Gautam Singh, Global Business Unit Head of Analytics, Data and AI, WNS Analytics – Intervista

Gautam Singh è il responsabile dell’unità commerciale di WNS Analytics e co-fondatore e CEO di The Smart Cube, una società di WNS. Ha trascorso 20 anni a stabilire e far crescere The Smart Cube (un leader nella ricerca e nell’analisi dei dati) prima che venisse acquisita da WNS. In precedenza, ha lavorato per 10 anni nel consulting di gestione e nel venture capital in Europa e negli Stati Uniti. Gautam ha ricoperto vari ruoli, tra cui posizioni in Coven Partners (Londra), A.T. Kearney (Londra), Mitsubishi Motors (India) e Cummins Engines (Stati Uniti). Ha un MBA presso l’Università del Michigan, Ann Arbor, Stati Uniti e un diploma di laurea in ingegneria meccanica presso l’IIT Bombay, India.

WNS Analytics aiuta le aziende a trasformare i loro dati in valore strategico attraverso la “decision intelligence” – combinando una solida infrastruttura di dati, tecnologie AI/GenAI/agentic-AI e competenze specifiche del settore. Offrono servizi in vari settori, tra cui assicurazioni, banche e servizi finanziari, retail, CPG, manifattura, sanità, energia e logistica. Le loro capacità coprono l’ingegneria dei dati e la governance, l’analisi descrittiva e predittiva, gli strumenti AI/ML e la visualizzazione – tutti progettati per consentire decisioni più rapide e più sicure e un’innovazione continua.

Ha iniziato la sua carriera nel consulting di alto livello, poi ha fondato The Smart Cube e l’ha guidata per oltre due decenni prima dell’acquisizione da parte di WNS. Cosa l’ha motivata a passare dal consulting all’imprenditorialità e successivamente a guidare un’azienda globale di analisi dei dati e AI?

Ho trascorso dieci anni nel consulting di gestione e ho visto una chiara lacuna nel mercato: le aziende sedevano su montagne di dati, ma non ne estraevano il valore completo. Tornando al 2003, l’analisi dei dati era ancora basilare – stavamo lavorando con fogli di calcolo Excel.

La decisione di lasciare la vita aziendale è stata dettata dalla fiducia in me stesso. Ho visto un’opportunità per aiutare le organizzazioni a sfruttare veramente i loro dati, quindi ho fondato The Smart Cube con quella visione.

Dopo 20 anni di costruzione di The Smart Cube, unirsi a WNS non è stato un’uscita, ma un’evoluzione. Ho portato avanti la mentalità imprenditoriale, ma ora con molte più risorse e una portata più ampia. Ciò mi consente di affrontare problemi su una scala che non avrei mai potuto raggiungere in un’azienda più piccola. Soprattutto, ho riconosciuto il potere di incorporare e infondere dati e analisi nei processi aziendali di base, piuttosto che trattarli come interventi discreti. Quell’integrazione senza soluzione di continuità di competenze specifiche del settore e trasformazione dei processi è centrale nel DNA di WNS – ed è ciò che mi ha motivato a essere acquisita e ora a guidare questa unità commerciale in WNS.

Nel corso dei suoi 20+ anni di lavoro nell’analisi dei dati, come ha visto evolversi il ruolo dei dati e dell’AI nei servizi finanziari – dall’adozione iniziale all’integrazione su larga scala e a livello aziendale di oggi?

Alla fine degli anni ’90, l’analisi dei dati significava esaminare i dati storici e fare previsioni statistiche. La trasformazione è stata notevole.

I primi anni 2000 hanno visto l’avvento della digitalizzazione e modelli predittivi più avanzati. Nel 2010, l’analisi dei dati in tempo reale era diventata standard. Circa un decennio fa, l’apprendimento automatico ha iniziato a guidare un vero e proprio cambiamento, e più di recente, l’AI generativa (Gen AI) è diventata il centro dell’attenzione.

Oggi, le istituzioni finanziarie trattano i dati come un asset strategico. La domanda è passata da “possiamo utilizzare l’AI?” a “come possiamo incorporare l’AI in ogni decisione?”

