Vijay Vijayasankar, Directeur mondial des solutions Agentic AI chez Genpact – Série d’entretiens

Vijay Vijayasankar, Directeur mondial des solutions Agentic AI chez Genpact, dirige la productisation mondiale des solutions Agentic AI de l’entreprise, avec un accent sur le passage de la création de valeur traditionnelle basée sur la main-d’œuvre à des cadres à marges plus élevées et basés sur les résultats. Dans son rôle, il aide à façonner l’approche de Genpact pour l’extension de l’IA à l’entreprise entière en construisant des modèles organisationnels autour des concepteurs d’IA avancés, qui conçoivent des couches d’orchestration avancées, et des praticiens d’IA, qui apportent une expertise de domaine dans les flux de travail alimentés par des agents autonomes. Avant de rejoindre Genpact, Vijayasankar a occupé des postes de direction chez IBM, notamment en tant que partenaire directeur pour les services financiers, directeur technique des services IBM d’Amérique du Nord et directeur général pour les domaines cognitifs, IoT, Analytics et Watson Health dans le GBS d’Amérique du Nord, ainsi que des rôles exécutifs précédents chez MongoDB (MDB ) et SAP.

Genpact est une entreprise de solutions technologiques avancées qui aide les grandes entreprises à moderniser leurs opérations grâce à l’intelligence des processus, à l’intelligence artificielle, aux données et à la transformation numérique. L’entreprise intervient dans des domaines tels que la finance et la comptabilité, les soins aux clients, les risques et la conformité, les achats et les approvisionnements, la chaîne d’approvisionnement, la technologie et la confiance et la sécurité, tandis que ses services de données et d’IA se concentrent sur l’aide aux organisations pour utiliser l’analyse avancée, l’IA et les agents autonomes pour transformer les données complexes en résultats commerciaux mesurables.

Vous avez passé plus de deux décennies dans des entreprises telles qu’IBM, MongoDB, SAP et maintenant Genpact, où vous occupez le poste de Directeur mondial des solutions Agentic AI. En regardant en arrière sur l’évolution des grandes données et de l’analyse aux systèmes d’IA agentic d’aujourd’hui, quels enseignements ont le plus façonné votre point de vue sur la façon dont les entreprises devraient aborder la transformation de l’IA ?

J’ai vu ce même film trois fois maintenant. Les grandes données étaient le remède miracle pour la prise de décision. Le cloud était le commutateur instantané pour l’agilité organisationnelle. Maintenant, l’IA agentic est le remède pour les opérations. À chaque cycle, les entreprises qui ont généré de la valeur se sont concentrées sur leurs modèles opérationnels, leurs processus et leurs personnes. Celles qui ont lutté, et beaucoup le font encore, ont traité la technologie elle-même comme la transformation.

Ce qui est fondamentalement différent dans l’IA agentic, c’est son emplacement. Elle se situe à la couche d’exécution, et non à la couche d’analyse. Les outils plus anciens généraient des graphiques et des recommandations. Les agents prennent des mesures. Un mauvais tableau de bord d’analyse produit un mauvais graphique que l’analyste humain détecte avant qu’il n’atteigne le bureau du PDG. Un mauvais agent exécute une mauvaise transaction à grande échelle avant que quiconque ne réalise qu’il s’est produit. Cela change complètement le profil de risque et oblige à un niveau de discipline opérationnelle que la plupart des entreprises n’ont pas eu besoin auparavant. J’ai appris à être méfiant de mon propre enthousiasme. L’IA agentic est fascinante, mais c’est exactement le moment où vous devez ralentir et auditer les fondations.

Le rapport de Genpact avec HFS Research estime que la dette d’entreprise non résolue piège près de 18 billions de dollars de valeur potentielle dans le monde. Qu’est-ce qui vous a le plus surpris dans les résultats, et pourquoi pensez-vous que de nombreuses organisations continuent de sous-estimer l’impact de la dette de processus, de données, de technologie et de talents ?

Ce qui a été révélateur, c’est l’ampleur de la valeur piégée derrière des processus inefficaces, des données fragmentées, une technologie vieillissante et des défis de préparation de la main-d’œuvre, mesurés en trillions de dollars.

