Vijay Vijayasankar, Global Agentic AI Officer di Genpact – Seri Wawancara

Vijay Vijayasankar, Global Agentic AI Officer di Genpact, memimpin perusahaan dalam mengembangkan solusi Agentic AI secara global, dengan fokus pada menggeser penciptaan nilai perusahaan dari model tradisional yang berbasis tenaga kerja menuju kerangka kerja berbasis hasil yang lebih menguntungkan. Dalam perannya, ia membantu membentuk pendekatan Genpact dalam menskala AI di seluruh perusahaan dengan membangun model organisasi di sekitar AI Builders, yang merancang lapisan orkestrasi lanjutan, dan AI Practitioners, yang membawa keahlian domain ke dalam alur kerja yang ditenagai oleh agen otonom. Sebelum bergabung dengan Genpact, Vijayasankar memegang peran kepemimpinan senior di IBM, termasuk Mitra Pengelola untuk Layanan Keuangan, CTO IBM Services Amerika Utara, dan General Manager untuk Kognitif, IoT, Analitik, dan Watson Health di GBS Amerika Utara, bersama dengan peran eksekutif sebelumnya di MongoDB (MDB ) dan SAP.

Genpact adalah perusahaan solusi teknologi canggih dan agen yang membantu perusahaan besar memodernisasi operasi melalui kecerdasan proses, kecerdasan buatan, data, dan transformasi digital. Perusahaan ini bekerja di area seperti keuangan dan akuntansi, perawatan pelanggan, risiko dan kepatuhan, sumber dan pengadaan, rantai pasok, teknologi, dan kepercayaan dan keamanan, sementara layanan Data dan AI mereka fokus pada membantu organisasi menggunakan analitik lanjutan, AI, dan agen otonom untuk mengubah data kompleks menjadi hasil bisnis yang terukur.

Anda telah menghabiskan lebih dari dua dekade di perusahaan seperti IBM, MongoDB, SAP, dan sekarang Genpact, di mana Anda menjabat sebagai Global Agentic AI Officer. Mengingat evolusi dari big data dan analitik hingga sistem AI agenik saat ini, apa pelajaran yang paling membentuk pandangan Anda tentang bagaimana perusahaan harus mendekati transformasi AI?

Saya telah menyaksikan film yang sama tiga kali sekarang. Big data adalah peluru perak untuk pengambilan keputusan. Cloud adalah sakelar instan untuk kelenturan organisasi. Sekarang, AI agenik adalah obat untuk operasi. Dalam setiap siklus, perusahaan yang menghasilkan nilai fokus pada model operasional mereka, proses, dan orang-orang mereka. Mereka yang bergelut, dan banyak masih melakukannya, memperlakukan teknologi itu sendiri sebagai transformasi.

Apa yang secara fundamental berbeda tentang AI agenik adalah lokasinya. Ini duduk di lapisan eksekusi, bukan lapisan wawasan. Alat lama menghasilkan grafik dan rekomendasi. Agen mengambil tindakan. Dashboard analitik yang buruk menghasilkan grafik yang buruk yang ditangkap oleh analis manusia sebelum mencapai meja CEO. Agen yang buruk melaksanakan transaksi yang buruk dengan skala sebelum siapa pun menyadari itu terjadi. Itu mengubah profil risiko secara keseluruhan, dan itu memaksa tingkat disiplin operasional yang kebanyakan perusahaan belum pernah butuhkan sebelumnya. Saya telah belajar untuk curiga dengan kegembiraan saya sendiri. AI agenik sangat menarik, tapi itulah saat Anda perlu melambatkan dan memeriksa fondasi.

Laporan baru Genpact dengan HFS Research memperkirakan bahwa utang perusahaan yang belum terselesaikan menjebak hampir $18 triliun dalam nilai potensial global. Apa yang paling mengejutkan Anda tentang temuan, dan mengapa Anda percaya banyak organisasi terus memandang rendah dampak utang proses, data, teknologi, dan talenta?

Apa yang membuka mata adalah skala nilai yang terjebak di balik proses yang tidak efisien, data yang terfragmentasi, teknologi yang usang, dan tantangan kesiapan tenaga kerja yang diukur dalam triliun dolar.