L’impatto è tangibile: l’onboarding dei clienti che un tempo richiedeva giorni ora si conclude in ore con la verifica basata sull’AI. Le valutazioni del rischio di credito valutano centinaia di punti di dati in tempo reale oltre i punteggi tradizionali. I calcoli dei rischi che richiedevano esecuzioni batch notturne sono ora istantanei. E la rilevazione delle frodi non reagisce più dopo il fatto – blocca l’attività sospetta in tempo reale.

Come le aziende forward-looking stanno utilizzando i laghi di dati guidati dall’AI e i framework di governance per migliorare la presa di decisioni in tempo reale, la conformità normativa e la trasparenza nelle operazioni finanziarie?

Costruire magazzini di dati monolitici e sperare in insight non funziona più. Le istituzioni devono progettare ecosistemi di dati intelligenti.

I servizi finanziari affrontano una sfida unica: sono rivolti ai clienti, gestiscono dati altamente sensibili e devono comunque offrire personalizzazione e risposte in tempo reale. Ciò richiede laghi di dati modulati costruiti su framework flessibili.

All’interno di questa architettura, le organizzazioni creano laghi di dati specializzati per l’analisi dei prezzi, la valutazione del rischio e la relazione normativa. Ogni lago opera in modo indipendente, mentre alimenta l’ecosistema più ampio, offrendo valore immediato, preservando i confini di sicurezza.

Tendenza Zero ETL è particolarmente rilevante qui, poiché elimina i processi complessi di estrazione-trasformazione-caricamento, consentendo la query diretta attraverso i sistemi. Ciò consente all’AI di accedere e analizzare i dati in tempo reale senza spostarli, riducendo la latenza e mantenendo la governance.

Gli agenti AI stanno anche evolvendo oltre la rilevazione delle anomalie. Non solo segnalano transazioni sospette, ma raccomandano anche azioni ed eseguono risposte all’interno dei parametri di governance. Nella conformità, l’AI monitora continuamente le transazioni, genera rapporti e identifica problemi prima che i regolatori lo facciano.

La sintesi dei dati è spesso considerata un modo sicuro per addestrare i modelli AI senza esporre informazioni sensibili. Può condividere esempi di come i dati sintetici sono applicati efficacemente nella rilevazione delle frodi, nell’analisi del rischio e nella convalida dei modelli?

In WNS Analytics, utilizziamo la generazione avanzata di dati sintetici per creare set di dati ad alta fedeltà e conformi alla privacy, che accelerano l’addestramento dei modelli AI, in particolare nei domini a bassa disponibilità di dati. I nostri set di dati sintetici emulano scenari del mondo reale, riflettendo gli stessi modelli statistici, comportamenti e correlazioni dei dati finanziari reali – flussi di transazioni, tendenze delle frodi, comportamenti dei clienti – senza esporre alcuna informazione personale sensibile o dati dei clienti.

Questa capacità sta trasformando i servizi finanziari in campi come l’analisi del rischio, la rilevazione delle frodi, la valutazione del credito, la prova di stress e la modellazione della conformità. Questi set di dati sintetici consentono alle organizzazioni di avviare rapidamente lo sviluppo di soluzioni AI, garantendo al contempo la privacy dei dati e la fiducia normativa.

Un’applicazione particolarmente innovativa coinvolge l’uso di dati mascherati PII per creare modelli lookalike. Ciò consente alle aziende di offrire offerte mirate ai consumatori, abilitando il marketing personalizzato, mantenendo al contempo la completa privacy.

L’automazione intelligente e gli agenti AI vengono sempre più incorporati nei flussi di lavoro aziendali. Quali sono i casi d’uso più trasformativi che ha visto nei servizi finanziari e come migliorano la resilienza operativa e le prestazioni?

L’automazione intelligente che sfrutta gli agenti AI sta accelerando i flussi di lavoro aziendali, consentendo alle organizzazioni di semplificare le operazioni e prendere decisioni più rapide e più informate. Questi agenti combinano l’automazione con ragionamento avanzato per offrire resilienza, scalabilità e miglioramenti delle prestazioni.

