kehittyvän, ja mitä kyvykkyyksiä organisaatioiden tulisi nyt rakentaa, jotta yhteistyö olisi menestyksekästä?

Ihmisen rooli siirtyy yhä enemmän prosessin jokaisen vaiheen toteuttamisesta ohjaamiseen, valvomiseen ja agenttijärjestelmän parantamiseen, joka hoitaa työmäärän. Ihmiset käyttävät enemmän aikaa tavoitteiden asettamiseen, poikkeamien käsittelyyn, harkinnan käyttämiseen, korkean riskin päätösten validointiin, työnkulkujen hiomiseen, agenttien käyttäytymisen seurantaan sekä arkkitehtuurin ja hallinnon parantamiseen näiden agenttipohjaisten järjestelmien takana. Tämä muuttaa myös yritysten tarvitsemia taitoja. AI‑osaaminen on tärkeää, mutta myös kriittinen ajattelu, toimialakohtainen asiantuntemus, agenttien orkestrointi, havaittavuus ja kyky haastaa AI‑järjestelmä, kun jokin näyttää väärältä.

Tämä ei ole pelkästään työvoimakysymys. Organisaatioiden tarvitsee arkkitehtuuri, joka tukee tätä yhteistyötä, yhdistää agentit oikeaan dataan ja järjestelmiin, koordinoi niiden yhteistoimintaa ja antaa ihmisille näkyvyyden siihen, mitä tehdään. Hallinto, ihmisen ohitus ja eskalointi on suunniteltava alusta alkaen.

Roolissani pääyritysarkkitehtina pidän tehtävänäni varmistaa, että koko organisaatio tietää paitsi miten AI:ta käytetään, myös milloin siihen luotetaan, sitä kyseenalaistetaan ja otetaan hallintaan. Näin arkkitehtuuri toimii porttina vastuulliseen AI:hin, joka luo luottamusta ja todellista vaikutusta.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla sivustolla Genpact.