Ankur Dhingra, PDG de ProHance – Série d’interviews

Ankur Dhingra, PDG de ProHance, est un cadre expérimenté en technologie et opérations, avec plus de deux décennies de direction dans la productivité d’entreprise, les services financiers et les opérations commerciales mondiales. Il dirige ProHance depuis 2020, se concentrant sur la construction d’une plateforme unifiée pour observer, gouverner et améliorer la productivité des travailleurs humains, des fournisseurs et des systèmes d’IA. Avant de devenir PDG, Dhingra était associé chez FutureIP, où ProHance a été développé comme plateforme de gestion des opérations et d’analytique. Auparavant, il a passé plus de huit ans chez American Express, où il a occupé les postes de vice‑président et directeur général des opérations de back‑office mondiales, et avait auparavant dirigé les opérations d’engagement client englobant les centres d’appels, le chat, la conformité et les fonctions d’assurance commerciale à grande échelle. Sa carrière comprend également des postes de direction senior chez Genpact, où il a géré une pratique bancaire de 1 100 personnes et un P&L de 35 millions de dollars, ainsi que chez GE Capital, où il a dirigé les opérations de services financiers en Inde.

ProHance est une société d’intelligence de la main‑d’œuvre d’entreprise et d’analytique de productivité qui offre aux organisations une visibilité en temps réel sur la façon dont le travail est réalisé par les employés, les fournisseurs externes, les copilotes d’IA et les agents autonomes. Sa plateforme, présentée comme une « Salle de contrôle de la productivité », combine analytique de la main‑d’œuvre, planification de capacité, allocation intelligente du travail, mesure de la productivité et outils de gouvernance afin d’aider les entreprises à identifier les goulets d’étranglement opérationnels, optimiser l’utilisation des ressources et comprendre l’impact de l’IA sur la performance organisationnelle. ProHance affirme que sa technologie est utilisée par plus de 450 000 utilisateurs dans 220 entreprises réparties dans 55 pays, avec des applications couvrant la banque et les services financiers, l’externalisation de processus métier, les centres de capacités mondiaux, la santé et les technologies de l’information.

Vous avez passé plus de deux décennies à diriger des opérations à grande échelle chez GE Capital, Genpact et American Express avant de devenir PDG de ProHance. Quelles leçons ces expériences vous ont‑elles enseignées sur les limites de la gestion traditionnelle de la main‑d’œuvre et de la productivité, et comment ces enseignements ont‑ils façonné la façon dont vous construisez ProHance pour une entreprise axée sur l’IA ?

Mon expérience chez GE Capital, Genpact et American Express m’a appris que l’une des plus grandes lacunes de la gestion traditionnelle de la main‑d’œuvre ne se situait pas tant à l’avant‑poste, mais au niveau du back‑office.

Chez American Express, j’avais d’abord travaillé du côté du service client, où le centre de contact disposait d’une technologie assez sophistiquée pour mesurer la productivité — le temps passé par les employés, l’utilisation, le volume d’interactions et la façon dont les processus pouvaient être optimisés. Mais lorsque je suis passé à la direction des opérations de back‑office, j’ai découvert une réalité très différente.

Une énorme quantité de travail dans les grandes entreprises se déroule en coulisses — traitement des transactions, gestion des dossiers, saisie de données et autres activités basées sur les processus — mais il y avait très peu de mesures significatives sur la façon dont ce travail était réellement accompli. La technologie et la visibilité dont disposait le front‑office ne s’étaient tout simplement pas traduites au back‑office.

Je suis devenu presque irrationnellement obsédé par ce problème. J’ai commencé à examiner les technologies disponibles et à m’entretenir avec des acteurs établis, mais ce que j’ai trouvé était soit trop lourd, trop coûteux, soit simplement pas conçu pour les réalités des opérations de back‑office. Je n’arrêtais pas de penser : il s’agit d’une industrie de plus de 150 milliards de dollars, et ce problème existe depuis des années. Quelqu’un doit forcément le résoudre de façon plus efficace.