Ce qui compte plus que le chiffre total, c’est la façon dont le problème est structuré. La plupart des dirigeants regardent ces questions comme des silos distincts. Un problème de données, un problème de processus, un problème de technologie, un problème de compétences, chacun traité de manière indépendante. Ils ne sont pas séparés. De mauvaises données obligent les gens à inventer des solutions manuelles. Ces solutions créent une complexité de processus. Cette complexité brûle les meilleures personnes et rend les opérations fragiles. Lorsqu’une initiative d’IA arrive, elle se heurte à tout cela simultanément. L’IA est blâmée pour un échec qui était intégré dans l’entreprise il y a une décennie. On parle de la dette d’entreprise comme d’un fardeau de coûts, mais c’est plus précisément une contrainte de croissance. Cette distinction est importante car elle change la personne qui possède le problème et ce que la résolution en vaut.

Le rapport a constaté que 85 % des dirigeants estiment que la dette d’entreprise limite la réalisation de la valeur de l’IA. Pourquoi pensez-vous que les entreprises continuent d’investir lourdement dans l’IA tout en négligeant souvent les problèmes fondamentaux qui empêchent ces investissements de générer des rendements ?

Parce que l’IA est visible et que les fondations sont invisibles. Chaque conseil d’administration veut voir une stratégie d’IA. Chaque PDG a besoin d’une histoire à raconter. Le déploiement d’un nouveau modèle est une manchette. La révision d’un processus de chaîne d’approvisionnement essentiel est un travail ingrat et invisible jusqu’à ce qu’il fonctionne enfin.

J’ai vu des organisations passer six mois à sélectionner un modèle et six jours à examiner le processus que le modèle est censé améliorer. Ce ratio est inversé, et ils le découvrent à la dure. Le goulet d’étranglement n’est presque jamais l’IA. Ce sont des processus incohérents, des systèmes déconnectés et des données dont personne n’a été responsable depuis des années. L’IA ne résout pas ces choses. Elle les expose plus rapidement. Les structures d’incitation ne récompensent pas la réparation des fondations. Il n’y a pas de démonstration pour la gouvernance des données. Les exécutifs qui le font discrètement parient que la santé opérationnelle se cumule avec le temps, mais la plupart des conseils d’administration ne mesurent pas cela.

La dette de données est apparue comme le plus grand bloqueur d’IA dans la recherche. Quelles étapes pratiques les entreprises devraient-elles prendre aujourd’hui pour passer d’environnements de données fragmentés et de mauvaise qualité à des fondations de données qui peuvent supporter l’IA agentic à grande échelle ?

Arrêtez d’essayer de lancer un programme de gouvernance massive et descendant. C’est une réponse technologique à un problème d’accountabilité. Dans la plupart des grandes organisations, personne n’est responsable de l’exactitude des informations qui font tourner l’entreprise.

Le point de départ pratique est de choisir une poignée de processus à haute valeur et de travailler à rebours. Quelles décisions doivent être prises ? Quelles données ces décisions nécessitent-elles ? Qui possède ces données ? Combien de fois sont-elles incorrectes ? Cet exercice met immédiatement en évidence les lacunes en matière de responsabilité. Et nous devons obtenir cela correctement car les agents échouent silencieusement. Un analyste humain voit deux systèmes en désaccord et prend une décision éclairée. Un agent arbitre entre les données contradictoires et exécute avec une confiance totale. Si différentes parties de votre organisation définissent un client ou une transaction différemment, l’agent prend des décisions confiantes à partir de mauvaises entrées et rien dans votre organisation ne le détecte. C’est une nouvelle catégorie de risque opérationnel que la plupart des organisations n’ont pas encore pleinement évalué.

Les agents ne gèrent pas l’ambiguïté de la même manière que les humains. C’est aussi pourquoi le succès d’une solution agentic dépend moins de l’intelligence des modèles et plus de la qualité des garde-fous mis en place.

Vous avez soutenu qu’il n’y a pas d’« IA sans intelligence des processus ». Pourquoi pensez-vous que la révision des processus est souvent plus importante que le modèle d’IA lui-même lorsque les organisations tentent d’automatiser des opérations commerciales complexes ?

Parce que le modèle se comporte aussi bien que le processus dans lequel il est intégré, et non mieux. Les organisations s’obsèdent sur la sélection du modèle parce que c’est là que se trouve l’innovation visible, mais le processus est là où la valeur est créée ou perdue.

