Ajay Vasal, Global Leader per Dati e Intelligenza Artificiale, Genpact – Serie di Interviste

Ajay Vasal, Global Leader per Dati e Intelligenza Artificiale, Genpact, è un veterano esecutivo tecnologico e strategico con oltre due decenni di esperienza che spaziano dall’intelligenza artificiale, alla strategia dei dati, alla trasformazione digitale, alle fusioni e acquisizioni, alla consulenza aziendale. Nel suo ruolo attuale in Genpact, guida iniziative focalizzate sull’aiutare le imprese a scalare l’adozione dell’intelligenza artificiale e a passare da un’intelligenza artificiale assistiva a sistemi più autonomi e integrati operativamente. Prima di unirsi a Genpact, Vasal ha trascorso quasi nove anni in Accenture, dove ha ricoperto diverse posizioni di leadership senior, tra cui Global Data & AI Lead per le Industrie dei Consumatori e Global Head del Centro per i Dati e le Informazioni. Durante la sua carriera, si è concentrato sull’aiutare le organizzazioni a sbloccare un valore aziendale misurabile dai dati attraverso l’efficienza operativa, la crescita dei ricavi e la mitigazione dei rischi, oltre a guidare investimenti strategici, iniziative di fusioni e acquisizioni e programmi di trasformazione guidati dall’intelligenza artificiale in vari settori.

Genpact è una società di servizi professionali e di trasformazione digitale globale specializzata in dati, intelligenza artificiale, analisi, automazione intelligente e modernizzazione operativa per grandi imprese. Fondata originariamente all’interno della General Electric (GE.TO ) prima di diventare un’azienda indipendente, Genpact ora serve organizzazioni in vari settori, tra cui servizi finanziari, sanità, manifattura, retail e beni di consumo. L’azienda si è sempre più posizionata intorno alla trasformazione aziendale guidata dall’intelligenza artificiale, combinando analisi, automazione e competenze di dominio per aiutare le aziende a modernizzare i flussi di lavoro, migliorare la presa di decisioni e distribuire sistemi di intelligenza artificiale su larga scala in modo responsabile.

Ha trascorso anni in Accenture plasmando la strategia dei dati e dell’intelligenza artificiale in vari settori prima di entrare nel suo ruolo attuale in Genpact. Come ha influenzato la sua esperienza la sua prospettiva sul perché le imprese ancora lottano per estrarre un valore reale dagli investimenti nell’intelligenza artificiale oggi?

Una delle lezioni più grandi derivanti dal lavoro in vari settori è che la maggior parte delle organizzazioni non fallisce perché la tecnologia è debole. La realtà è che lottano perché cercano di sovrapporre l’intelligenza artificiale a modelli operativi che non sono stati progettati per l’esecuzione autonoma. I risultati della nostra ricerca recente rafforzano chiaramente questo punto. Mentre le imprese si stanno muovendo aggressivamente verso l’adozione dell’intelligenza artificiale, molte stanno ancora lottando per ridisegnare i modelli operativi necessari per supportare l’esecuzione autonoma su larga scala. Quella lacuna evidenzia come molte imprese stiano ancora lavorando su questioni relative alla governance, alla responsabilità e alla preparazione organizzativa.

Stiamo anche vedendo organizzazioni muoversi rapidamente prima di avere i giusti framework di misurazione in atto. Il 71% degli esecutivi ritiene che l’intelligenza artificiale agente porterà un ritorno sugli investimenti più veloce di qualsiasi precedente ondata di tecnologia, eppure il 67% si affida ancora a metriche di produttività costruite per modelli di automazione precedenti. La mia esperienza ha mostrato che l’adozione di successo dell’intelligenza artificiale non riguarda mai solo il deploy di modelli. Riguarda il ridisegnare i flussi di lavoro, allineare la tecnologia con le priorità aziendali e aiutare le persone a capire come i loro ruoli evolvono insieme a sistemi sempre più autonomi.

Il suo rapporto recente, Autonomy Requires Trust in AI, mostra che la maggior parte degli esecutivi crede che l’intelligenza artificiale agente cambierà fondamentalmente le operazioni aziendali, eppure la maggior parte dei sistemi rimane supervisionata. Qual è il più grande disaccordo tra credenza e esecuzione?

Il disaccordo è interamente centrato sulla fiducia. Gli esecutivi credono chiaramente che l’intelligenza artificiale agente ridisegnerà il modo in cui il lavoro viene svolto, ma la credenza nella tecnologia non si traduce automaticamente in comfort nel concedere l’autorità decisionale. La nostra ricerca ha scoperto che solo il 22% delle organizzazioni è a suo agio nell’alloware ai sistemi di intelligenza artificiale di operare con autonomia a livello di dominio o ampia.

La maggior parte delle imprese è ancora a suo agio nell’usare l’intelligenza artificiale come un assistente che può raccomandare, riassumere o supportare i flussi di lavoro. L’esitazione inizia quando i sistemi di intelligenza artificiale sono attesi per agire autonomamente in modi che influenzano le operazioni, i clienti, la conformità o i risultati finanziari. Quell’esitazione sta costringendo molte imprese a mantenere gli esseri umani strettamente coinvolti nei processi di approvazione e supervisione anche mentre spingono verso modelli operativi più autonomi.

