Gautam Singh, Global Business Unit Head of Analytics, Data and AI, WNS Analytics – Interview Series

Gautam Singh est le responsable de l’unité commerciale de WNS Analytics et le co-fondateur et PDG de The Smart Cube, une société de WNS. Il a passé 20 ans à établir et à développer The Smart Cube (un leader dans la recherche et l’analyse de données) avant qu’il ne soit acquis par WNS. Auparavant, il a travaillé pendant 10 ans dans le conseil en gestion et le capital-risque en Europe et aux États-Unis. Gautam a occupé divers postes, notamment des postes chez Coven Partners (Londres), A.T. Kearney (Londres), Mitsubishi Motors (Inde) et Cummins Engines (États-Unis). Il détient un MBA de l’Université du Michigan, Ann Arbor, États-Unis, et un diplôme d’études supérieures en génie mécanique de l’IIT Bombay, en Inde.

WNS Analytics aide les entreprises à transformer leurs données en valeur stratégique grâce à l’« intelligence de décision » – en combinant une infrastructure de données robuste, des technologies d’IA/GenAI/agentic-AI et une expertise spécifique au domaine. Ils offrent des services dans divers secteurs, notamment l’assurance, la banque et les services financiers, la vente au détail, les produits de consommation, la fabrication, les soins de santé, l’énergie et la logistique. Leurs capacités s’étendent à l’ingénierie et à la gouvernance des données, à l’analyse descriptive et prédictive, aux outils d’IA/ML et à la visualisation – tous conçus pour permettre des décisions plus rapides et plus confiantes et une innovation continue.

Vous avez commencé votre carrière dans le conseil en gestion de haut niveau, puis vous avez fondé The Smart Cube et l’avez dirigé pendant plus de deux décennies avant son acquisition par WNS. Qu’est-ce qui a motivé votre transition du conseil à l’entrepreneuriat, puis à la direction d’un entreprise mondiale de données et d’IA ?

J’ai passé dix ans dans le conseil en gestion et j’ai vu une lacune claire sur le marché : les entreprises étaient assises sur des montagnes de données mais n’en tiraient pas toute la valeur. En 2003, l’analyse de données était encore basique – nous travaillions avec des feuilles de calcul Excel.

La décision de quitter la vie corporative est revenue à la confiance en soi. J’ai vu une opportunité d’aider les organisations à vraiment exploiter leurs données, donc j’ai fondé The Smart Cube avec cette vision.

Après 20 ans de construction de The Smart Cube, rejoindre WNS n’était pas une sortie, mais une évolution. J’ai conservé l’esprit d’entrepreneur, mais maintenant avec beaucoup plus de ressources et de portée. Cela me permet de résoudre des problèmes à une échelle que je n’aurais jamais pu atteindre dans une entreprise plus petite. Le plus important, j’ai reconnu le pouvoir d’intégrer et d’imbiber les données et l’analyse de données dans les processus commerciaux de base plutôt que de les traiter comme des interventions distinctes. Cette intégration transparente de l’expertise du domaine et de la transformation des processus est au cœur de l’ADN de WNS – et c’est ce qui m’a motivé à être acquis et maintenant à diriger cette unité commerciale chez WNS.

Au cours de vos 20 années de travail dans l’analyse de données, comment avez-vous vu évoluer le rôle des données et de l’IA dans les services financiers – de l’adoption précoce à l’intégration à grande échelle et au niveau de l’entreprise d’aujourd’hui ?

À la fin des années 90, l’analyse de données signifiait examiner les données historiques et faire des prévisions statistiques. La transformation a été remarquable.

Le début des années 2000 a apporté la numérisation et des modèles prédictifs plus avancés. En 2010, l’analyse de trading en temps réel était devenue standard. Il y a près d’une décennie, l’apprentissage automatique a commencé à entraîner un véritable changement, et plus récemment, l’IA générative (IA Gen) a pris le devant de la scène.

