Ankur Dhingra, CEO di ProHance – Serie di Interviste

Ankur Dhingra, CEO di ProHance, è un dirigente esperto di tecnologia e operazioni con oltre due decenni di leadership nel campo della produttività aziendale, dei servizi finanziari e delle operazioni commerciali globali. Guida ProHance dal 2020, concentrandosi sulla creazione di una piattaforma unificata per osservare, governare e migliorare la produttività di lavoratori umani, fornitori e sistemi di IA. Prima di diventare CEO, Dhingra è stato Partner di FutureIP, dove è stato sviluppato ProHance come piattaforma di gestione operativa e analisi. In precedenza, ha trascorso più di otto anni in American Express, ricoprendo il ruolo di Vicepresidente e Direttore Generale delle Operazioni Globali di Back Office e, prima ancora, guidando le operazioni di coinvolgimento dei clienti, che comprendevano telefonia su larga scala, chat, attività normative e di garanzia aziendale. La sua carriera comprende anche ruoli di alta dirigenza in Genpact, dove ha gestito una pratica bancaria di 1.100 persone e un P&L di 35 milioni di dollari, e in GE Capital, dove ha diretto le operazioni di servizi finanziari in India.

ProHance è una società di intelligenza della forza lavoro aziendale e analisi della produttività che fornisce alle organizzazioni una visibilità in tempo reale su come il lavoro venga svolto da dipendenti, fornitori esterni, copiloti IA e agenti autonomi. La sua piattaforma, definita “Sala di Controllo della Produttività”, combina analisi della forza lavoro, pianificazione della capacità, assegnazione intelligente del lavoro, misurazione della produttività e strumenti di governance per aiutare le imprese a identificare colli di bottiglia operativi, ottimizzare l’utilizzo delle risorse e comprendere l’impatto dell’IA sulle prestazioni organizzative. ProHance afferma che la sua tecnologia è utilizzata da oltre 450.000 utenti in 220 imprese in 55 paesi, con applicazioni che spaziano dal settore bancario e dei servizi finanziari, all’esternalizzazione dei processi aziendali, ai centri di capacità globali, all’assistenza sanitaria e alla tecnologia dell’informazione.

Hai trascorso più di due decenni a guidare operazioni su larga scala in GE Capital, Genpact e American Express prima di diventare CEO di ProHance. Cosa ti hanno insegnato queste esperienze sui limiti della gestione tradizionale della forza lavoro e della produttività, e in che modo queste lezioni hanno influenzato il modo in cui stai costruendo ProHance per un’impresa AI-first?

La mia esperienza in GE Capital, Genpact e American Express mi ha insegnato che una delle maggiori lacune nella gestione tradizionale della forza lavoro non si trovava necessariamente nella parte anteriore, ma nel back office.

In American Express, avevo precedentemente lavorato nel settore del servizio clienti, dove il contact center disponeva di una tecnologia abbastanza sofisticata per misurare la produttività – dove le persone trascorrevano il loro tempo, l’utilizzo, i volumi di interazione e come i processi potessero essere ottimizzati. Ma quando sono passato a guidare le operazioni di back office, ho visto una realtà molto diversa.

Una grande quantità di lavoro nelle grandi imprese avviene dietro le quinte – elaborazione delle transazioni, gestione dei casi, inserimento dati e altre attività basate su processi – eppure c’era pochissima misurazione significativa di come quel lavoro venisse effettivamente svolto. La tecnologia e la visibilità disponibili per il front office semplicemente non si erano trasferite al back office.

Sono diventato quasi irrazionalmente ossessionato dal problema. Ho iniziato a esaminare le tecnologie disponibili e a parlare con gli operatori consolidati, ma ciò che ho trovato era o troppo ingombrante, troppo costoso, o semplicemente non progettato per le realtà delle operazioni di back office. Continuavo a pensare: questa è un’industria da oltre 150 miliardi di dollari, e questo è un problema che esiste da anni. Sicuramente qualcuno deve risolverlo in modo migliore.

