Ankur Dhingra, CEO ProHance – Seri Wawancara

Ankur Dhingra, CEO ProHance, adalah eksekutif teknologi dan operasional berpengalaman dengan lebih dari dua dekade kepemimpinan di bidang produktivitas perusahaan, layanan keuangan, dan operasi bisnis global. Ia memimpin ProHance sejak 2020, dengan fokus membangun platform terpadu untuk mengamati, mengatur, dan meningkatkan produktivitas di antara pekerja manusia, vendor, dan sistem AI. Sebelum menjadi CEO, Dhingra adalah Partner di FutureIP, tempat ProHance dikembangkan sebagai platform manajemen operasional dan analitik. Sebelumnya, ia menghabiskan lebih dari delapan tahun di American Express, menjabat sebagai Wakil Presiden dan General Manager Global Back Office Operations serta sebelumnya memimpin operasi keterlibatan pelanggan yang mencakup layanan telepon, obrolan, regulasi, dan fungsi jaminan bisnis berskala besar. Kariernya juga mencakup peran kepemimpinan senior di Genpact, di mana ia mengelola praktik perbankan berjumlah 1,100 orang dan P&L sebesar $35 juta, serta di GE Capital, di mana ia memimpin operasi layanan keuangan di India.

ProHance adalah perusahaan intelijen tenaga kerja perusahaan dan analitik produktivitas yang memberikan organisasi visibilitas waktu nyata tentang cara kerja dilakukan di antara karyawan, vendor eksternal, AI copilot, dan agen otonom. Platformnya, yang diposisikan sebagai “Productivity Control Room,” menggabungkan analitik tenaga kerja, perencanaan kapasitas, alokasi kerja cerdas, pengukuran produktivitas, dan alat tata kelola untuk membantu perusahaan mengidentifikasi bottleneck operasional, mengoptimalkan pemanfaatan sumber daya, dan memahami dampak AI pada kinerja organisasi. ProHance menyatakan teknologinya digunakan oleh lebih dari 450.000 pengguna di 220 perusahaan di 55 negara, dengan aplikasi meliputi perbankan dan layanan keuangan, bisnis proses outsourcing, pusat kapabilitas global, perawatan kesehatan, dan teknologi informasi.

Anda menghabiskan lebih dari dua dekade memimpin operasi berskala besar di GE Capital, Genpact, dan American Express sebelum menjadi CEO ProHance. Apa yang diajarkan pengalaman tersebut kepada Anda tentang keterbatasan manajemen tenaga kerja dan produktivitas tradisional, dan bagaimana pelajaran itu membentuk cara Anda membangun ProHance untuk perusahaan yang mengutamakan AI?

Pengalaman saya di GE Capital, Genpact, dan American Express mengajarkan bahwa salah satu kesenjangan terbesar dalam manajemen tenaga kerja tradisional tidak selalu berada di front office, melainkan di back office.

Di American Express, saya sebelumnya bekerja di sisi layanan pelanggan, di mana pusat kontak memiliki akses ke teknologi yang cukup canggih untuk mengukur produktivitas—dimana orang menghabiskan waktu mereka, pemanfaatan, volume interaksi, dan bagaimana proses dapat dioptimalkan. Namun ketika saya berpindah ke memimpin operasi back office, saya melihat realitas yang sangat berbeda.

Sejumlah besar pekerjaan di perusahaan besar terjadi di balik layar—pemrosesan transaksi, manajemen kasus, entri data, dan aktivitas berbasis proses lainnya—namun sangat sedikit pengukuran yang bermakna tentang bagaimana pekerjaan tersebut sebenarnya diselesaikan. Teknologi dan visibilitas yang ada untuk front office tidak pernah diterapkan ke back office.

Saya menjadi hampir secara irasional terobsesi dengan masalah ini. Saya mulai menelusuri teknologi yang tersedia dan berbicara dengan pemain mapan, namun yang saya temukan terlalu canggung, terlalu mahal, atau simpel tidak dirancang untuk realitas operasi back office. Saya terus berpikir: ini adalah industri bernilai lebih dari $150 miliar, dan ini adalah masalah yang telah ada selama bertahun‑tahun. Pasti ada yang sudah menyelesaikannya dengan lebih baik.

