Jayant Swamy, Genpact में मुख्य उद्यम वास्तुकार – साक्षात्कार श्रृंखला

Jayant Swamy, Genpact में मुख्य उद्यम वास्तुकार, दो दशकों से अधिक के अनुभव वाले प्रौद्योगिकी और डेटा नेता हैं, जिनका कार्यक्षेत्र उद्यम वास्तुशिल्प, कृत्रिम बुद्धिमत्ता, डेटा इंजीनियरिंग, क्लाउड प्रौद्योगिकियों और बड़े पैमाने पर डिजिटल परिवर्तन तक फैला है। 2024 में Genpact से जुड़ने से पहले, उन्होंने Xtrac8.Tech में CTO और मुख्य वास्तुकार के रूप में तथा जनरेटिव AI और बड़े भाषा मॉडल सहित तकनीकों पर केंद्रित एक AI स्टार्टअप के CTO और सह‑संस्थापक के रूप में कार्य किया। Swamy ने पहले Accenture में एक दशक से अधिक समय बिताया, जहाँ उनके नेतृत्व भूमिकाओं में CTO, ग्लोबल लीड और ग्लोबल मैनेजिंग डायरेक्टर, Institute of Applied Intelligence के, डेटा ऑन क्लाउड व्यवसाय के मैनेजिंग डायरेक्टर और ग्लोबल बिजनेस लीड, तथा मुख्य डेटा वास्तुकार और डेटा इंजीनियरिंग एवं डेटा इनोवेशन के ग्लोबल लीड शामिल थे। अपने करियर की शुरुआत में, उन्होंने Fannie Mae में सात साल से अधिक तकनीक और व्यापार सूचना पहलों की देखरेख की, जो सर्विसिंग और क्रेडिट लॉस मैनेजमेंट से संबंधित थीं, और Oracle (ORCL ) में कई वर्षों तक सीनियर प्रिंसिपल के रूप में कार्य किया।

Genpact एक वैश्विक प्रौद्योगिकी और व्यापार सेवाओं की कंपनी है जो एंटरप्राइज़ को कृत्रिम बुद्धिमत्ता, डेटा, प्रक्रिया बुद्धिमत्ता और डोमेन विशेषज्ञता के माध्यम से जटिल संचालन को बदलने में मदद करती है। कंपनी की उत्पत्ति 1997 में GE Capital के भीतर एक पहल से हुई, 2005 में स्वतंत्र हुई, और 2007 में न्यूयॉर्क स्टॉक एक्सचेंज पर सार्वजनिक हुई। आज, Genpact विभिन्न उद्योगों जैसे बैंकिंग, बीमा, वित्त, सप्लाई चेन, उपभोक्ता वस्तुएँ, स्वास्थ्य देखभाल और प्रौद्योगिकी में संगठनों के साथ काम करता है, और जनरेटिव AI, एजेंटिक सिस्टम, ऑटोमेशन और AI‑सक्षम एंटरप्राइज़ संचालन पर बढ़ता ध्यान देता है।

आपका करियर Oracle, Fannie Mae, और Accenture में उद्यम वास्तुशिल्प और डेटा नेतृत्व भूमिकाओं से लेकर स्टार्टअप वातावरण और वर्तमान में Genpact में मुख्य उद्यम वास्तुकार की पद तक गया है। इस अनुभव ने AI स्वायत्तता जहाँ वास्तविक एंटरप्राइज़ मूल्य बनाती है और जहाँ मानव निर्णय आवश्यक रहता है, के बारे में आपके दृष्टिकोण को कैसे आकार दिया है? 