Questa ricerca mi ha infine portato a ProHance, dove Rajesh Sharma e Kishore Reddy (cofondatori di ProHance) avevano già sviluppato una tecnologia che affrontava molte delle sfide che avevo identificato come utente avanzato di questi sistemi. Sapevo esattamente cosa la tecnologia dovesse fare – catturare l’attività automaticamente, funzionare su diversi sistemi operativi, misurare il tempo sia all’interno che al di fuori del sistema e fornire una visione affidabile di come il lavoro avvenisse realmente.

Quell’esperienza ha plasmato il mio modo di pensare a ProHance oggi. La lezione è che non si può costruire un’impresa AI-first semplicemente aggiungendo IA agli strumenti di gestione della forza lavoro esistenti. Prima è necessaria una comprensione affidabile e granulare del lavoro stesso. L’IA può quindi trasformare il modo in cui quel lavoro viene analizzato, ottimizzato e, in ultima analisi, riprogettato.

Per me, ProHance riguarda portare lo stesso livello di visibilità e intelligenza che le imprese hanno storicamente avuto nel front office all’intera organizzazione – e utilizzare l’IA per ottenere una misura migliore della produttività, migliorando in modo fondamentale il modo in cui il lavoro viene svolto.

Man mano che l’IA generativa e gli agenti IA assumono una quota crescente del lavoro cognitivo, i tradizionali indicatori di produttività come le ore lavorate o l’uso delle applicazioni potrebbero diventare meno significativi. Come dovrebbero le imprese ridefinire la produttività quando un essere umano può realizzare in 30 minuti ciò che prima richiedeva diverse ore?

La produttività deve passare dalla misurazione dell’attività a quella dei risultati. Se l’IA consente a qualcuno di completare in 30 minuti ciò che prima richiedeva tre ore, il riferimento di tre ore non è più pertinente. L’attenzione dovrebbe essere su ciò che è stato realizzato, sulla qualità del risultato e su quanto efficacemente sono stati utilizzati tempo e competenze.

Ciò significa anche che le imprese devono capire dove l’IA sta realmente eliminando il lavoro ripetitivo e dove il giudizio umano rimane fondamentale. La produttività dovrebbe riflettere sempre più i risultati, la capacità, la qualità e l’impatto sul business, anziché le ore trascorse alla scrivania o l’uso delle applicazioni.

Hai descritto l’intelligenza della forza lavoro come sempre più critica nell’impresa AI-first. Cosa significa concretamente “intelligenza della forza lavoro” e in che modo differisce dagli strumenti di monitoraggio dei dipendenti e di analisi della forza lavoro che le aziende hanno utilizzato storicamente?

L’intelligenza della forza lavoro riguarda essenzialmente fornire a un’organizzazione una comprensione più chiara di come il lavoro avvenga realmente. Raccoglie segnali relativi al carico di lavoro, alla capacità, all’utilizzo, ai processi e ai risultati per aiutare i leader a individuare dove i team sono sovraccarichi, dove esiste capacità e dove il lavoro si blocca.

Questo è diverso dal monitoraggio tradizionale dei dipendenti, che spesso si concentrava sull’attività individuale. L’intelligenza della forza lavoro dovrebbe operare a un livello molto più ampio. L’obiettivo non è chiedere “Cosa sta facendo questo dipendente ogni minuto?”, ma “Come fluisce il lavoro nell’organizzazione e cosa possiamo fare per migliorarlo?”

ProHance sta sempre più combinando dati deterministici della forza lavoro con il machine learning per generare insight predittivi, inclusa l’individuazione di potenziali rischi di disimpegno e di retention. Come garantisci che questi modelli IA distinguano pattern significativi dalle normali variazioni nel comportamento dei dipendenti, e quanto è importante la spiegabilità quando i manager prendono decisioni sul personale?