Pencarian itu akhirnya membawa saya ke ProHance, di mana Rajesh Sharma dan Kishore Reddy (co‑founder ProHance) telah membangun teknologi yang mengatasi banyak tantangan yang saya identifikasi sebagai pengguna tingkat lanjut sistem ini. Saya tahu persis apa yang harus dilakukan teknologi tersebut—menangkap aktivitas secara otomatis, beroperasi lintas sistem operasi, mengukur waktu baik di dalam maupun di luar sistem, serta memberikan pandangan yang dapat diandalkan tentang bagaimana pekerjaan sebenarnya terjadi.

Pengalaman itu membentuk cara saya memikirkan ProHance saat ini. Pelajarannya adalah Anda tidak dapat membangun perusahaan yang mengutamakan AI hanya dengan menambahkan AI ke alat manajemen tenaga kerja yang ada. Anda pertama‑tama membutuhkan pemahaman yang andal dan terperinci tentang pekerjaan itu sendiri. AI kemudian dapat mengubah cara pekerjaan tersebut dianalisis, dioptimalkan, dan pada akhirnya dirancang ulang.

Bagi saya, ProHance adalah tentang membawa tingkat visibilitas dan kecerdasan yang secara historis dimiliki perusahaan di front office ke seluruh organisasi—dan menggunakan AI untuk memperoleh pengukuran produktivitas yang lebih baik yang pada dasarnya akan meningkatkan cara kerja dilakukan.

Seiring AI generatif dan agen AI mengambil alih porsi kerja pengetahuan yang semakin besar, sinyal produktivitas tradisional seperti jam kerja atau penggunaan aplikasi mungkin menjadi kurang bermakna. Bagaimana perusahaan harus mendefinisikan ulang produktivitas ketika seorang manusia dapat menyelesaikan dalam 30 menit apa yang sebelumnya memakan beberapa jam?

Produktivitas harus beralih dari mengukur aktivitas ke mengukur hasil. Jika AI memungkinkan seseorang menyelesaikan dalam 30 menit apa yang sebelumnya memakan tiga jam, patokan tiga jam tidak lagi relevan. Fokus harus pada apa yang dicapai, kualitas hasil, dan seberapa efektif waktu serta keterampilan digunakan.

Ini juga berarti perusahaan perlu memahami di mana AI benar‑benar menghilangkan pekerjaan berulang dan di mana penilaian manusia tetap kritis. Produktivitas seharusnya semakin mencerminkan hasil, kapasitas, kualitas, dan dampak bisnis, bukan sekadar jam yang dihabiskan di meja atau penggunaan aplikasi.

Anda telah menggambarkan intelijen tenaga kerja sebagai hal yang semakin penting dalam perusahaan yang mengutamakan AI. Apa sebenarnya arti “intelijen tenaga kerja” dalam praktik, dan bagaimana perbedaannya dengan alat pemantauan karyawan serta analitik tenaga kerja yang secara historis digunakan perusahaan?

Intelijen tenaga kerja pada dasarnya memberikan organisasi pemahaman yang lebih jelas tentang bagaimana pekerjaan sebenarnya terjadi. Ia menggabungkan sinyal terkait beban kerja, kapasitas, pemanfaatan, proses, dan hasil untuk membantu pemimpin mengidentifikasi di mana tim tertekan, di mana kapasitas tersedia, dan di mana pekerjaan terhambat.

Itu berbeda dari pemantauan karyawan tradisional, yang sering berfokus pada aktivitas individu. Intelijen tenaga kerja harus beroperasi pada tingkat yang jauh lebih luas. Tujuannya bukan menanyakan, “Apa yang dilakukan karyawan ini setiap menit?” melainkan, “Bagaimana aliran kerja di seluruh organisasi, dan apa yang dapat kami lakukan untuk memperbaikinya?”

ProHance semakin menggabungkan data tenaga kerja deterministik dengan pembelajaran mesin untuk menghasilkan wawasan prediktif, termasuk mengidentifikasi potensi ketidakterlibatan dan risiko retensi. Bagaimana Anda memastikan model AI ini membedakan pola bermakna dari variasi normal dalam perilaku karyawan, dan seberapa penting keterjelasan ketika manajer membuat keputusan tentang orang?