अपने करियर के दौरान, मैंने सीखा है कि स्केल, गवर्नेंस, इंटीग्रेशन और जोखिम नवाचार जितने ही महत्वपूर्ण हैं। उद्यम अनुभव दर्शाता है कि प्रभावशाली प्रौद्योगिकी भी विफल हो जाती है यदि वह संगठन के भीतर काम नहीं कर सकती; स्टार्टअप तेज़ी से आगे बढ़ने, प्रयोग करने और वास्तुशिल्प को सरल और अनुकूलनीय रखने के मूल्य को सुदृढ़ करते हैं। AI स्वायत्तता सबसे अच्छा तब काम करती है जब आप दोनों मानसिकताओं को मिलाते हैं — गति से नवाचार करते हुए मजबूत बुनियाद बनाए रखते हैं। इस तरह, AI वास्तव में संगठन में कार्य प्रवाह को बदल सकता है। हमारे हालिया शोध इस बिंदु को स्पष्ट रूप से समर्थन देता है।

मॉडल स्वयं समीकरण का केवल एक हिस्सा है। आसपास की वास्तुशिल्प — डेटा, सिस्टम, कार्यप्रवाह, नियंत्रण और इंटीग्रेशन — निर्धारित करता है कि AI स्केल पर मूल्य बनाता है या नहीं। यही वह बात है जिसे हम “प्रक्रिया बुद्धिमत्ता के बिना कृत्रिम बुद्धिमत्ता नहीं” कहते हैं। यह वही आधार है जो हमारे Genpact Labs में लागू AI कार्य के पीछे है, जहाँ हम उभरती AI क्षमताओं को उत्पादन‑ग्रेड, क्लाइंट‑तैयार समाधान में बदलते हैं। प्रत्येक क्षमता को एक मापने योग्य व्यावसायिक परिणाम से जोड़ा जाता है और उसे चलाने के लिए आवश्यक कार्यप्रवाह, डेटा और नियंत्रण में एकीकृत किया जाता है।

AI को तभी स्वतंत्र रूप से कार्य करने की जगह मिलनी चाहिए जब उद्देश्य स्पष्ट हो, डेटा विश्वसनीय हो, और सीमाएँ अच्छी तरह समझी गई हों। मानव निर्णय उन निर्णयों के लिए आवश्यक रहता है जो उच्च दांव, अस्पष्ट, व्यक्तिपरक, नियामक या जवाबदेही और सहानुभूति की माँग करते हैं। स्वायत्तता का मतलब सिस्टम से मानव को हटाना नहीं है। यह सिस्टम को इस तरह डिजाइन करना है कि सभी को पता हो कि AI कहाँ स्वतंत्र रूप से कार्य कर सकता है, कहाँ मानव को दृश्यता चाहिए, और कहाँ मानव निर्णय को लेना आवश्यक है।

कई कंपनियाँ ग्राहक‑सामना AI को मुख्यतः गति, कंटेनमेंट दर और लागत बचत के माध्यम से आंकती हैं। ये मेट्रिक्स क्यों तकनीकी रूप से यह दिखाने में भ्रामक हो सकते हैं कि प्रौद्योगिकी वास्तव में ग्राहक अनुभव को सुधार रही है?

समस्या यह है कि ये मुख्यतः दक्षता के माप हैं। वे दिखाते हैं कि सिस्टम ने कैसे प्रदर्शन किया, लेकिन जरूरी नहीं कि ग्राहक ने इसे कैसे अनुभव किया हो। उदाहरण के लिए कंटेनमेंट: उच्च दर आंतरिक रूप से सफल लग सकती है, लेकिन यदि ग्राहक हार मान लेता है, खुद को दोहराता है, अधूरी उत्तर प्राप्त करता है, या आवश्यक होने पर किसी व्यक्ति तक नहीं पहुँच पाता, तो यह खराब परिणाम छुपा सकता है। कंटेनमेंट दर्शाता है कि AI ने ग्राहक को सिस्टम के भीतर रखा, न कि कि उन्हें उनकी जरूरत मिली। यही बात लागत बचत पर भी लागू होती है, जो भरोसा, संतुष्टि या समाधान की गुणवत्ता की कीमत पर हो सकती है।