Apa yang lebih penting daripada angka total adalah bagaimana masalah tersebut terstruktur. Kebanyakan pemimpin melihat masalah ini sebagai silo terpisah. Masalah data, masalah proses, masalah teknologi, masalah keterampilan, masing-masing diobati secara independen. Mereka tidak terpisah. Data yang buruk memaksa orang untuk menciptakan solusi manual. Solusi itu menciptakan kompleksitas proses. Kompleksitas itu membakar orang-orang terbaik Anda dan membuat operasi Anda rapuh. Ketika inisiatif AI tiba, itu menghadapi semua itu secara bersamaan. AI disalahkan atas kegagalan yang sudah dipanggang dalam bisnis sejak lama. Kami berbicara tentang utang perusahaan sebagai beban biaya, tapi itu lebih akurat sebagai penghambat pertumbuhan. Perbedaan itu penting karena itu mengubah siapa yang memiliki masalah dan apa yang diperlukan untuk memperbaikinya.

Laporan tersebut menemukan bahwa 85% eksekutif percaya utang perusahaan membatasi realisasi nilai AI. Mengapa Anda pikir perusahaan terus berinvestasi besar-besaran di AI sementara sering mengabaikan masalah dasar yang mencegah investasi tersebut menghasilkan pengembalian?

Karena AI terlihat dan fondasi tidak terlihat. Setiap dewan ingin melihat strategi AI. Setiap CEO perlu memiliki cerita untuk diceritakan. Menggelar model baru yang mengkilap adalah headline. Merancang kembali proses inti adalah tugas yang tidak terlihat dan tidak terima kasih sampai akhirnya berhasil.

Saya telah melihat organisasi menghabiskan enam bulan untuk memilih model dan enam hari untuk memeriksa proses yang seharusnya diperbaiki oleh model itu. Rasio itu terbalik, dan mereka menemukannya dengan cara yang sulit. Hambatan sebenarnya hampir tidak pernah AI. Ini adalah proses yang tidak konsisten, sistem yang terputus, dan data yang tidak ada yang bertanggung jawab selama bertahun-tahun. AI tidak menyelesaikan hal-hal itu. Ini mempercepatnya. Struktur insentif tidak menghargai perbaikan fondasi. Tidak ada demo untuk membersihkan tata kelola data. Eksekutif yang melakukannya dengan diam-diam sedang membuat taruhan bahwa kesehatan operasional mengompound dari waktu ke waktu, tapi kebanyakan dewan tidak mengukurnya.

Utang data muncul sebagai penghalang AI terbesar dalam penelitian. Langkah-langkah praktis apa yang harus diambil perusahaan hari ini untuk beralih dari lingkungan data yang terfragmentasi dan berkualitas rendah ke fondasi data yang dapat mendukung AI agenik secara luas?

Berhenti mencoba meluncurkan program tata kelola besar-besaran dari atas. Itu adalah jawaban teknologi untuk masalah akuntabilitas. Di kebanyakan organisasi besar, tidak ada yang memiliki akurasi informasi yang menjalankan bisnis.

Titik awal praktis adalah memilih sejumlah proses berharga dan bekerja mundur. Keputusan apa yang perlu dibuat? Data apa yang diperlukan untuk keputusan itu? Siapa yang memiliki data itu? Seberapa sering data itu salah? Latihan itu segera mengungkapkan celah akuntabilitas. Dan kita harus mendapatkan ini dengan benar karena agen gagal dengan sunyi. Seorang analis manusia melihat dua sistem yang tidak setuju dan membuat keputusan. Agen memutuskan antara data yang bertentangan dan melaksanakan dengan kepercayaan penuh. Jika bagian berbeda dari organisasi Anda mendefinisikan pelanggan atau transaksi secara berbeda, agen membuat keputusan yang percaya diri dari input yang buruk dan tidak ada dalam organisasi Anda yang menangkapnya. Itu adalah kategori baru risiko operasional yang kebanyakan organisasi belum sepenuhnya hargai.

Agen tidak menangani ketidakjelasan seperti yang dilakukan manusia. Ini juga mengapa keberhasilan solusi agenik lebih tentang kualitas pengaman yang dipasang daripada kecerdasan model itu sendiri.

Anda telah berargumen bahwa tidak ada “AI tanpa kecerdasan proses.” Mengapa Anda percaya perancangan proses ulang sering lebih penting daripada model AI itu sendiri ketika organisasi mencoba mengotomatisasi operasi bisnis yang kompleks?

Karena model tersebut berkinerja sebaik proses yang dimasukkannya, bukan lebih baik. Organisasi terobsesi dengan pemilihan model karena itulah tempat inovasi yang terlihat, tapi proses adalah tempat nilai diciptakan atau hilang.