In WNS Analytics, applichiamo il framework GAIN (il nostro framework proprietario per l’implementazione dell’AI agente) per valutare i livelli appropriati di autonomia per l’AI agente. Forniamo inoltre componenti riutilizzabili e basati su microservizi per agenti iperspecializzati attraverso il nostro Hub di utility AI vincitore di premi.

Nell’assicurazione, abbiamo trasformato più flussi di lavoro attraverso l’AI agente. Nella subrogazione delle richieste di risarcimento, la nostra soluzione di rilevamento di recupero di terze parti basata sull’AI generativa, guidata da agenti autonomi, ha raggiunto il 85% di accuratezza, ha raddoppiato i volumi di recupero e ha aumentato i ricavi annuali di circa il 49% – sbloccando milioni di opportunità che in precedenza erano state trascurate.

Nell’underwriting, il nostro assistente di ricerca AI agente impiega più agenti specializzati per suddividere query complesse, estrarre dati da più fonti e generare insight con il 99% di accuratezza, riducendo il tempo di risposta dell’85%.

Per una banca leader, la nostra soluzione Gen AI ha ridotto il tempo di screening dei media avversi del 60% e ha ridotto i falsi positivi del 12-15%.

Abbiamo anche una soluzione di gestione delle conoscenze basata su Gen AI – progettata come piattaforma orizzontale – per ridefinire il modo in cui le aziende recuperano, ragionano e contestualizzano vasti dati non strutturati. Fornendo insight precisi, conformi e coerenti in tempo reale, migliora la presa di decisioni, aumenta l’efficienza e rafforza la resilienza operativa in tutti i settori.

Queste soluzioni aumentano il giudizio umano, creando sistemi più rapidi e più precisi.

Per le aziende che mirano a scalare le iniziative AI, quali sono i più grandi ostacoli – tecnici, culturali o strategici – e come i leader possono superarli?

L’ostacolo più grande per scalare l’AI non è la tecnologia – è la preparazione organizzativa.

In primo luogo, ci sono silos di dati attraverso i sistemi legacy. La sostituzione completa non è sempre pratica; invece, l’attenzione dovrebbe essere focalizzata sulla costruzione di ponti intelligenti. In WNS, abbiamo creato “team di ponte” che accoppiano amministratori di sistema legacy con ingegneri cloud, accelerando l’implementazione, preservando al contempo le regole aziendali critiche.

In secondo luogo, il divario delle competenze. Le aziende hanno bisogno della giusta miscela di esperti di settore, ingegneri di dati, scienziati di dati e traduttori che possono collegare insight tecnici al valore aziendale.

In terzo luogo, il ritmo del cambiamento tecnologico. Il nostro WNS AI Lab consente alle organizzazioni di sperimentare tecnologie emergenti e costruire prototipi prima di impegnarsi in una distribuzione su larga scala.

Sul fronte culturale, il successo dipende dalla gestione efficace del cambiamento. Progettiamo framework che aiutano i dipendenti a vedere l’AI come un elemento aggiuntivo e non come un sostituto. Stabilire un consiglio AI è anche una mossa intelligente, fornendo governance, allineamento cross-funzionale e un percorso strutturato per passare da piloti a scala aziendale.

Con un’attenzione crescente all’etica dell’AI, alla parzialità e alla trasparenza, come possono le istituzioni finanziarie trovare il giusto equilibrio tra innovazione e governance dell’AI responsabile?

Innovazione e responsabilità non sono scelte opposte – la responsabilità deve essere costruita nell’innovazione fin dall’inizio.

Le istituzioni finanziarie hanno bisogno di solide framework di governance dell’AI. In WNS, implementiamo framework che assicurano che l’AI sia sviluppata in modo responsabile, etico e sicuro. Il nostro approccio incorpora controlli per la parzialità, l’equità, KPI personalizzati e il monitoraggio della deriva del modello. Ciò costruisce fiducia, non solo la conformità normativa.

La trasparenza è particolarmente critica nei servizi finanziari. Se l’AI nega un prestito, i richiedenti meritano spiegazioni chiare e comprensibili.