AI सिस्टम उन संकेतों के अनुसार अनुकूलित होते हैं जो आप उन्हें देते हैं, इसलिए उद्यमों को शुरू से ही सिस्टम में मापन संकेतों को डिजाइन करना चाहिए — गति और कंटेनमेंट जैसे फ्रंट‑एंड मेट्रिक्स को डाउनस्ट्रीम संकेतों जैसे मुद्दा समाधान और क्या परिणाम ने कहीं और समस्याएँ पैदा कीं, से जोड़ना चाहिए। अंततः, ग्राहक‑सामना AI को इस बात पर मापा जाना चाहिए कि क्या वह अंत उपयोगकर्ता की मूल समस्या को सटीक, निष्पक्ष और उचित मानव समर्थन के साथ हल करता है।

AI एजेंट को अनिश्चितता, निराशा, तात्कालिकता या ऐसी स्थिति को पहचानने के लिए कौन से संकेतों का उपयोग करना चाहिए जो उसके स्थापित कार्यप्रवाह से बाहर है? 

कोई एकल जादुई संकेत नहीं है — महत्वपूर्ण यह है कि सिस्टम को पर्याप्त संदर्भ और अवलोकन प्रदान किया जाए जिससे वह पहचान सके कि उसकी आत्म‑विश्वास, अधिकार या जानकारी अब पर्याप्त नहीं है। यह विरोधाभासी जानकारी, बार‑बार असफल प्रयास, या एजेंट के चक्र में फँसने के रूप में प्रकट हो सकता है। यह ग्राहक की भाषा में बदलाव — निराशा या तात्कालिकता का स्पष्ट संकेत — या कार्य स्वयं ऐसी जानकारी, पहुँच या अधिकार की मांग करता है जो एजेंट के पास नहीं है, के रूप में भी दिख सकता है।

सिस्टम को अपनी सीमाओं का भी पता होना चाहिए। यदि कोई मुद्दा उसके डिजाइन किए गए कार्यप्रवाह से बाहर आता है, अनुपलब्ध डेटा की जरूरत होती है, या परिभाषित जोखिम सीमा को पार करता है, तो उसे एक अलग मार्ग पर ले जाना चाहिए। लक्ष्य यह नहीं है कि एजेंट हर संभावित परिदृश्य को संभाले — बल्कि यह है कि वह जानता हो कब रुकना है, एस्केलेट करना है, या मदद माँगनी है।

कंपनियाँ कैसे पहचान सकती हैं कि कोई इंटरैक्शन केवल जटिल है या वास्तव में मानव निर्णय या सहानुभूति की आवश्यकता रखता है?

भेदरेखा कार्य की कठिनाई नहीं है। यह इस बात पर निर्भर करती है कि निर्णय में कितना निर्णय, परिणाम और मानव संदर्भ शामिल है। जहाँ मशीनें प्रक्रिया करती हैं और मानव सत्यापित करता है, ऐसी एजेंटिक संचालन स्थापित करने के लिए यह समझना आवश्यक है कि मानव मूल्य कभी प्रतिस्थापित नहीं किया जा सकता। AI बहुत जटिल कार्यों को संभाल सकता है जब उद्देश्य स्पष्ट हो, डेटा विश्वसनीय हो, प्रक्रिया परिभाषित हो, और परिणाम मापने योग्य हों। केवल जटिलता के कारण मानव की आवश्यकता नहीं होती यदि सिस्टम उन सीमाओं को समझता है जिनके भीतर वह कार्य कर सकता है। जब ग्राहक का इरादा अस्पष्ट हो, स्थिति में विवेक की आवश्यकता हो, कई वैध परिणाम हों, या निर्णय में महत्वपूर्ण वित्तीय, कानूनी, चिकित्सा या प्रतिष्ठा संबंधी परिणाम हों, तब मानव को शामिल किया जाना चाहिए। कुछ इंटरैक्शन में आश्वासन, व्याख्या, बातचीत या सहानुभूति की भी जरूरत होती है — केवल उत्तर नहीं। उस स्थिति में मानव भागीदारी तकनीकी सटीकता जितनी ही महत्वपूर्ण है। वास्तुशिल्प को इस अंतर को दर्शाना चाहिए। इन हस्तक्षेप बिंदुओं को कार्यप्रवाह में प्रारंभ से ही डिजाइन किया जाना चाहिए, न कि बाद में समस्या होने पर तय किया जाए।

एक प्रभावी एस्केलेशन प्रक्रिया कैसी होनी चाहिए ताकि ग्राहक को दोहराना न पड़े या जब मानव एजेंट संभाल ले तो इंटरैक्शन फिर से शुरू न करना पड़े?