Jika alur kerja memiliki persetujuan yang berlebihan, pekerjaan ganda, atau kepemilikan yang tidak jelas, AI tidak memperbaiki hal-hal itu. Ini mempercepatnya. Anda mendapatkan hasil yang rusak lebih cepat dan dengan skala yang lebih besar. Orang sering berpikir perancangan proses ulang yang menyeluruh memperlambat mereka, tapi kenyataannya adalah sebaliknya. Anda menyelamatkan delapan belas bulan yang akan dihabiskan untuk memperbaiki penerapan yang buruk. Pikirkan seperti kendaraan: Anda bisa memasang mesin terbaik yang pernah dibangun ke dalam mobil dengan roda yang tidak seimbang, dan itu masih akan menarik ke kiri.

Banyak organisasi bereksperimen dengan agen AI, tapi relatif sedikit yang berhasil menggelarnya di seluruh fungsi bisnis inti. Apa yang membedakan perusahaan yang bergerak melampaui pilot dari mereka yang tetap terjebak dalam mode konsep bukti?

Pilot dirancang untuk sukses. Anda memilih proses terbaik, data terbersih, dan tim yang paling termotivasi. Menggelar skala berarti mengenai lingkungan nyata di mana tidak ada kondisi itu yang berlaku.

Organisasi yang menskala berhenti menciptakan kondisi buatan dari awal. Mereka memilih masalah operasional nyata, menugaskan pemilik yang bertanggung jawab atas hasil bisnis, bukan teknologi, dan memasukkan tata kelola ke dalam desain dari hari pertama. Kami memiliki klien yang menjalankan agen dalam produksi di seluruh akuntansi yang dapat diterima dan pemantauan transaksi. Angka produktivitas ada, tapi perubahan sebenarnya adalah struktural. Titik akhir adalah alur kerja yang secara fundamental berbeda di mana orang dibebaskan untuk melakukan pekerjaan strategis yang tidak pernah mereka miliki waktu sebelumnya. Menggelar agen adalah tantangan kepemimpinan, bukan tantangan perangkat lunak.

Laporan tersebut menyoroti bahwa hanya 6% perusahaan yang telah berhasil menyelesaikan tantangan utang utama mereka. Apa yang dilakukan perusahaan tersebut secara berbeda, dan apa kesalahan umum yang Anda lihat di antara perusahaan yang bergelut untuk membuat kemajuan yang berarti?

Mereka memperlakukannya sebagai masalah bisnis, bukan program IT. Ini terkait dengan sponsor eksekutif dan kinerja bisnis yang terukur. Mereka memahami bahwa kesehatan operasional tidak terpisah dari strategi pertumbuhan. Itu adalah strategi pertumbuhan.

94% lainnya mengejar gejala. Mereka menggelar alat untuk memperbaiki masalah proses atau meluncurkan inisiatif AI untuk mengkompensasi data yang buruk. Itu menghasilkan lonjakan jangka pendek, tapi masalah dasar tetap ada dan utang terus mengompound. Pemimpin yang memecahkan siklus itu bersedia mengatakan apa yang kebanyakan eksekutif tidak akan: proses ini telah rusak selama lima belas tahun, kami telah membangun model operasional di sekitar kegagalan, dan kami akan merobeknya dan membangunnya dari awal. Pengakuan itu tidak nyaman. Ini mengundang pertanyaan tentang mengapa itu tidak diperbaiki sebelumnya. Mereka yang membuat panggilan itu adalah mereka yang membuat kemajuan nyata.

Anda telah berbicara tentang perbedaan antara “AI Builders” dan “AI Practitioners.” Bagaimana Anda melihat evolusi tenaga kerja perusahaan selama lima tahun ke depan, dan apa keterampilan yang akan menjadi paling berharga ketika manusia semakin bekerja bersama dengan agen otonom?

Keterampilan paling berharga akan menjadi mengetahui cara mengkerangkaikan masalah. Ketika AI menangani lebih banyak eksekusi, kualitas hasil bergantung pada kualitas pertanyaan dan penilaian yang diterapkan pada output. Anda perlu dapat mengenali ketika sesuatu tampak benar tapi secara struktural salah.

Di luar itu, saya akan menyoroti tiga hal spesifik. Pertama adalah kedalaman domain. Kemampuan AI umum menjadi komoditas dengan cepat, sehingga generalis menjadi kehilangan keunggulan. Premium akan pergi ke ahli domain yang dalam yang menggabungkan keahlian fungsional yang sebenarnya dengan kemampuan menerapkan AI dalam konteks itu. Kedua adalah penanganan pengecualian. Anda perlu orang yang tahu apa yang harus dilakukan ketika agen mengenai dinding atau taruhan keuangan terlalu tinggi untuk diotomatisasi, yang memerlukan kebijaksanaan institusional daripada data pelatihan. Ketiga adalah desain alur kerja, yaitu kemampuan untuk membangun pekerjaan sehingga manusia dan sistem pintar melakukan apa yang paling sesuai untuk mereka, dan untuk mengenali kapan pembagian itu perlu bergeser. Ini bukanlah istilah yang telah menjadi standar di industri, tapi keterampilan itu nyata dan saat ini kurang dihargai.