Molte imprese stanno investendo pesantemente nell’intelligenza artificiale ma falliscono nel dimostrare ritorni significativi. Quali sono gli errori più comuni che le organizzazioni commettono quando cercano di misurare il valore guidato dall’intelligenza artificiale?

Un errore maggiore è che molte organizzazioni stanno ancora utilizzando metriche di produttività progettate per ondate di automazione precedenti. I dati mostrano che il 67% delle imprese si affida ancora a misure basate sulla produttività che non possono catturare appieno il valore di sistemi decisionali e adattivi. Ciò crea un vero disaccordo tra aspettative e come il valore viene effettivamente misurato.

Un altro problema è che molte organizzazioni non hanno ancora definito metriche di successo native dell’intelligenza artificiale. Solo una piccola percentuale di imprese sta misurando cose come il completamento autonomo del flusso di lavoro, la riduzione dell’escalation o la gestione delle eccezioni autonome. Se le aziende continuano a concentrarsi solo sulla riduzione dei costi o sulle ore risparmiate, perderanno l’impatto operativo più ampio che l’intelligenza artificiale agente è progettata per creare.

Il rapporto suggerisce che la preparazione organizzativa è una barriera più grande della tecnologia stessa. Quali cambiamenti strutturali specifici le aziende devono fare per sbloccare il pieno potenziale dell’intelligenza artificiale agente?

Le organizzazioni devono ripensare come la responsabilità, la proprietà del flusso di lavoro e la presa di decisioni operano attraverso l’azienda. Una delle conclusioni più chiare della ricerca è che la preparazione organizzativa sta diventando una barriera più grande della tecnologia stessa. In effetti, il 33% delle imprese ha identificato i processi aziendali non pronti per l’integrazione dell’intelligenza artificiale agente come l’ostacolo principale all’adozione.

Le aziende che stanno facendo più progressi stanno ridisegnando i flussi di lavoro dall’inizio alla fine in modo che i sistemi autonomi possano operare all’interno di confini e strutture di supervisione chiaramente definiti. Abbiamo anche scoperto che il 44% delle imprese si aspetta che l’intelligenza artificiale agente appiattisca le strutture di gestione man mano che i sistemi assorbono i compiti di coordinamento tradizionalmente gestiti dalla gestione intermedia. I dipendenti hanno bisogno di una maggiore chiarezza sulle responsabilità di supervisione, sui punti di intervento e su dove il giudizio umano si adatta a un ambiente sempre più autonomo.

Solo una piccola percentuale di organizzazioni è a suo agio nel concedere ai sistemi di intelligenza artificiale una vera autonomia. Cosa ci vorrà perché le imprese si fidino dei sistemi di intelligenza artificiale con l’autorità decisionale?

La fiducia nell’intelligenza artificiale agente alla fine si riduce alla responsabilità e al controllo. Le imprese sono ancora caute nel concedere l’autorità decisionale perché i leader vogliono la fiducia che i sistemi autonomi possano operare all’interno di guardrail e strutture di governance chiare.

Le aziende che stanno andando avanti stanno progettando sistemi in cui le vie di escalation, i trigger di intervento e i controlli di governance sono costruiti direttamente nel modello operativo. La maggior parte delle organizzazioni sta concedendo l’autonomia in modo incrementale in base al contesto aziendale e alla tolleranza al rischio piuttosto che fare un salto improvviso all’autonomia completa. Man mano che le imprese guadagnano fiducia attraverso deploy di successo, la fiducia cresce perché i leader possono chiaramente vedere come le decisioni vengono prese, dove si trova la responsabilità e come la supervisione umana viene mantenuta.

Le imprese si aspettano di scalare l’intelligenza artificiale agente rapidamente, eppure molte si affidano ancora a metriche di produttività obsolete. Come dovrebbero apparire metriche di prestazione native dell’intelligenza artificiale più efficaci?

Le metriche native dell’intelligenza artificiale devono misurare l’esecuzione e i risultati piuttosto che l’attività. Le misure di produttività tradizionali si concentrano su se le persone stanno lavorando più velocemente, ma l’intelligenza artificiale agente cambia l’equazione perché il sistema stesso inizia a portare una parte del carico di lavoro operativo. Ciò è importante perché molte organizzazioni stanno ancora misurando l’intelligenza artificiale agente attraverso una lente di produttività progettata per ondate di automazione precedenti piuttosto che per l’esecuzione autonoma.

Le misure più efficaci dovrebbero concentrarsi sul completamento autonomo del flusso di lavoro, sulla riduzione dei tassi di escalation, sull’esecuzione più rapida delle decisioni e su come i sistemi gestiscano le eccezioni con un intervento umano limitato. Queste metriche forniscono un’immagine molto più chiara di come l’intelligenza artificiale stia realmente migliorando l’esecuzione su larga scala.

Ha sottolineato che il ridisegno del processo è la principale barriera all’adozione. Perché la trasformazione del flusso di lavoro conta più della prestazione del modello in questa prossima fase dell’intelligenza artificiale?