एक अच्छा एस्केलेशन केवल ग्राहक को स्थानांतरित करने तक सीमित नहीं है — यह संदर्भ को स्थानांतरित करने के बारे में है, ताकि अगला व्यक्ति सीधे समाधान की ओर बढ़ सके। जब मानव संभालता है, तो उसके पास पहले से ही वार्तालाप इतिहास, ग्राहक की पहचान और प्रोफ़ाइल, और AI द्वारा किए गए प्रयास होने चाहिए — ताकि ग्राहक को फिर से शुरू करने के लिए न कहा जाए।

यह मुख्यतः एक वास्तुशिल्प समस्या है — यदि AI केवल फ्रंट‑एंड चैट अनुभव में बैठा है, CRM, ERP, ज्ञान स्रोत, कार्यप्रवाह और ऑर्केस्ट्रेशन लेयर से असंबद्ध है, तो सहज हैंडऑफ़ असंभव हो जाता है।

क्या एस्केलेशन थ्रेशोल्ड को वित्तीय जोखिम, ग्राहक की संवेदनशीलता, नियामक आवश्यकताएँ, या गलत निर्णय के संभावित परिणाम जैसे कारकों के आधार पर बदलना चाहिए?

एस्केलेशन नियम जोखिम के स्तर पर निर्भर होने चाहिए। जितने अधिक परिणाम गलत होने पर होते हैं, उतनी ही जल्दी मानव को शामिल किया जाना चाहिए।

पासवर्ड रीसेट पूरी तरह स्वचालित चल सकता है, लेकिन विवादित वित्तीय लेन‑देन को कड़ी निगरानी चाहिए। दावे या संग्रह में, इसका मतलब हो सकता है कि नियमित स्थिति अपडेट पर पूर्ण स्वायत्तता, लेकिन जब मामला डॉलर थ्रेशोल्ड को पार करता है या कठिनाई संकेतक आता है तो अनिवार्य मानव जांच। जितना अधिक नियामक या परिणाम‑संबंधी निर्णय, उतनी ही मजबूत निगरानी होनी चाहिए। संवेदनशील ग्राहक को पहले मानव हस्तक्षेप की आवश्यकता हो सकती है, और अपरिवर्तनीय परिणामों वाले निर्णयों के लिए स्वायत्तता थ्रेशोल्ड कम होना चाहिए।

इन थ्रेशोल्ड को व्यक्तिगत एजेंटों को तत्काल निर्णय लेने के लिए नहीं छोड़ना चाहिए। उन्हें वास्तुशिल्प और ऑर्केस्ट्रेशन लेयर में निर्मित होना चाहिए, स्पष्ट नियमों के साथ कि एजेंट को क्या करने की अनुमति है, क्या अतिरिक्त सत्यापन की आवश्यकता है, और क्या एस्केलेट करना अनिवार्य है।

अवसर यह है कि स्वायत्तता को जोखिम के साथ स्केल किया जाए — कम‑जोखिम वाले कार्यों पर पूरी गति, जहाँ महत्वपूर्ण है वहाँ कड़ी नियंत्रण। Genpact में, हमने यह स्तरबद्धता सीधे एजेंटिक कार्यप्रवाहों के डिजाइन में शामिल की है — नियमित मामलों को स्वायत्त रूप से चलाते हुए, जबकि किसी भी परिभाषित जोखिम या डॉलर थ्रेशोल्ड को पार करने वाले मामलों को स्वचालित रूप से मानव को रूट करते हैं, बिना एजेंट को एस्केलेशन का निर्णय लेना पड़े। उन कंपनियों को जो हर इंटरैक्शन को समान स्तर की स्वायत्तता देती हैं, सुविधा जल्दी ही महंगे त्रुटियों में बदल जाती है।

कार्य पूर्णता से आगे, कौन से मेट्रिक्स संगठनों को यह मूल्यांकन करने के लिए उपयोग करने चाहिए कि एक स्वायत्त ग्राहक सेवा प्रणाली ग्राहक के लिए सकारात्मक परिणाम उत्पन्न कर रही है या नहीं?

