Vijay Vijayasankar, Genpactin globaali Agentic AI -tutkija – Haastattelusarja

Vijay Vijayasankar, Genpactin globaali Agentic AI -tutkija, johtaa yhtiön Agentic AI -ratkaisujen tuotteistamista, keskittyen arvonluonnin siirtymiseen perinteisistä työvoimaperusteisista malleista korkeamarginaalisempiin tuloksiperusteisiin kehyksiin. Tehtävässään hän auttaa muotoilemaan Genpactin lähestymistapaa AI:n skaalauttamiseen koko yrityksessä luomalla organisaatiomalleja sekä AI-kehittäjille, jotka suunnittelevat edistyneitä orkesterointikerroksia, että AI-käyttäjille, jotka tuovat toimialatietämsa työnkulkuihin, jotka perustuvat itsestään toimiviin agenteihin. Ennen Genpactiin liittymistään Vijayasankar toimi johtavissa rooleissa IBM:llä, mukaan lukien Financial Servicesin johtavana kumppanina, IBM Servicesin CTO North Americana, ja Cognitive, IoT, Analytics ja Watson Healthin yleisjohtajana GBS North Americassa, sekä aikaisemmin johtavissa rooleissa MongoDBssä (MDB ) ja SAP:lla.

Genpact on edistynyt teknologiayritys, joka auttaa suuria yrityksiä modernisoimaan toimintojaan prosessin älykkyyden, tekoälynn, datan ja digitaalisen muutoksen kautta. Yritys toimii alueilla kuten talous ja kirjanpito, asiakaspalvelu, riski ja vaatimukset, hankinta ja toimitusketju, teknologia ja luottamus ja turvallisuus, kun taas sen Data- ja AI-palvelut keskittyvät auttamaan organisaatioita käyttämään edistyneitä analyytikkoja, tekoälyä ja itsestään toimivia agenteja muuttamaan monimutkaiset tiedot mitattaviin liiketoimintatuloksiin.

Olet viettänyt yli kaksi vuosikymmentä yrityksissä kuten IBM, MongoDB, SAP ja nyt Genpact, jossa toimit Global Agentic AI -tutkijana. Katsellen taaksepäin big datasta ja analytiikasta nykyisiin agentic AI -järjestelmiin, mitkä oppitunnit ovat muokanneet eniten näkemystäsi siitä, miten yritykset tulisi lähestyä AI-muutosta?

Olen nähnyt saman elokuvan kolme kertaa. Big data oli ratkaisu päätöksentekoon. Pilvi oli välittömäinen kytkin organisaatioiden joustavuuteen. Nyt agentic AI on ratkaisu toiminnalle. Jokaisessa syklissä yritykset, jotka loivat arvoa, keskittyivät toimintamalleihin, prosesseihin ja ihmisiin. Ne, jotka kamppailivat, ja monet edelleen, käsittelivät itse teknologiaa muutokseksi.

Mikä on perustavanlaatuista erilaista agentic AI:ssa, on sen sijainti. Se on toimintakerroksessa, ei havaintokerroksessa. Vanhemmat työkalut loivat kaavioita ja suosituksia. Agentit tekevät toimia. Huonon analytiikkatyökalun tuottama huono kaavio, jonka ihmisanalyytikko huomaa ennen kuin se pääsee toimitusjohtajan työpöydälle. Huono agentti suorittaa huonon transaktion suurten määrätenä ennen kuin kukaan tajuaa, mitä on tapahtunut. Tämä muuttaa riskiprofiilin täysin, ja se pakottaa tietyn tason toiminnallista kurinpidon, jota useimmat yritykset eivät ole tarvinneet aikaisemmin. Olen oppinut olemaan epäluuloinen omasta jännityksestäni. Agentic AI on mielenkiintoista, mutta juuri silloin kun on syy hidastaa ja tarkastaa perustaa.