Di ProHance, kami percaya kualitas dan konteks data dasar sangat penting. Perilaku karyawan secara alami bervariasi tergantung pada proyek, beban kerja, tim, musim, dan siklus bisnis. Perubahan aktivitas saja tidak serta merta menunjukkan ketidakterlibatan atau risiko retensi.

Pendekatannya adalah mencari pola di seluruh banyak sinyal dan seiring waktu, bukan menarik kesimpulan dari satu perilaku. AI dapat membantu mengidentifikasi pola yang mungkin memerlukan perhatian, tetapi tidak boleh dijadikan pengambil keputusan akhir.

Keterjelasan sama pentingnya. Jika sebuah sistem menandai potensi risiko, manajer harus dapat memahami faktor‑faktor di balik sinyal tersebut dan menerapkan penilaian mereka sendiri. Ketika teknologi digunakan untuk memberi informasi dalam keputusan tentang orang, transparansi dan pengawasan manusia sangat penting.

Ada kekhawatiran karyawan yang dapat dimengerti ketika organisasi memperkenalkan teknologi yang mampu menganalisis pola kerja, penggunaan aplikasi, waktu menganggur, atau kinerja. Di mana perusahaan harus menggambar batas antara memperoleh visibilitas operasional yang berguna dan menciptakan budaya pengawasan?

Batas tersebut sebagian besar ditentukan oleh niat, transparansi, dan cara data digunakan. Karyawan secara wajar merasa tidak nyaman ketika teknologi diperkenalkan tanpa kejelasan apa yang diukur dan mengapa.

Tujuannya harus memahami pekerjaan pada tingkat organisasi dan operasional, bukan terus‑menerus mengawasi individu. Jika data tenaga kerja membantu mengidentifikasi beban kerja berlebih, bottleneck, atau proses yang tidak efisien, hal itu sebenarnya dapat meningkatkan pengalaman karyawan.

Perusahaan juga harus jelas tentang apa yang tidak mereka coba lakukan. Teknologi harus membantu manajer melakukan percakapan yang lebih baik dengan tim mereka, bukan menggantikan percakapan tersebut atau menciptakan sistem pengamatan terus‑menerus.

AI copilot dan agen otonom semakin menjadi bagian dari tenaga kerja itu sendiri. Apakah Anda pikir platform intelijen tenaga kerja pada akhirnya harus mengukur produktivitas manusia dan agen AI secara bersamaan, dan seperti apa metrik produktivitas manusia‑ke‑AI yang bermakna?

Ya, saya pikir hal ini akan menjadi semakin penting. Ketika agen AI mulai mengambil bagian dari alur kerja, mengukur hanya aktivitas manusia akan memberikan perusahaan gambaran yang tidak lengkap tentang bagaimana pekerjaan dilakukan.

Namun saya tidak berpikir kita akan sekadar menghasilkan satu skor produktivitas “manusia versus AI”. Pendekatan yang lebih berguna adalah memahami output gabungan orang, alat AI, dan agen di seluruh alur kerja.

Perusahaan dapat melihat berapa banyak waktu yang dihilangkan AI dari tugas berulang, seberapa cepat proses bergerak, kualitas hasil, dan di mana intervensi manusia masih diperlukan. Pertanyaan sebenarnya menjadi: seberapa efektif manusia dan AI bekerja bersama?

ProHance membicarakan pergeseran dari pengukuran produktivitas mentah menuju intelijen operasional, termasuk analisis beban kerja, peramalan, optimasi proses, dan alokasi sumber daya. Seberapa besar masa depan kategori ini akan berfokus pada AI yang secara proaktif merekomendasikan apa yang harus diubah manajer, bukan sekadar menyajikan dasbor?

Saya pikir itulah arah yang dilihat ProHance untuk kategori ini. Dasbor memang berguna, namun tetap meninggalkan manajer dengan tanggung jawab menginterpretasikan informasi dan memutuskan apa yang harus dilakukan selanjutnya.

Tahap selanjutnya adalah platform mengidentifikasi pola dan membantu menjawab “apa yang harus kami lakukan tentang ini?” Itu dapat berarti menyoroti tim yang kelebihan beban, mengidentifikasi keahlian yang kurang dimanfaatkan, meramalkan kesenjangan kapasitas, atau menyarankan di mana proses dapat ditingkatkan.