कार्य पूर्णता उपयोगी है, लेकिन यह पर्याप्त नहीं है। प्रश्न यह नहीं होना चाहिए, “क्या एजेंट ने कार्य पूरा किया?” बल्कि यह होना चाहिए, “क्या ग्राहक बेहतर स्थिति में समाप्त हुआ?” यह परिणाम का वादा करने और उसके लिए उत्तरदायी होने के बीच अंतर है।

इसका मतलब है कि हैंडलिंग समय के अलावा प्रतिक्रिया सटीकता, प्रथम‑संपर्क समाधान, दोहराव संपर्क, एस्केलेशन गुणवत्ता, ग्राहक संतुष्टि, और परिणामों की निष्पक्षता व स्थिरता जैसे मेट्रिक्स देखे जाएँ। यह भी आवश्यक है कि एक व्यक्तिगत इंटरैक्शन से परे मापा जाए। एक एजेंट ग्राहक यात्रा के एक हिस्से में सफल दिख सकता है जबकि नीचे की ओर समस्या पैदा करता है। उदाहरण के लिए, तेज़ी से बंद होने वाला केस कई हफ़्तों बाद फिर से कॉल ट्रिगर कर सकता है, जिससे ग्राहक की भावना पर असर पड़ता है और अंततः मानव हस्तक्षेप की आवश्यकता होती है, इसलिए यह ट्रैक करना उपयोगी है कि क्या वह 30 दिनों बाद भी हल हुआ है।

यह भी महत्वपूर्ण है कि सिस्टम वास्तव में ग्राहक की मूल आवश्यकता को हल करता है या नहीं, केवल इंटरैक्शन को बंद करके इसे जीत मानने के बजाय। इसके लिए कार्यप्रवाह में अंत‑से‑अंत अवलोकन आवश्यक है, न कि केवल AI इंटरफ़ेस से मेट्रिक्स। ग्राहक और व्यावसायिक परिणामों को मापना, न कि केवल गतिविधि को, ही AI के वास्तविक ROI को उजागर करता है।

व्यवसाय कैसे सुनिश्चित कर सकते हैं कि AI एजेंट परिचालन लक्ष्यों जैसे कॉल वॉल्यूम या हैंडलिंग टाइम को घटाने के लिए अनुकूलन न करें, जिससे निष्पक्षता, भरोसा या ग्राहक की मूल आवश्यकताओं का त्याग हो?

AI सिस्टम उस लक्ष्य को प्राप्त करने में अत्यधिक कुशल होते हैं जो उन्हें दिया जाता है। यही लाभ और चुनौती दोनों है — यदि आप एजेंटिक सिस्टम को केवल गति को लक्ष्य बताते हैं, तो वह सब कुछ त्याग देगा ताकि वह इसे हासिल कर सके। व्यवसायों को AI को संतुलित उद्देश्यों का सेट देना चाहिए जहाँ दक्षता महत्वपूर्ण है, लेकिन वह ग्राहक परिणाम, जोखिम, निष्पक्षता, सटीकता और भरोसे के साथ भी जुड़ा हो। यह स्पष्ट गार्डरेल्स स्थापित करके, पक्षपात और अनपेक्षित परिणामों के लिए परीक्षण करके, मानव ओवरराइड मैकेनिज़्म बनाए रखकर, निर्णयों की निरंतर निगरानी करके, और आउटपुट को ट्रेसेबल और ऑडिटेबल बनाकर हासिल किया जाता है। गवर्नेंस को सिस्टम चलने के बाद जोड़ने वाली चीज नहीं होनी चाहिए। इसे शुरू से ही वास्तुशिल्प में निर्मित किया जाना चाहिए।

ग्राहक संदर्भ पिछले वार्तालापों, लेन‑देन, चैनलों और एंटरप्राइज़ सिस्टम में फैला हो सकता है। कंपनियाँ AI एजेंटों को बेहतर निर्णय लेने के लिए पर्याप्त संदर्भ कैसे दे सकती हैं बिना नई गोपनीयता, सुरक्षा या गवर्नेंस जोखिम पैदा किए?