Genpactin uusi raportti HFS Researchin kanssa arvioi, että ratkaisematon yritysvelka lukitsee lähes 18 biljoonaa dollaria potentiaalista arvoa maailmanlaajuisesti. Mikä yllätti sinua eniten raportin löydöistä, ja miksi uskot, että niin monet organisaatiot jatkavat aliarvioimalla prosessin, datan, teknologian ja kykyvelan vaikutusta?

Mikä oli silmiä avaavaa, oli se, että arvon määrä, joka on lukittuna tehottomiin prosesseihin, fragmentoituneeseen dataan, vanhentuneeseen teknologiaan ja työvoiman valmiuksien haasteisiin, mitatttiin biljoonissa dollareissa.

Mikä on tärkeämpää kuin yhteinen luku, on se, miten ongelma on rakennettu. Useimmat johtajat katsovat näitä ongelmia erillisinä siloin. Dataongelma, prosessiongelma, teknologiaongelma, taito-ongelma, käsittelty erikseen. Ne eivät ole erillisiä. Huonon datan vuoksi ihmiset keksivät manuaalisia kierrettyjä reittejä. Nämä kierrettyjä reittejä luovat prosessien monimutkaisuutta. Se polttaa parhaat ihmiset ja tekee toiminnasta haurasta. Kun AI-aloitteet saapuvat, ne törmäilevät kaikkiin näihin samanaikaisesti. AI:ta syytetään epäonnistumisesta, joka oli leivottu liiketoimintaan kymmenen vuoden ajan sitten. Puhumme yritysvelasta kustannuskuormana, mutta se on tarkemmin ottaen kasvurajoite. Tämä ero on tärkeä, koska se muuttaa sitä, kuka omistaa ongelman ja mitä sen korjaaminen on arvoa.

Raportti osoitti, että 85 %:lla johtajista on näkemys, että yritysvelka rajoittaa AI-arvon toteutumista. Miksi uskot, että yritykset jatkavat suurten AI-sijoitusten tekemistä usein laiminlyöden perustavanlaatuiset ongelmat, jotka estävät näiden sijoitusten tuottamasta tuloksia?

Koska AI on näkyvää ja perustat ovat näkymättömiä. Jokainen hallitus haluaa nähdä AI-strategian. Jokainen toimitusjohtaja tarvitsee tarinan kertoa. Uuden mallin käyttöönotto on otsikko. Ydintoimintoprosessin uudelleensuunnittelu on kiitettävä, näkymätön vaiva, kunnes se lopulta toimii.

Olen nähnyt organisaatiot, jotka viettävät kuusi kuukautta mallin valitsemiseen ja kuusi päivää prosessin tutkimiseen, jonka parantamiseen malli on tarkoitettu. Tuo suhde on väärä, ja he löytävät sen tiensä. Pullonkaula ei ole AI. Se on epäjohdonmukaiset prosessit, erilliset järjestelmät ja data, josta kukaan ei ole ollut vastuussa vuosien ajan. AI ei ratkaise näitä asioita. Se paljastaa ne nopeammin. Kannustimet eivät palkitse perustoiden korjaamista. Ei ole demoa datan hallinnan siivouksesta. Johtajat, jotka tekevät sen hiljaisesti, tekevät vetoa, että toiminnallinen terveys kerryttää ajan myötä, mutta useimmat hallitukset eivät mitä tämän.

Data-velka nousi suurimmaksi AI-esteksi tutkimuksessa. Mitkä käytännön toimenpiteet yritysten tulisi tehdä tänään siirtymään fragmentoituneista, matalan laatuisista data-ympäristöistä data-perustoihin, jotka voivat tukea agentic AI:ta suuressa mittakaavassa?

Lopeta massiivisen, ylhäältä alas -ohjatun hallintoprogrammin käynnistäminen. Se on teknologinen vastaus vastuullisuusongelmaan. Useimmissa suurissa organisaatioissa kukaan ei omista tietojen oikeellisuutta, jotka pyörittävät liiketoimintaa.