La trasformazione del flusso di lavoro conta perché anche i sistemi di intelligenza artificiale più avanzati non possono scalare efficacemente all’interno di processi rotti o frammentati. La nostra ricerca ha scoperto che il 33% delle imprese ha identificato la preparazione del processo come la principale barriera all’adozione dell’intelligenza artificiale agente.

Ciò che rende questa prossima fase diversa è che l’intelligenza artificiale agente è progettata per eseguire attraverso i flussi di lavoro piuttosto che semplicemente assistere all’interno. Le organizzazioni devono ridisegnare i processi intorno all’esecuzione autonoma, chiarificando la proprietà delle decisioni, rimuovendo gli handoff non necessari e incorporando la governance direttamente nei flussi di lavoro. In molti modi, il ridisegno del flusso di lavoro è ora la vera base per l’adozione dell’intelligenza artificiale su larga scala.

Il rapporto suggerisce che l’intelligenza artificiale appiattirà le strutture organizzative man mano che i compiti di coordinamento diventano automatizzati. Come vede l’evoluzione dei ruoli di leadership e della gestione intermedia a seguito di ciò?

Man mano che l’intelligenza artificiale agente assume più compiti di coordinamento e supervisione operativa, i ruoli di leadership sono probabili da spostarsi dalla gestione dell’esecuzione routine verso la guida della strategia, del giudizio e della governance. La nostra ricerca ha scoperto che molte imprese si aspettano che l’intelligenza artificiale agente riduca i livelli di coordinamento attraverso l’organizzazione man mano che i sistemi autonomi assumono più responsabilità di supervisione operativa.

La gestione intermedia ha storicamente svolto un ruolo importante nel routing delle decisioni e nel mantenimento della continuità operativa attraverso i team. Man mano che i sistemi autonomi iniziano a gestire più di quelle attività, i leader dovranno concentrarsi di più sulla gestione delle eccezioni, sulla responsabilità e sul garantire che i sistemi si allineino con gli obiettivi aziendali. La leadership umana diventerà ancora più importante nelle aree in cui il contesto, l’etica e il giudizio sono ancora più importanti.

Genpact si posiziona come un’azienda di soluzioni tecnologiche avanzate e agente. Come l’azienda si avvicina all’intelligenza artificiale agente in modo diverso dalle società di consulenza o tecnologiche tradizionali?

L’approccio di Genpact è basato sull’esecuzione e sui risultati e su ciò che spesso descriviamo come la risoluzione del “problema dell’ultimo miglio” dell’adozione dell’intelligenza artificiale. Molte organizzazioni hanno già dimostrato che i modelli di intelligenza artificiale possono generare informazioni o migliorare la produttività, ma la vera sfida è incorporare quelle capacità nei flussi di lavoro aziendali vivi dove il lavoro viene effettivamente svolto. È lì che molti progetti di intelligenza artificiale si bloccano. Il nostro focus è sull’aiutare i clienti a operativizzare l’intelligenza artificiale agente attraverso l’ultimo miglio dell’esecuzione in modo che i sistemi possano guidare risultati misurabili all’interno di finanza, catena di approvvigionamento, servizio clienti e altre funzioni aziendali core.

Ciò che differenzia il nostro approccio è la combinazione di profonda competenza di processo con dati, tecnologia e capacità di intelligenza artificiale. Non stiamo semplicemente deployando modelli o costruendo piloti. Stiamo ridisegnando i flussi di lavoro, incorporando la governance nelle operazioni e aiutando le imprese a creare le strutture di responsabilità necessarie per l’esecuzione autonoma su larga scala. Poiché abbiamo anche incorporato l’intelligenza artificiale agente nelle nostre operazioni, portiamo un’esperienza pratica su ciò che serve per muoversi dall’esperimentazione all’impatto aziendale.

Guardando avanti, crede che l’intelligenza artificiale agente allargherà il divario tra le imprese leader e quelle in ritardo, e cosa dovrebbero fare le aziende ora per evitare di rimanere indietro?

Sì, credo che il divario si allargherà perché l’intelligenza artificiale agente compone il valore in modo diverso dalle precedenti ondate tecnologiche. Le organizzazioni che ridisegnano con successo i flussi di lavoro, stabiliscono framework di responsabilità e costruiscono la fiducia nei sistemi autonomi creeranno vantaggi operativi che diventeranno difficili per i concorrenti replicare. Ciò che colpisce è la rapidità con cui questo cambiamento sta avvenendo. Il 29% delle imprese si aspetta che l’intelligenza artificiale agente si scalare attraverso l’azienda nei prossimi 12 mesi.

Per le aziende che cercano di rimanere competitive, la priorità ora dovrebbe essere preparare il modello operativo per l’esecuzione autonoma. Ciò include il ridisegnare i flussi di lavoro, definire le strutture di proprietà, costruire framework di misurazione nativi dell’intelligenza artificiale e investire nella preparazione della forza lavoro. Le organizzazioni che si muovono presto su queste fondamenta saranno molto meglio posizionate di quelle che ancora si avvicinano all’intelligenza artificiale come un’iniziativa tecnologica autonoma.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Genpact.