विखरे हुए संदर्भ का उत्तर यह नहीं है कि AI एजेंट को सब कुछ तक पहुँच दी जाए। यह सही जानकारी को सही समय पर नियंत्रित पहुँच देना है। उद्यमों को एक मजबूत डेटा और इंटीग्रेशन लेयर चाहिए जो एजेंटों को प्राधिकृत रिकॉर्ड सिस्टम से जोड़ता है, जबकि यह नियंत्रित करता है कि प्रत्येक एजेंट क्या देख सकता है और क्या कर सकता है। इसमें भूमिका‑और‑उद्देश्य‑आधारित पहुँच, न्यूनतम आवश्यक डेटा, लीनियेज़ ट्रैकिंग, ऑडिट लॉग, और संवेदनशील जानकारी की सुरक्षा शामिल है।

अधिक संदर्भ AI निर्णयों को सुधारता है, लेकिन केवल तभी जब वह गवर्नेड हो। अन्यथा, एक समस्या को हल करने से बड़ी गोपनीयता या सुरक्षा समस्या उत्पन्न हो सकती है। यदि ठीक से संभाला जाए, तो संदर्भ प्रणाली को पिछले अपवादों से सीखते हुए आगे के इंटरैक्शन को smarter बनाता है, बिना नई जोखिम पैदा किए।

जैसे-जैसे ग्राहक‑सामना AI अधिक स्वायत्त हो रहा है, आप AI एजेंटों और मानव कर्मचारियों के बीच संबंध के विकास को कैसे देखते हैं, और इस सहयोग को सफल बनाने के लिए संगठनों को अभी कौन सी क्षमताएँ बनानी होंगी?

मानव भूमिका धीरे‑धीरे प्रत्येक प्रक्रिया के हर चरण को निष्पादित करने से सिस्टम के एजेंटों की कार्य मात्रा को निर्देशित, पर्यवेक्षण और सुधारने की ओर बदल जाएगी। लोग अधिक समय उद्देश्यों को निर्धारित करने, अपवादों को संभालने, निर्णय में विवेक प्रयोग करने, उच्च‑जोखिम निर्णयों को सत्यापित करने, कार्यप्रवाह को परिष्कृत करने, एजेंट व्यवहार की निगरानी करने, और उन एजेंटिक सिस्टम के पीछे की वास्तुशिल्प और गवर्नेंस को सुधारने में बिताएंगे। इससे कंपनियों की कौशल आवश्यकताएँ भी बदलेंगी। AI समझ होना आवश्यक होगा, लेकिन साथ ही महत्वपूर्ण सोच, डोमेन विशेषज्ञता, एजेंट ऑर्केस्ट्रेशन, अवलोकन, और AI सिस्टम को चुनौती देने की क्षमता भी जरूरी होगी जब कुछ गलत दिखे।

यह केवल कार्यबल चुनौती नहीं है। संगठनों को उस सहयोग का समर्थन करने के लिए वास्तुशिल्प चाहिए, जो एजेंटों को सही डेटा और सिस्टम से जोड़ता है, उनके सहयोग के तरीके को समन्वित करता है, और लोगों को यह दिखाता है कि वे क्या कर रहे हैं। गवर्नेंस, मानव ओवरराइड, और एस्केलेशन को शुरुआत से ही डिजाइन किया जाना चाहिए।

मुख्य उद्यम वास्तुकार के रूप में मेरे कार्य में, मेरा कर्तव्य है कि संपूर्ण संगठन को न केवल AI का उपयोग कैसे करना है, बल्कि कब उस पर भरोसा करना है, सवाल करना है, और नियंत्रण लेना है, यह समझाया जाए। इस प्रकार, वास्तुशिल्प उत्तरदायी AI का द्वार बन जाता है जो भरोसा और वास्तविक प्रभाव को बढ़ाता है।

उत्कृष्ट साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें Genpact पर जाना चाहिए।