Käytännöllinen lähtökohta on valita muutamia arvokkaita prosesseja ja työskennellä taaksepäin. Mitkä päätökset on tehtävä? Mitä dataa nämä päätökset vaativat? Kuka omistaa tämän datan? Kuinka usein se on väärin? Tämä harjoitus paljastaa vastuun aukot välittömästi. Ja meidän on saatava tämä oikein, koska agentit epäonnistuvat hiljaisesti. Ihmisanalyytikko näkee, että kaksi järjestelmää ovat erimielisiä, ja tekee tuomion. Agentti sovittaa ristiriitaisen datan ja suorittaa täydellisen luottamuksella. Jos eri osat organisaatiosta määrittelevät asiakkaan tai transaktion eri tavoin, agentti tekee luottamuksellisia päätöksiä huonoista syötteistä, eikä mikään organisaatiossa sieppaa sitä. Tämä on uusi kategoria toiminnallista riskiä, jota useimmat organisaatiot eivät ole täysin hinnoitelleet.

Agentit eivät käsittele epätarkkuutta samalla tavalla kuin ihmiset. Tämä on myös syy, miksi agentic-ratkaisun onnistuminen on vähemmän älykkään mallin älykkyydestä ja enemmän laadukkaiden varusteiden asettamisesta paikoilleen.

Olet väittänyt, että “ei ole AI:ta ilman prosessin älykkyyttä”. Miksi uskot, että prosessin uudelleensuunnittelu on usein tärkeämpää kuin itse AI-malli, kun organisaatiot yrittävät automatisoida monimutkaisia liiketoimintaprosesseja?

Koska malli suorittaa yhtä hyvin kuin prosessi, johon se on upotettu, ei paremmin. Organisaatiot keskittyvät mallin valintaan, koska siinä on näkyvää innovaatiota, mutta prosessi on siellä, missä arvo luodaan tai menetetään.

Jos työnkulkuprosessi sisältää tarpeettomia hyväksyntöjä, kaksoiskappaleita tai epäselvää omistajuutta, AI ei korjaa näitä asioita. Se kiihdyttää niitä. Usein ajatellaan, että perusteellinen prosessin uudelleensuunnittelu hidastaa, mutta todellisuus on täsmälleen vastaava. Säästät kuusi kuukautta, jotka olisit viettänyt pahasta käyttöönotosta. Ajattele sitä kuin ajoneuvona: voit asentaa parhaimman koskaan rakennetun moottorin autoon, jolla on epäsuorat renkaat, ja se vetää edelleen vasemmalle.

Monet organisaatiot kokeilevat AI-agenteja, mutta suhteellisen vähän on onnistunut käyttämään niitä ydinliiketoimintafunktioissa. Mikä erottaa yritykset, jotka siirtyvät pilotista, niistä, jotka jäävät todistuskohteen tilaan?

Pilotit on suunniteltu onnistumaan. Valitset parhaimman prosessin, puhtaimman datan ja motivoituneimman tiimin. Mittaaminen tarkoittaa osuvaa todelliseen ympäristöön, missä mikään näistä olosuhteista ei pidä paikkaansa.

Organisaatiot, jotka mittautuvat, lopettavat keinotekoisten olosuhteiden luomisen alusta alkaen. He valitsevat todellisen operatiivisen ongelman, määräävät omistajan, joka on vastuussa liiketoimintatuloksesta, ei teknologiasta, ja leivottavat hallinnan suunnitteluun alusta alkaen. Meillä on asiakkaita, jotka suorittavat agenteja tuotannossa tilien maksamisessa ja transaktioiden valvonnassa. Tuottavuusluku on siellä, mutta todellinen muutos on rakenteellinen. Lopputulos on perustavanlaatuinen erilainen työnkulkuprosessi, jossa ihmiset vapautetaan strategiseen työhön, jolla he eivät ole koskaan olleet aikaa. Agenttien mittaus on johtamisen haaste, ei ohjelmistohaaste.