Ada debat yang sedang berlangsung tentang apakah AI akan menghilangkan pekerjaan atau mengubahnya. Anda telah berargumen bahwa banyak kekhawatiran datang dari kesalahpahaman tentang apa yang AI lakukan dengan baik. Bagaimana Anda melihat hubungan antara keahlian manusia dan agen AI berkembang ketika adopsi dipercepat?

AI luar biasa dalam tugas yang jelas didefinisikan, volume tinggi, dan ketergantungan pola, seperti memproses faktur, memantau anomali perdagangan, dan menyusun komunikasi rutin. Ini melakukan hal-hal itu lebih cepat dan dengan skala yang tidak dapat disentuh oleh tim manusia. Namun, AI tidak dapat memegang akuntabilitas untuk hasil dunia nyata, atau menangani hal-hal seperti novasi, ketidakjelasan, dan hubungan manusia yang berantakan, yang mengapa keahlian manusia tetap penting.

Kebanyakan pekerjaan adalah koleksi tugas, bukan aktivitas tunggal, dan AI akan menyerap lapisan eksekusi dari waktu ke waktu. Itu tidak menghilangkan kebutuhan akan orang, itu hanya mengubah di mana mereka menciptakan nilai. Ketika pekerjaan rutin menjadi otomatis, keahlian bergeser ke arah memecahkan pengecualian, merancang proses ulang, dan membantu organisasi beradaptasi ketika teknologi dan kebutuhan bisnis berkembang. Beberapa peran akan berubah secara signifikan, dan pemimpin memiliki tanggung jawab untuk mengatasi apakah pekerjaan baru yang diciptakan dapat diakses oleh orang-orang yang pekerjaan lama mereka menghilang. Jawabannya tergantung hampir sepenuhnya pada pilihan organisasi tentang pelatihan dan transisi. Itu adalah keputusan kepemimpinan, bukan hasil teknologi. Perusahaan yang saya hormati paling banyak sedang berjuang untuk berterus terang dengan tim mereka tentang peran mana yang berubah, dalam waktu berapa, di mana keahlian manusia tetap sangat berharga, dan apa jalur yang realistis ke depan terlihat seperti. Kebanyakan belum melakukan percakapan itu.

Menghadap ke depan, apa yang terlihat seperti perusahaan agenik yang sebenarnya dalam praktiknya? Jika kita mengulangi percakapan ini lima tahun dari sekarang, apa perubahan dalam operasi bisnis, desain organisasi, dan penerapan AI yang Anda harapkan akan menjadi standar di seluruh perusahaan terkemuka?

Kita akan berhenti berbicara tentang AI sebagai inisiatif terpisah, seperti yang kita lakukan dengan pergi digital. Ini hanya akan menjadi bagaimana pekerjaan dilakukan.

Perubahan struktural adalah yang paling menarik bagi saya. Banyak hierarki saat ini ada karena informasi sulit dipindahkan. Kami memiliki rantai persetujuan dan peran koordinasi karena informasi harus bergerak dari tempat dibuatnya ke tempat keputusan diambil. Agen mengurangi jarak itu. Ketika mereka melakukannya, sejumlah besar infrastruktur koordinasi menjadi redundan. Organisasi yang mengenali ini lebih dulu dan merancang ulang di sekitarnya akan memiliki keunggulan kecepatan yang mengompound.

Kita juga akan melihat pergeseran dalam cara AI dibeli dan disampaikan. Perusahaan perangkat lunak membangun produk tapi tidak mengambil akuntabilitas untuk hasil. Perusahaan jasa mengambil akuntabilitas tapi bergelut untuk membangun produk yang dapat diskalakan. Kedua model tersebut tidak memadai. Apa yang kita bangun di Genpact adalah AI produk dalam domain tertentu, disampaikan sebagai hasil. Anda membeli hasil dan kami bertanggung jawab atasnya. Saya pikir itu menjadi standar karena itu menyelaraskan insentif dengan benar. Penjual yang hanya menjual kemampuan tidak memiliki taruhan dalam apakah itu berhasil di lingkungan Anda. Mereka yang bertanggung jawab atas hasil memiliki setiap taruhan. Pemenang era ini tidak akan ditentukan oleh memiliki model AI yang paling canggih. Mereka akan ditentukan oleh menguasai perancangan ulang struktural antara manusia, proses, dan sistem pintar. Kita hanya di hari pertama perubahan itu.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Genpact.