In definitiva, l’AI responsabile è un vantaggio competitivo. Le banche che dimostrano equità, trasparenza e sicurezza nei loro sistemi AI guadagnano la fiducia dei clienti. Coloro che trattano la governance come un afterthought rischiano sanzioni normative e danni alla reputazione che sono molto più difficili da riparare.

Negli prossimi 3-5 anni, quali capacità AI emergenti o strategie di dati ritiene che avranno il maggior impatto su come le organizzazioni finanziarie operano?

Tre sviluppi ridisegneranno i servizi finanziari nei prossimi tre o cinque anni.

In primo luogo, l’AI agente passerà da sperimentale a essenziale. Gli agenti AI autonomi eseguiranno flussi di lavoro complessi e orchestreranno interi dipartimenti insieme ai team umani.

In secondo luogo, i sistemi di apprendimento continuo diventeranno standard. L’AI si adatterà a ogni interazione, consentendo servizi finanziari personalizzati che evolvono con le esigenze dei clienti.

In terzo luogo, vedremo una potente convergenza tecnologica: calcolo quantistico per calcoli di rischio avanzati, blockchain per log di decisioni AI trasparenti e calcolo edge per decisioni localizzate istantanee. Insieme, queste tecnologie sbloccheranno interamente nuove forme di servizi finanziari che stiamo solo iniziando a immaginare.

Aver navigato l’imprenditorialità, l’acquisizione e ora un ruolo di leadership globale, quali principi guida lo hanno aiutato a prendere decisioni e guidare team attraverso il cambiamento?

Tre principi mi guidano.

In primo luogo, la perseveranza sulla perfezione. Quando abbiamo iniziato The Smart Cube, non avevamo tutte le risposte. Abbiamo fatto errori, ci siamo adattati e siamo andati avanti. La persistenza con l’adattabilità è stata essenziale.

In secondo luogo, costruire valore duraturo, non uscite rapide. Un professore di scuola di business mi ha consigliato una volta – anni dopo che avevo fondato The Smart Cube – “Non concentrarti sull’uscita. Concentrati sul costruire un’azienda di successo che durerà”. Quella mentalità a lungo termine ha plasmato ogni decisione che ho preso.

In terzo luogo, godersi ciò che si fa. Ho sempre creduto che se non mi sto divertendo, passerò a qualcos’altro. Dopo 30 anni, mi sveglio ancora eccitato e quell’entusiasmo ispira i team attraverso il cambiamento.

Guidare attraverso l’acquisizione ha rafforzato un’altra verità: il cambiamento ha successo quando si porta la gente con sé. L’integrazione tecnica è diretta; l’integrazione culturale – costruire una visione condivisa – è dove conta veramente il leadership.

Per i professionisti che desiderano plasmare il futuro dell’AI nei servizi finanziari, quali competenze, mentalità o esperienze ritiene che saranno più preziose?

Il futuro appartiene a coloro che possono collegare mondi. Le competenze tecniche pure o l’esperienza di settore da sole non saranno sufficienti.

In primo luogo, sviluppare il pensiero sistemico. Iniziare con il bisogno del mercato – un caso d’uso chiaro – e lavorare a ritroso. L’AI nei servizi finanziari richiede la comprensione di come tutto si collega: come un cambiamento nei modelli di rischio impatta l’esperienza del cliente o come l’automazione apre nuove opportunità.

In secondo luogo, coltivare la praticità disciplinata rispetto all’idealismo. Essere entusiasti delle nuove tecnologie, ma rigorosi nella loro valutazione. Non ogni problema richiede l’AI – a volte, analisi semplici o addirittura fogli di calcolo possono fare il lavoro.

In terzo luogo, costruire competenze di traduzione. Ciò è vitale. Essere in grado di spiegare concetti AI complessi ai membri del consiglio di amministrazione e tradurre requisiti aziendali per gli scienziati di dati è inestimabile. I leader AI più forti allineano la tecnologia con la strategia aziendale.

Infine, abbracciare l’apprendimento continuo. Gli strumenti che erano all’avanguardia cinque anni fa sono già obsoleti. Restare curiosi, umili e impegnati nell’apprendimento aprirà porte a opportunità che non possiamo ancora immaginare all’intersezione dell’AI e dei servizi finanziari.

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