Raportti korostaa, että vain 6 %:lla yrityksistä on onnistunut ratkaisemaan suurimmat velkaongelmansa. Mitä nämä yritykset tekevät toisin, ja mitä yleisiä virheitä näet yrityksissä, jotka kamppailevat merkittävän edistymisen saavuttamisessa?

He käsittävät sen liiketoimintavirheenä, ei IT-ohjelmana. Se on sidottu johtajan tukiin ja mitattavaan liiketoimintasuorituskykyyn. He ymmärtävät, että operatiivinen terveys ei ole erillistä kasvustrategiasta. Se on kasvustrategia.

Muut 94 % ajavat oireita. He käyttöönottoivat työkalun prosessiongelman korjaamiseksi tai käynnistävät AI-aloitteen korvaamaan huonoa dataa. Tämä tuottaa lyhytaikaisen nousun, mutta perusongelma säilyy ja velka jatkaa kerryttämistä. Johtajat, jotka rikkovat syklin, ovat valmis sanomaan, mitä useimmat johtajat eivät: tämä prosessi on ollut rikki viidentoista vuoden ajan, olemme rakentaneet koko toimintamallin sen epäonnistumisista, ja me repimme sen alas ja rakennamme sen uudelleen alusta alkaen. Tuo tunnustus on epämukava. Se kutsuu kysymyksiä siitä, miksi sitä ei korjattu aikaisemmin. Nämä, jotka tekevät tämän päätöksen, ovat tekemässä todellista edistystä.

Olet puhunut “AI-kehittäjien” ja “AI-käyttäjien” erosta. Miten näet yritysten työvoiman kehittyvän seuraavan viiden vuoden aikana, ja mitkä taidot tulevat olemaan arvokkaimpia, kun ihmiset työskentelevät yhä enemmän autonomisten agenttien rinnalla?

Arvokkain taito on tietäminen, miten kehittää ongelma. Kun AI käsittelee enemmän suoritusta, tuloksen laatu riippuu kysymyksen laadusta ja tuomion soveltamisesta tulokseen. Sinun on oltava kyky tunnistaa, kun jokin näyttää oikealta, mutta on rakenteellisesti väärin.

Lisäksi korostan kolmea tiettyä asiaa. Ensinnäkin toimiala syvyyttä. Yleiset AI-kyvyt ovat muodostumassa nopeasti kaupalliseksi, joten yleistäjät menettävät otteensa. Premium menee syvälle toimiala-asiantuntijoille, jotka yhdistävät aitoa toimiala-asiantuntemusta AI:n soveltamiseen kyseisessä asiayhteydessä. Toiseksi poikkeuksellinen käsittely. Tarvitaan ihmisiä, jotka tietävät, mitä tehdä, kun agentti osuu esteeseen tai taloudelliset panokset ovat liian suuria automatisointiin, mikä vaatii instituutiota viisautta eikä koulutusdataa. Kolmanneksi työnkulkusuunnittelu, eli kyky rakentaa työtä siten, että ihmiset ja älykkäät järjestelmät tekevät molemmat sitä, mihin he ovat parhaiten sovellettavissa, ja tunnistaa, kun tämä jako on muututtava. Se ei ole vielä teollisuuden vakiintunut termi, mutta taito on aito ja tällä hetkellä aliarvostettu.

On jatkuva keskustelu siitä, voittaako AI työpaikkoja vai muuttaako ne. Olet väittänyt, että suuri osa huolesta johtuu siitä, että ei ymmärretä, mitä AI tekee hyvin. Miten näet suhteen kehittyvän ihmisen asiantuntemuksen ja AI-agenttien välillä, kun käyttöönotto kiihtyy?

AI on erinomainen tehtävissä, jotka on määritelty selkeästi, ovat suurten määrätenä ja riippuvat mallista, kuten laskujen käsittely, kaupallisten poikkeamien valvonta ja tavanomaisten viestien luominen. Se tekee nopeammin ja suuremmassa mittakaavassa kuin mikään ihmisryhmä voi. AI ei kuitenkaan voi vastata maailmanlaajuisista tuloksista eikä käsitellä asioita kuten uutuutta, epätarkkuutta ja sekavia ihmissuhteita, miksi ihmisen asiantuntemus on edelleen välttämätöntä.