Cette recherche m’a finalement conduit à ProHance, où Rajesh Sharma et Kishore Reddy (co‑fondateurs de ProHance) avaient déjà développé une technologie répondant à nombre des défis que j’avais identifiés en tant qu’utilisateur avancé de ces systèmes. Je savais exactement ce que la technologie devait faire — capturer l’activité automatiquement, fonctionner sur différents systèmes d’exploitation, mesurer le temps à la fois sur le système et hors du système, et fournir une vision fiable de la façon dont le travail se déroulait réellement.

Cette expérience a façonné ma vision de ProHance aujourd’hui. La leçon est que l’on ne peut pas créer une entreprise axée sur l’IA simplement en ajoutant de l’IA aux outils de gestion de la main‑d’œuvre existants. Il faut d’abord une compréhension fiable et granulaire du travail lui‑même. L’IA pourra alors transformer la façon dont ce travail est analysé, optimisé et finalement repensé.

Pour moi, ProHance consiste à apporter le même niveau de visibilité et d’intelligence que les entreprises ont historiquement eu dans le front‑office à l’ensemble de l’organisation — et à utiliser l’IA pour obtenir une meilleure mesure de la productivité, ce qui améliorera fondamentalement la façon dont le travail est réalisé.

Alors que l’IA générative et les agents d’IA prennent une part croissante du travail de connaissance, les indicateurs traditionnels de productivité tels que les heures travaillées ou l’utilisation d’applications peuvent devenir moins pertinents. Comment les entreprises devraient‑elles redéfinir la productivité lorsqu’un humain peut accomplir en 30 minutes ce qui prenait auparavant plusieurs heures ?

La productivité doit passer de la mesure de l’activité à la mesure des résultats. Si l’IA permet à quelqu’un de terminer en 30 minutes ce qui prenait trois heures auparavant, la référence de trois heures n’est plus pertinente. L’accent doit être mis sur ce qui a été accompli, la qualité du résultat et l’efficacité avec laquelle le temps et les compétences ont été employés.

Cela implique également que les entreprises doivent comprendre où l’IA élimine réellement le travail répétitif et où le jugement humain reste essentiel. La productivité doit de plus en plus refléter les résultats, la capacité, la qualité et l’impact commercial, plutôt que les heures passées à un bureau ou l’utilisation d’applications.

Vous avez décrit l’intelligence de la main‑d’œuvre comme devenant de plus en plus cruciale dans l’entreprise axée sur l’IA. Que signifie concrètement « intelligence de la main‑d’œuvre » en pratique, et en quoi diffère‑t‑elle des outils de surveillance des employés et d’analytique de la main‑d’œuvre que les entreprises ont historiquement utilisés ?

L’intelligence de la main‑d’œuvre consiste essentiellement à offrir à une organisation une compréhension plus claire de la façon dont le travail se déroule réellement. Elle rassemble des signaux relatifs à la charge de travail, à la capacité, à l’utilisation, aux processus et aux résultats afin d’aider les dirigeants à identifier où les équipes sont surchargées, où la capacité existe et où le travail se bloque.

Cela diffère de la surveillance traditionnelle des employés, qui se concentrait souvent sur l’activité individuelle. L’intelligence de la main‑d’œuvre doit fonctionner à un niveau beaucoup plus large. L’objectif n’est pas de demander : « Que fait cet employé chaque minute ? », mais plutôt : « Comment le travail circule‑t‑il au sein de l’organisation, et que pouvons‑nous faire pour l’améliorer ? »

ProHance combine de plus en plus les données déterministes de la main‑d’œuvre avec l’apprentissage automatique pour générer des insights prédictifs, notamment l’identification de risques potentiels de désengagement et de rétention. Comment vous assurez‑vous que ces modèles d’IA distinguent les schémas significatifs des variations normales du comportement des employés, et quelle importance accordez‑vous à l’explicabilité lorsque les managers prennent des décisions concernant les personnes ?