In ProHance crediamo che la qualità e il contesto dei dati di base siano fondamentali. Il comportamento dei dipendenti varia naturalmente a seconda di progetti, carichi di lavoro, team, stagioni e cicli aziendali. Un cambiamento nell’attività di per sé non indica necessariamente disimpegno o rischio di retention.

L’approccio consiste nel cercare pattern attraverso più segnali e nel tempo, piuttosto che trarre conclusioni da un singolo comportamento. L’IA può aiutare a individuare pattern che meritano attenzione, ma non dovrebbe essere considerata il decisore finale.

La spiegabilità è altrettanto importante. Se un sistema segnala un potenziale rischio, i manager dovrebbero essere in grado di comprendere i fattori alla base di quel segnale e applicare il proprio giudizio. Quando la tecnologia viene utilizzata per informare decisioni su persone, trasparenza e supervisione umana sono essenziali.

È comprensibile che i dipendenti siano preoccupati quando le organizzazioni introducono tecnologie in grado di analizzare i modelli di lavoro, l’uso delle applicazioni, i tempi di inattività o le prestazioni. Dove dovrebbero le imprese tracciare la linea tra ottenere una visibilità operativa utile e creare una cultura di sorveglianza?

La linea è determinata principalmente dall’intento, dalla trasparenza e da come i dati vengono utilizzati. I dipendenti sono comprensibilmente a disagio quando la tecnologia viene introdotta senza chiarezza su cosa viene misurato e perché.

L’obiettivo dovrebbe essere comprendere il lavoro a livello organizzativo e operativo, piuttosto che osservare costantemente gli individui. Se i dati sulla forza lavoro aiutano a identificare carichi di lavoro eccessivi, colli di bottiglia o processi inefficienti, possono effettivamente migliorare l’esperienza dei dipendenti.

Le imprese dovrebbero anche essere chiare su ciò che non intendono fare. La tecnologia dovrebbe aiutare i manager a avere conversazioni migliori con i loro team, non a sostituire tali conversazioni o a creare un sistema di osservazione costante.

I copiloti IA e gli agenti autonomi stanno diventando sempre più parte della forza lavoro stessa. Pensi che le piattaforme di intelligenza della forza lavoro dovranno eventualmente misurare la produttività di umani e agenti IA insieme, e come potrebbe apparire una metrica significativa di produttività umano-IA?

Sì, penso che questo diventerà sempre più importante. Man mano che gli agenti IA iniziano a gestire parti dei flussi di lavoro, misurare solo l’attività umana fornirà alle imprese un quadro incompleto di come il lavoro venga svolto.

Ma non credo che arriveremo semplicemente a un unico punteggio di produttività “umano contro IA”. Un approccio più utile sarebbe comprendere il risultato combinato di persone, strumenti IA e agenti lungo un flusso di lavoro.

Le imprese potrebbero valutare quanto tempo l’IA elimina dalle attività ripetitive, la rapidità con cui i processi avanzano, la qualità dei risultati e dove è ancora necessaria l’intervento umano. La vera domanda diventa: quanto efficacemente umani e IA lavorano insieme?

ProHance parla di andare oltre la semplice misurazione della produttività verso l’intelligenza operativa, includendo l’analisi del carico di lavoro, la previsione, l’ottimizzazione dei processi e l’allocazione delle risorse. Quanto del futuro di questa categoria sarà incentrato sull’IA che raccomanda proattivamente cosa i manager dovrebbero cambiare invece di presentare semplicemente dashboard?

Penso che sia verso questa direzione che ProHance vede evolversi la categoria. I dashboard sono utili, ma lasciano comunque ai manager la responsabilità di interpretare le informazioni e decidere cosa fare dopo.

La fase successiva è che le piattaforme identifichino un pattern e aiutino a rispondere “cosa dovremmo fare al riguardo?”. Ciò potrebbe significare evidenziare un team sovraccarico, identificare una competenza sottoutilizzata, prevedere un gap di capacità o suggerire dove un processo potrebbe essere migliorato.