Si un flux de travail comporte des approbations redondantes, un travail en double ou une propriété peu claire, l’IA ne répare pas ces choses. Elle les accélère. Vous obtenez un résultat cassé plus rapidement et à une échelle plus grande. Les gens pensent souvent qu’une révision complète du processus les ralentit, mais la réalité est exactement le contraire. Vous économisez les dix-huit mois que vous auriez passés à défaire un mauvais déploiement. Pensez-y comme à un véhicule : vous pouvez mettre le meilleur moteur jamais construit dans une voiture aux roues mal alignées, et il tirera toujours vers la gauche.

De nombreuses organisations expérimentent avec des agents d’IA, mais relativement peu ont déployé avec succès ces agents à travers les fonctions commerciales essentielles. Qu’est-ce qui distingue les entreprises qui dépassent les pilotes de celles qui restent bloquées dans le mode de preuve de concept ?

Les pilotes sont conçus pour réussir. Vous choisissez le meilleur processus, les données les plus propres et l’équipe la plus motivée. La mise à l’échelle signifie frapper l’environnement réel où aucune de ces conditions n’est remplie.

Les organisations qui mettent à l’échelle arrêtent de créer des conditions artificielles dès le départ. Elles choisissent un véritable problème opérationnel, attribuent un propriétaire responsable du résultat commercial, et non de la technologie, et intègrent la gouvernance dans la conception dès le premier jour. Nous avons des clients qui exécutent des agents en production dans les comptes payables et la surveillance des transactions. Les chiffres de productivité sont là, mais le véritable changement est structurel. L’état final est un flux de travail fondamentalement différent où les gens sont libérés pour effectuer le travail stratégique qu’ils n’ont jamais eu le temps de gérer auparavant. La mise à l’échelle des agents est un défi de leadership, et non un défi logiciel.

Le rapport met en évidence que seulement 6 % des entreprises ont résolu avec succès leurs principaux défis de dette. Qu’est-ce que ces organisations font différemment, et quels sont les erreurs courantes que vous voyez chez les entreprises qui luttent pour faire des progrès significatifs ?

Elles traitent cela comme un problème commercial, et non comme un programme informatique. Cela est lié au parrainage exécutif et à la performance commerciale mesurable. Elles comprennent que la santé opérationnelle n’est pas séparée de la stratégie de croissance. C’est la stratégie de croissance.

Les 94 % restants poursuivent les symptômes. Ils déploient un outil pour résoudre un problème de processus ou lancent une initiative d’IA pour compenser de mauvaises données. Cela produit un regain à court terme, mais le problème sous-jacent persiste et la dette continue de s’accumuler. Les dirigeants qui brisent le cycle sont prêts à dire ce que la plupart des exécutifs ne diront pas : ce processus est cassé depuis quinze ans, nous avons construit des modèles opérationnels autour de ses échecs, et nous allons le démonter et le reconstruire à partir de zéro. Cet aveu est inconfortable. Cela invite des questions sur pourquoi cela n’a pas été réparé plus tôt. Ceux qui prennent cette décision sont ceux qui font de réels progrès.

Vous avez parlé de la distinction entre « concepteurs d’IA » et « praticiens d’IA ». Comment voyez-vous l’évolution de la main-d’œuvre d’entreprise au cours des cinq prochaines années, et quels seront les compétences les plus précieuses à mesure que les humains travailleront de plus en plus aux côtés d’agents autonomes ?

La compétence la plus précieuse sera de savoir comment formuler un problème. À mesure que l’IA gère davantage l’exécution, la qualité du résultat dépend de la qualité de la question et du jugement appliqué à la sortie. Vous devez être capable de reconnaître quand quelque chose a l’air juste mais est structurellement faux.

En plus de cela, je mettrais en évidence trois choses spécifiques. Premièrement, la profondeur de domaine. Les capacités d’IA générales sont de plus en plus commoditisées, donc les généralistes perdent leur attrait. La prime ira aux experts de domaine profonds qui combinent une véritable expertise fonctionnelle avec la capacité d’appliquer l’IA dans ce contexte. Deuxièmement, la gestion des exceptions. Vous avez besoin de personnes qui savent quoi faire lorsque l’agent heurte un mur ou que les enjeux financiers sont trop élevés pour être automatisés, ce qui nécessite une sagesse institutionnelle plutôt que des données de formation. Troisièmement, la conception du flux de travail, c’est-à-dire la capacité de structurer le travail de telle sorte que les humains et les systèmes intelligents fassent chacun ce à quoi ils sont le mieux adaptés, et de reconnaître quand cette division doit changer. Ce n’est pas un terme que l’industrie a encore défini, mais la compétence est réelle et actuellement sous-estimée.