Aujourd’hui, les institutions financières traitent les données comme un actif stratégique. La question est passée de « pouvons-nous utiliser l’IA ? » à « comment intégrons-nous l’IA dans chaque décision ? »

L’impact est tangible : l’intégration des clients qui prenait auparavant des jours se termine maintenant en quelques heures avec la vérification basée sur l’IA. Les évaluations des risques de crédit évaluent des centaines de points de données en temps réel au-delà des scores traditionnels. Les calculs de risque qui nécessitaient des exécutions par lots nocturnes sont maintenant instantanés. Et la détection de la fraude ne réagit plus après coup – elle bloque les activités suspectes en temps réel.

Comment les entreprises visionnaires utilisent-elles les lacs de données et les cadres de gouvernance basés sur l’IA pour améliorer la prise de décision en temps réel, la conformité réglementaire et la transparence dans les opérations financières ?

Construire des entrepôts de données monolithiques et espérer des idées ne fonctionne plus. Les institutions doivent concevoir des écosystèmes de données intelligents.

Les services financiers sont confrontés à un défi unique : ils sont axés sur le client, gèrent des données hautement sensibles et doivent toujours offrir une personnalisation et une réactivité en temps réel. Cela nécessite des lacs de données modulaires construits sur des cadres flexibles.

Dans cette architecture, les organisations créent des étangs de données spécialisés pour l’analyse des prix, l’évaluation des risques et la déclaration réglementaire. Chaque étang fonctionne de manière indépendante tout en alimentant l’écosystème plus large, offrant une valeur immédiate tout en préservant les frontières de sécurité.

La tendance Zero ETL est particulièrement pertinente ici, car elle élimine les processus complexes d’extraction, de transformation et de chargement des données en permettant l’interrogation directe des systèmes. Cela permet à l’IA d’accéder et d’analyser les données en temps réel sans les déplacer, réduisant ainsi la latence et maintenant la gouvernance.

Les agents IA évoluent également au-delà de la détection des anomalies. Ils ne signalent pas seulement les transactions suspectes, mais recommandent également des actions et exécutent des réponses dans les paramètres de gouvernance.

Les données synthétiques sont souvent présentées comme un moyen sécurisé de former des modèles d’IA sans exposer d’informations sensibles. Pouvez-vous partager des exemples de la manière dont les données synthétiques sont appliquées de manière efficace dans la détection de la fraude, l’analyse des risques et la validation des modèles ?

Chez WNS Analytics, nous exploitons la génération de données synthétiques avancée pour créer des ensembles de données de haute fidélité et conformes à la confidentialité qui accélèrent la formation de modèles d’IA, en particulier dans les domaines où les données sont rares. Nos ensembles de données synthétiques imitent des scénarios du monde réel tout en reflétant les mêmes modèles statistiques, les mêmes comportements et les mêmes corrélations que les données financières réelles – flux de transactions, tendances de fraude, comportements des clients – sans exposer aucune information personnelle identifiable (PII) ou données client sensibles.

Cette capacité transforme les services financiers dans des domaines tels que l’analyse des risques, la détection de la fraude, la notation de crédit, les tests de résistance et la modélisation de conformité. Ces ensembles de données synthétiques permettent aux organisations de lancer rapidement le développement de solutions d’IA tout en garantissant à la fois la confidentialité des données et la confiance réglementaire.

Une application particulièrement innovante consiste à utiliser des données masquées PII pour créer des modèles de type. Cela permet aux entreprises de proposer des offres ciblées aux consommateurs, permettant ainsi un marketing personnalisé tout en maintenant une confidentialité totale.

L’automatisation intelligente et les agents d’IA sont de plus en plus intégrés dans les flux de travail métier. Quels sont les cas d’utilisation les plus transformatifs que vous avez vus dans les services financiers, et comment améliorent-ils la résilience et les performances opérationnelles ?

L’automatisation intelligente basée sur les agents d’IA accélère les flux de travail d’entreprise, permettant aux organisations de rationaliser les opérations et de prendre des décisions plus rapides et plus éclairées. Ces agents combinent l’automatisation avec une raison avancée pour offrir des améliorations de résilience, d’évolutivité et de performance.

Chez WNS Analytics, nous appliquons le cadre GAIN (notre cadre propriétaire pour la mise en œuvre de l’IA agentic) pour évaluer les niveaux appropriés d’autonomie pour l’IA agentic. Nous proposons en outre des composants réutilisables et basés sur des microservices pour des agents hyperspécialisés via notre AI Utilities Hub primé.