Per ProHance, il valore arriverà sempre più dal passare dalla visibilità all’azione. L’IA dovrebbe aiutare i manager a prendere decisioni migliori, mantenendo la decisione stessa nelle mani della persona che comprende il business e il contesto.

Hai paragonato l’intelligenza della produttività a un rapporto sanitario annuale per un’organizzazione. Quali sono i segnali più importanti che i dirigenti dovrebbero osservare per determinare se la loro forza lavoro è veramente sana, produttiva e si sta adattando con successo all’IA?

Guarderei a una combinazione di segnali piuttosto che a un unico numero di produttività. Capacità e carico di lavoro sono punti di partenza evidenti, ma i dirigenti dovrebbero anche capire se il lavoro è distribuito efficacemente, dove emergono colli di bottiglia, come i team si stanno adattando all’IA e se le persone stanno dedicando troppo tempo ad attività a basso valore.

Un altro segnale importante è la sostenibilità. Un team che produce risultati eccezionali perché le persone lavorano costantemente oltre una capacità ragionevole non è necessariamente sano o produttivo a lungo termine.

Una forza lavoro sana è quella in cui capacità, carico di lavoro e risultati sono ragionevolmente bilanciati, le persone hanno spazio per concentrarsi su lavori di maggior valore e l’organizzazione può adattarsi man mano che la natura del lavoro cambia.

“Produttività” ha sviluppato connotazioni negative per molti dipendenti perché può implicare fare più lavoro con meno persone. Come possono le organizzazioni riconquistare il concetto e utilizzare l’intelligenza della produttività guidata dall’IA per migliorare l’esperienza dei dipendenti, ridurre il burnout e eliminare il lavoro a basso valore invece di aumentare semplicemente la produzione?

Le organizzazioni devono allontanarsi dalla definizione di produttività semplicemente come “più output da meno persone”. Tale definizione è troppo ristretta, soprattutto in un ambiente di lavoro abilitato dall’IA.

L’IA dovrebbe idealmente restituire alle persone il tempo attualmente consumato da amministrazione ripetitiva, processi manuali e compiti a basso valore. L’opportunità è utilizzare quel tempo per risolvere problemi, interagire con i clienti, innovare e svolgere lavori che richiedono il giudizio umano.

Se l’intelligenza della produttività viene utilizzata per individuare dove le persone sono sovraccariche o spendono tempo in modo inefficiente, può effettivamente diventare uno strumento per l’esperienza dei dipendenti. L’obiettivo dovrebbe essere rendere il lavoro migliore, non semplicemente far lavorare le persone più velocemente.

Guardando al futuro, man mano che l’IA si integra in quasi tutti i flussi di lavoro aziendali, cosa credi distinguerà le organizzazioni che riescono ad arricchire la loro forza lavoro con l’IA da quelle che implementano la tecnologia ma non riescono a tradurla in guadagni di produttività significativi?

Le organizzazioni che trarranno maggiori benefici dall’IA saranno quelle che guardano oltre la semplice implementazione della tecnologia. Avere accesso a uno strumento IA non genera automaticamente guadagni di produttività.

I leader comprenderanno dove l’IA sta cambiando i flussi di lavoro, come evolvono i ruoli e se l’organizzazione sta effettivamente ottenendo risultati migliori dalla tecnologia. Misureranno continuamente ciò che funziona e si adegueranno di conseguenza.

In definitiva, le organizzazioni di successo tratteranno l’adozione dell’IA come un cambiamento nel modo in cui il lavoro viene svolto, piuttosto che come una semplice implementazione tecnologica. Combineranno l’IA con i processi giusti, le competenze, la visibilità della forza lavoro e le pratiche di gestione. Questo sarà il fattore determinante per capire se l’IA diventerà un vero vantaggio di produttività o semplicemente un ulteriore livello tecnologico.

Grazie per la splendida intervista. I lettori che desiderano saperne di più dovrebbero visitare ProHance.