Il y a un débat en cours sur le fait que l’IA éliminera les emplois ou les transformera. Vous avez soutenu que beaucoup de l’inquiétude provient d’une mécompréhension de ce que l’IA fait bien. Comment voyez-vous la relation entre l’expertise humaine et les agents d’IA se développer à mesure que l’adoption s’accélère ?

L’IA est spectaculaire pour les tâches clairement définies, à haute volumétrie et dépendantes de modèles, telles que le traitement des factures, la surveillance des anomalies de transaction et la rédaction de communications routinières. Elle fait ces choses plus rapidement et à une échelle que aucune équipe humaine ne peut atteindre. Cependant, l’IA ne peut pas assumer la responsabilité des résultats du monde réel, ni gérer des choses comme la nouveauté, l’ambiguïté et les relations humaines complexes, ce qui explique pourquoi l’expertise humaine reste essentielle.

La plupart des emplois sont un ensemble de tâches, et non une seule activité, et l’IA absorbera la couche d’exécution avec le temps. Cela ne supprime pas le besoin de personnes, cela change simplement où elles créent de la valeur. À mesure que le travail routinier est automatisé, l’expertise se déplace vers la résolution d’exceptions, la révision de processus et l’aide aux organisations à s’adapter à mesure que les besoins technologiques et commerciaux évoluent. Certains rôles seront considérablement modifiés, et les dirigeants ont la responsabilité de s’assurer que le nouveau travail créé est accessible aux personnes dont l’ancien travail disparaît. La réponse dépend presque entièrement des choix que les organisations font en matière de formation et de transition. C’est une décision de leadership, et non un résultat technologique. Les entreprises que je respecte le plus sont honnêtes avec leurs équipes sur les rôles qui changent, sur quel calendrier, sur les domaines où l’expertise humaine reste extrêmement précieuse et sur les chemins réalistes vers l’avenir. La plupart n’ont pas encore cette conversation.

En regardant vers l’avenir, à quoi ressemble une véritable entreprise agentic en pratique ? Si nous revenons sur cette conversation dans cinq ans, quels changements dans les opérations commerciales, la conception organisationnelle et le déploiement de l’IA devriez-vous attendre de voir devenir la norme dans les entreprises de premier plan ?

Nous arrêterons de parler de l’IA comme d’une initiative distincte, tout comme nous avons arrêté de parler d’aller numérique. C’est simplement la façon dont le travail est fait.

Le changement structurel est ce qui m’intéresse le plus. Beaucoup de notre hiérarchie actuelle existe parce que l’information était difficile à déplacer. Nous avons des chaînes d’approbation et des rôles de coordination parce que l’information devait voyager de l’endroit où elle était créée à l’endroit où les décisions étaient prises. Les agents réduisent cette distance. Lorsqu’ils le font, une grande partie de l’infrastructure de coordination devient redondante. Les organisations qui reconnaissent cela tôt et conçoivent à nouveau autour de cela auront un avantage de vitesse qui se cumule.

Nous allons également voir un changement dans la façon dont l’IA est achetée et livrée. Les sociétés de logiciels construisent des produits mais n’assument pas la responsabilité des résultats. Les sociétés de services assument la responsabilité mais ont du mal à construire des produits évolutifs. Les deux modèles sont inadéquats. Ce que nous construisons chez Genpact, c’est l’IA produitisée dans des domaines spécifiques, livrée en tant que résultat. Vous achetez le résultat et nous sommes responsables de celui-ci. Je pense que cela deviendra la norme car cela aligne correctement les incitations. Le fournisseur qui ne vend que des capacités n’a aucun intérêt à ce que cela fonctionne dans votre environnement. Ceux qui sont responsables du résultat ont tout intérêt. Les gagnants de cette ère ne seront pas définis par la possession des modèles d’IA les plus sophistiqués. Ils seront définis par la maîtrise de la révision structurelle entre les humains, les processus et les systèmes intelligents. Nous ne sommes qu’au premier jour de ce changement.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus devraient visiter Genpact.