Dans l’assurance, nous avons transformé plusieurs flux de travail grâce à l’IA agentic. Dans le recouvrement des créances automobiles, notre solution de détection de récupération de tiers basée sur l’IA Gen, alimentée par des agents autonomes, a atteint 85 % de précision, doublé le volume de récupération et amélioré les récupérations annuelles d’environ 49 % – débloquant des millions d’opportunités qui étaient auparavant négligées.

Dans l’underwriting, notre assistant de recherche basé sur l’IA agentic utilise plusieurs agents spécialisés pour décomposer des requêtes complexes, extraire des données de multiples sources et générer des idées avec une précision de 99 % tout en réduisant le temps de réponse de 85 %.

Pour une banque de premier plan, notre solution basée sur l’IA Gen a réduit le temps d’écran des médias défavorables de 60 % et réduit les faux positifs de 12 à 15 %.

Nous disposons également d’une solution de gestion des connaissances basée sur l’IA Gen – conçue comme une plate-forme horizontale – pour redéfinir la manière dont les entreprises récupèrent, raisonnent et contextualisent de vastes données non structurées. En fournissant des idées précises, conformes et cohérentes en temps réel, elle améliore la prise de décision, améliore l’efficacité et renforce la résilience opérationnelle dans tous les secteurs.

Ces solutions augmentent le jugement humain, créant ainsi des systèmes plus rapides et plus précis.

Pour les entreprises qui visent à développer les initiatives d’IA, quels sont les plus grands obstacles – techniques, culturels ou stratégiques – et comment les dirigeants peuvent-ils les surmonter ?

Le plus grand obstacle à l’échelle de l’IA n’est pas la technologie – c’est la préparation organisationnelle.

Premièrement, il y a des silos de données à travers les systèmes hérités. Le remplacement complet n’est pas toujours pratique ; au lieu de cela, l’accent doit être mis sur la construction de ponts intelligents. Chez WNS, nous avons créé des « équipes de pont » qui associent les administrateurs de systèmes hérités aux ingénieurs cloud, accélérant ainsi la mise en œuvre tout en préservant les règles commerciales critiques.

Deuxièmement, le fossé des compétences. Les entreprises ont besoin du bon mélange d’experts du domaine, d’ingénieurs de données, de scientifiques de données et de traducteurs qui peuvent relier les idées techniques à la valeur commerciale.

Troisièmement, le rythme du changement technologique. Notre laboratoire d’IA WNS permet aux organisations d’expérimenter les technologies émergentes et de créer des preuves de concept avant de s’engager dans un déploiement à grande échelle.

Sur le plan culturel, le succès dépend d’une gestion efficace du changement. Nous concevons des cadres qui aident les employés à considérer l’IA comme un élément complémentaire et non de remplacement. Établir un conseil d’IA est également une décision judicieuse, offrant une gouvernance, un alignement interfonctionnel et un chemin structuré pour passer des pilotes à une échelle d’entreprise.

Avec une surveillance croissante de l’éthique de l’IA, des préjugés et de la transparence, comment les institutions financières peuvent-elles trouver un équilibre entre l’innovation et une gouvernance d’IA responsable ?

L’innovation et la responsabilité ne sont pas des choix opposés – la responsabilité doit être intégrée dans l’innovation dès le départ.

Les institutions financières ont besoin de cadres de gouvernance d’IA robustes. Chez WNS, nous mettons en œuvre des cadres qui garantissent que l’IA est développée de manière responsable, éthique et sécurisée. Notre approche intègre des vérifications pour les préjugés, l’équité, les KPI personnalisés et la surveillance de la dérive des modèles. Cela crée la confiance, et non seulement la conformité réglementaire.

La transparence est particulièrement critique dans les services financiers. Si l’IA refuse un prêt, les demandeurs méritent des explications claires et compréhensibles.

En fin de compte, une IA responsable est un avantage concurrentiel. Les banques qui démontrent l’équité, la transparence et la sécurité dans leurs systèmes d’IA gagnent la confiance des clients. Ceux qui traitent la gouvernance comme une après-pensée risquent des pénalités réglementaires et des dommages à la réputation qui sont beaucoup plus difficiles à réparer.