Chez ProHance, nous estimons que la qualité et le contexte des données sous‑jacentes sont essentiels. Le comportement des employés varie naturellement en fonction des projets, de la charge de travail, des équipes, des saisons et des cycles d’affaires. Un changement d’activité en soi n’indique pas nécessairement un désengagement ou un risque de rétention.

L’approche consiste à rechercher des schémas à travers plusieurs signaux et sur la durée, plutôt que de tirer des conclusions d’un seul comportement. L’IA peut aider à identifier des schémas qui méritent une attention, mais elle ne doit pas être considérée comme le décideur final.

L’explicabilité est tout aussi importante. Si un système signale un risque potentiel, les managers doivent pouvoir comprendre les facteurs à l’origine de ce signal et appliquer leur propre jugement. Lorsque la technologie est utilisée pour éclairer des décisions concernant des personnes, la transparence et la supervision humaine sont essentielles.

Il est compréhensible que les employés s’inquiètent lorsque les organisations introduisent une technologie capable d’analyser les schémas de travail, l’utilisation des applications, le temps d’inactivité ou la performance. Où les entreprises doivent‑elles tracer la ligne entre obtenir une visibilité opérationnelle utile et créer une culture de surveillance ?

La frontière est largement déterminée par l’intention, la transparence et l’usage des données. Les employés sont naturellement mal à l’aise lorsqu’une technologie est introduite sans préciser ce qui est mesuré et pourquoi.

L’objectif doit être de comprendre le travail à un niveau organisationnel et opérationnel, plutôt que de surveiller constamment les individus. Si les données de la main‑d’œuvre aident à identifier des charges de travail excessives, des goulets d’étranglement ou des processus inefficaces, elles peuvent réellement améliorer l’expérience des employés.

Les entreprises doivent également être claires sur ce qu’elles ne cherchent pas à faire. La technologie doit aider les managers à avoir de meilleures conversations avec leurs équipes, et non remplacer ces échanges ou créer un système d’observation constante.

Les copilotes d’IA et les agents autonomes font de plus en plus partie intégrante de la main‑d’œuvre. Pensez‑vous que les plateformes d’intelligence de la main‑d’œuvre devront éventuellement mesurer la productivité des humains et des agents d’IA conjointement, et à quoi pourrait ressembler un indicateur de productivité humain‑IA significatif ?

Oui, je pense que cela deviendra de plus en plus important. À mesure que les agents d’IA commencent à prendre en charge des parties des flux de travail, ne mesurer que l’activité humaine donnera aux entreprises une image incomplète de la façon dont le travail est réalisé.

Mais je ne pense pas que nous aboutirons simplement à un score de productivité « humain contre IA ». Une approche plus utile consisterait à comprendre le rendement combiné des personnes, des outils d’IA et des agents au sein d’un flux de travail.

Les entreprises pourraient examiner combien de temps l’IA élimine des tâches répétitives, la rapidité avec laquelle les processus avancent, la qualité des résultats et les points où l’intervention humaine reste nécessaire. La vraie question devient : à quel point les humains et l’IA travaillent‑ils efficacement ensemble ?

ProHance évoque le passage de la simple mesure brute de la productivité à l’intelligence opérationnelle, incluant l’analyse de la charge de travail, les prévisions, l’optimisation des processus et l’allocation des ressources. Dans quelle mesure l’avenir de cette catégorie sera‑t‑il consacré à l’IA recommandant de façon proactive ce que les managers doivent modifier plutôt que de simplement leur présenter des tableaux de bord ?

Je pense que c’est la direction que ProHance anticipe pour la catégorie. Les tableaux de bord sont utiles, mais ils laissent toujours aux managers la responsabilité d’interpréter les informations et de décider de la prochaine action.

L’étape suivante consiste pour les plateformes à identifier un schéma et à aider à répondre « que devons‑nous faire à ce sujet ? ». Cela pourrait signifier mettre en évidence une équipe surchargée, identifier une compétence sous‑exploitée, prévoir un manque de capacité ou suggérer où un processus pourrait être amélioré.