Bagi ProHance, nilai akan semakin berasal dari peralihan dari visibilitas ke tindakan. AI harus membantu manajer membuat keputusan yang lebih baik sambil menjaga keputusan tersebut tetap berada pada orang yang memahami bisnis dan konteksnya.

Anda telah membandingkan intelijen produktivitas dengan laporan kesehatan tahunan untuk sebuah organisasi. Apa sinyal terpenting yang harus dilihat eksekutif untuk menentukan apakah tenaga kerja mereka benar‑benar sehat, produktif, dan berhasil beradaptasi dengan AI?

Saya akan melihat kombinasi sinyal daripada satu angka produktivitas. Kapasitas dan beban kerja adalah titik awal yang jelas, namun eksekutif juga harus memahami apakah pekerjaan didistribusikan secara efektif, di mana bottleneck muncul, bagaimana tim beradaptasi dengan AI, dan apakah orang menghabiskan terlalu banyak waktu pada aktivitas bernilai rendah.

Sinyal penting lainnya adalah keberlanjutan. Tim yang menghasilkan output luar biasa karena orang terus‑menerus bekerja melampaui kapasitas yang wajar tidak serta merta sehat atau produktif dalam jangka panjang.

Tenaga kerja yang sehat adalah yang mana kapasitas, beban kerja, dan hasilnya seimbang secara wajar, orang memiliki ruang untuk fokus pada pekerjaan bernilai lebih tinggi, dan organisasi dapat beradaptasi seiring perubahan sifat pekerjaan.

“Produktivitas” telah mengembangkan asosiasi negatif bagi banyak karyawan karena dapat menyiratkan melakukan lebih banyak pekerjaan dengan lebih sedikit orang. Bagaimana organisasi dapat merebut kembali konsep ini dan menggunakan intelijen produktivitas berbasis AI untuk meningkatkan pengalaman karyawan, mengurangi kelelahan, dan menghilangkan pekerjaan bernilai rendah daripada sekadar meningkatkan output?

Organisasi perlu menjauhkan diri dari mendefinisikan produktivitas semata sebagai “lebih banyak output dari lebih sedikit orang.” Definisi itu terlalu sempit, terutama di tempat kerja yang didukung AI.

AI seharusnya idealnya memberikan kembali waktu kepada orang yang saat ini dihabiskan untuk administrasi berulang, proses manual, dan tugas bernilai rendah. Kesempatan tersebut adalah menggunakan waktu itu untuk pemecahan masalah, interaksi dengan pelanggan, inovasi, dan pekerjaan yang memerlukan penilaian manusia.

Jika intelijen produktivitas digunakan untuk mengidentifikasi di mana orang kelebihan beban atau menghabiskan waktu secara tidak efisien, hal itu sebenarnya dapat menjadi alat pengalaman karyawan. Tujuannya harus membuat pekerjaan menjadi lebih baik, bukan sekadar membuat orang bekerja lebih cepat.

Ke depan, saat AI terintegrasi di hampir setiap alur kerja perusahaan, apa yang Anda yakini akan membedakan organisasi yang berhasil memperkuat tenaga kerja mereka dengan AI dari yang menerapkan teknologi namun gagal mengubahnya menjadi peningkatan produktivitas yang berarti?

Organisasi yang paling diuntungkan oleh AI adalah yang melihat lebih jauh daripada sekadar penerapan teknologi. Memiliki akses ke alat AI tidak otomatis menghasilkan peningkatan produktivitas.

Para pemimpin akan memahami di mana AI mengubah alur kerja, bagaimana peran berkembang, dan apakah organisasi benar‑benar memperoleh hasil yang lebih baik dari teknologi tersebut. Mereka juga akan terus mengukur apa yang berhasil dan menyesuaikan secara tepat.

Akhirnya, organisasi yang berhasil akan memperlakukan adopsi AI sebagai perubahan dalam cara kerja dilakukan, bukan sekadar implementasi teknologi lain. Mereka akan menggabungkan AI dengan proses yang tepat, keterampilan, visibilitas tenaga kerja, dan praktik manajemen. Itulah yang akan menentukan apakah AI menjadi keunggulan produktivitas yang nyata atau hanya lapisan teknologi tambahan.

Terima kasih atas wawancara yang luar biasa. Pembaca yang ingin mengetahui lebih lanjut sebaiknya mengunjungi ProHance.