Useimmat työt ovat tehtävien kokoelma, ei yksittäinen toiminta, ja AI ottaa suorituskerroksen haltuunsa ajan myötä. Se ei poista ihmisten tarvetta, se vain muuttaa, missä he luovat arvoa. Kun routinetyö automatisoidaan, asiantuntemus siirtyy poikkeuksien ratkaisemiseen, prosessien uudelleensuunnitteluun ja auttamaan organisaatioita sopeutumaan, kun teknologia ja liiketoimintatarpeet kehittyvät. Jotkut roolit muuttuvat merkittävästi, ja johtajilla on vastuu selvittää, onko uusi työ, jota luodaan, saatavilla ihmisille, joiden vanha työ katoaa. Vastaus riippuu lähes täysin organisaatioiden tekemistä valinnoista koulutuksesta ja siirtymisestä. Se on johtamispäätös, ei teknologinen tulos. Yritykset, joita kunnioitan eniten, ovat rehellisiä tiimien kanssa siitä, mitkä roolit muuttuvat, missä aikataulussa, missä ihmisen asiantuntemus on erittäin arvokasta ja mitkä realistiset etenemisen polut näyttävät. Useimmat eivät ole vielä käymässä sitä keskustelua.

Katsoen eteenpäin, miltä todella agentic-yritys näyttää käytännössä? Jos tulemme takaisin tähän keskusteluun viiden vuoden kuluttua, mitä muutoksia liiketoimintatoiminnassa, organisaatiorakenteessa ja AI-käyttöönotossa odotat tulleen vakiintuneiksi johtavissa yrityksissä?

Me lopetamme puhumisen AI:sta erillisenä aloitteena, kuten lopetimme puhumisen siirtymisestä digitaaliseen. Se on vain tapa, jolla työ tehdään.

Rakenteellinen muutos on se, mikä minua kiinnostaa eniten. Paljon nykyisistä hierarkioista on olemassa, koska tieto oli vaikea siirtää. Meillä on hyväksymisketjuja ja koordinaatiotehtäviä, koska tieto on täytynyt siirtää sieltä, missä se on luotu, sinne, missä päätökset tehdään. Agentit tiivistävät tämän etäisyyden. Kun he tekevät, merkittävä määrä koordinaatioteknologiaa tulee tarpeettomaksi. Organisaatiot, jotka tunnistavat tämän aikaisin ja suunnittelevat sen ympärille, tulevat olemaan nopeampia, ja se nopeus kerryttää itsensä.

Me näemme myös muutoksen siinä, miten AI myydään ja toimitetaan. Ohjelmistoyritykset rakentavat tuotteita, mutta eivät ota vastuuta tuloksista. Palveluyritykset ottavat vastuun, mutta kamppailevat rakentamaan skaalautuvia tuotteita. Molemmat mallit ovat riittämättömiä. Mitä me rakennamme Genpactissa, on tuotteistettu AI tiettyihin aloihin, toimitettuna tuloksena. Ostaja ostaa tuloksen, ja me olemme vastuussa siitä. Uskon, että se tulee olemaan standardi, koska se on kohdennettu oikein. Myyjä, joka myy vain kyvykkyyttä, ei ole kiinnostunut siitä, toimiko se asiakkaan ympäristössä. Nämä, jotka ovat vastuussa tuloksesta, ovat kiinnostuneita. Voittajat tulevista ajoista eivät määritellä, mitä on kehittynein AI-malli. He määritellään hallitsemalla rakenteellisen uudelleensuunnittelun ihmisten, prosessien ja älykkäiden järjestelmien välillä. Olemme vasta ensimmäisen päivän alussa.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Genpactissa.