Dans les 3 à 5 prochaines années, quels seront les capacités d’IA émergentes ou les stratégies de données qui auront le plus d’impact sur la façon dont les organisations financières fonctionnent ?

Trois développements façonneront les services financiers au cours des trois à cinq prochaines années.

Premièrement, l’IA agentic passera de l’expérimental à l’essentiel. Les agents d’IA autonomes exécuteront des flux de travail complexes et orchestreront des départements entiers aux côtés des équipes humaines.

Deuxièmement, les systèmes d’apprentissage continu deviendront la norme. L’IA s’adaptera à chaque interaction, permettant des services financiers personnalisés qui évoluent avec les besoins changeants de chaque client.

Troisièmement, nous verrons une convergence technologique puissante : l’informatique quantique pour des calculs de risque avancés, la blockchain pour des journaux de décision d’IA transparents et l’informatique de bord pour des décisions instantanées et localisées. Ces technologies débloqueront de nouvelles formes de services financiers que nous commençons seulement à imaginer.

Ayant navigué l’entrepreneuriat, l’acquisition et maintenant un rôle de leadership mondial, quels principes directeurs vous ont aidé à prendre des décisions et à diriger les équipes à travers le changement ?

Trois principes me guident.

Premièrement, la persévérance plutôt que la perfection. Lorsque nous avons lancé The Smart Cube, nous n’avions pas toutes les réponses. Nous avons fait des erreurs, nous nous sommes adaptés et nous avons continué à avancer. La persévérance avec l’adaptabilité a été essentielle.

Deuxièmement, construire une valeur durable, et non des sorties rapides. Un professeur de l’école de commerce m’a conseillé – des années après que j’ai fondé The Smart Cube – « Ne vous concentrez pas sur la sortie. Concentrez-vous sur la construction d’une entreprise prospère qui durera. » Cette mentalité à long terme a façonné chaque décision que j’ai prise.

Troisièmement, profitez de ce que vous faites. J’ai toujours cru que si je ne m’amuse pas, je passerai à autre chose. Après 30 ans, je me réveille encore avec enthousiasme, et cet enthousiasme inspire les équipes à travers le changement.

Diriger à travers l’acquisition a renforcé une autre vérité : le changement réussit lorsque vous emmenez les gens avec vous. L’intégration technique est straightforward ; l’intégration culturelle – la construction d’une vision partagée – est là où la véritable direction compte.

Pour les professionnels qui veulent façonner l’avenir de l’IA dans la finance, quels sont les compétences, les mentalités ou les expériences que vous pensez seront les plus précieuses ?

L’avenir appartient à ceux qui peuvent relier les mondes. Les compétences techniques pures ou l’expertise du domaine seules ne suffiront pas.

Premièrement, développez une pensée systémique. Commencez par le besoin du marché – un cas d’utilisation clair – et travaillez à rebours. L’IA dans la finance nécessite de voir comment tout se connecte : comment un changement dans les modèles de risque affecte l’expérience client ou comment l’automatisation ouvre de nouvelles opportunités.

Deuxièmement, cultivez une pratique disciplinée plutôt que de l’idéalisme. Soyez enthousiaste à l’égard des nouvelles technologies, mais rigoureux dans leur évaluation. Pas tous les problèmes nécessitent l’IA – parfois, des analyses simples ou même des feuilles de calcul peuvent faire l’affaire.

Troisièmement, construisez des compétences de traduction. C’est essentiel. Pouvoir expliquer des concepts d’IA complexes aux membres du conseil d’administration et traduire les exigences commerciales pour les scientifiques de données est inestimable. Les dirigeants d’IA les plus forts alignent la technologie sur la stratégie commerciale.

Enfin, adoptez un apprentissage continu. Les outils qui étaient à la pointe il y a cinq ans sont déjà obsolètes. Restez curieux, humble et déterminé à apprendre, et vous ouvrirez des portes à des opportunités que nous ne pouvons pas encore imaginer à l’intersection de l’IA et de la finance.

Je vous remercie pour cette grande interview. Les lecteurs qui souhaitent en savoir plus peuvent visiter WNS Analytics.