Pour ProHance, la valeur proviendra de plus en plus du passage de la visibilité à l’action. L’IA doit aider les managers à prendre de meilleures décisions tout en laissant la décision finale à la personne qui comprend l’entreprise et le contexte.

Vous avez comparé l’intelligence de productivité à un rapport de santé annuel pour une organisation. Quels sont les signaux les plus importants que les dirigeants devraient surveiller pour déterminer si leur main‑d’œuvre est réellement saine, productive et s’adapte avec succès à l’IA ?

Je regarderais une combinaison de signaux plutôt qu’un seul chiffre de productivité. La capacité et la charge de travail sont des points de départ évidents, mais les dirigeants doivent également comprendre si le travail est réparti efficacement, où les goulets d’étranglement apparaissent, comment les équipes s’adaptent à l’IA et si les personnes passent trop de temps sur des activités à faible valeur ajoutée.

Un autre signal important est la durabilité. Une équipe qui fournit des résultats exceptionnels parce que les personnes travaillent constamment au‑delà d’une capacité raisonnable n’est pas forcément saine ou productive à long terme.

Une main‑d’œuvre saine est celle où la capacité, la charge de travail et les résultats sont raisonnablement équilibrés, où les personnes ont la possibilité de se concentrer sur des tâches à plus forte valeur ajoutée, et où l’organisation peut s’adapter à l’évolution de la nature du travail.

« Productivité » a développé des connotations négatives pour de nombreux employés car elle peut impliquer faire plus de travail avec moins de personnes. Comment les organisations peuvent‑elles reconquérir ce concept et utiliser l’intelligence de productivité alimentée par l’IA pour améliorer l’expérience des employés, réduire le burnout et éliminer le travail à faible valeur ajoutée plutôt que simplement augmenter la production ?

Les organisations doivent s’éloigner d’une définition de la productivité simplement comme « plus de production avec moins de personnes ». Cette définition est trop restreinte, notamment dans un environnement de travail assisté par l’IA.

L’IA devrait idéalement rendre aux personnes le temps actuellement consommé par l’administration répétitive, les processus manuels et les tâches à faible valeur ajoutée. L’opportunité est d’utiliser ce temps pour la résolution de problèmes, l’interaction avec les clients, l’innovation et le travail nécessitant le jugement humain.

Si l’intelligence de productivité est utilisée pour identifier où les personnes sont surchargées ou perdent du temps de façon inefficace, elle peut réellement devenir un outil d’expérience employé. L’objectif doit être d’améliorer le travail, pas simplement de faire travailler les gens plus rapidement.

En regardant vers l’avenir, alors que l’IA s’intègre dans presque tous les flux de travail d’entreprise, qu’est‑ce qui, selon vous, distinguera les organisations qui réussissent à augmenter leur main‑d’œuvre avec l’IA de celles qui déploient la technologie sans la traduire en gains de productivité significatifs ?

Les organisations qui tireront le plus profit de l’IA seront celles qui regarderont au‑delà du simple déploiement technologique. Disposer d’un outil d’IA ne crée pas automatiquement des gains de productivité.

Les dirigeants comprendront où l’IA modifie les flux de travail, comment les rôles évoluent et si l’organisation obtient réellement de meilleurs résultats grâce à la technologie. Ils mesureront également en continu ce qui fonctionne et ajusteront en conséquence.

En fin de compte, les organisations qui réussissent considéreront l’adoption de l’IA comme un changement dans la façon dont le travail est accompli, plutôt que comme une simple implémentation technologique supplémentaire. Elles combineront l’IA avec les bons processus, compétences, visibilité de la main‑d’œuvre et pratiques de gestion. C’est ce qui déterminera si l’IA devient un véritable avantage de productivité ou simplement une couche supplémentaire de technologie.

Merci pour cette excellente interview. Les lecteurs qui souhaitent en savoir plus devraient visiter ProHance.