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

Gautam Singh è il Business Unit Head di WNS Analytics e il 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. Prima di questo, ha lavorato per 10 anni nel consulting 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, USA e una laurea in ingegneria meccanica presso l’IIT Bombay, India.

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

Hai iniziato la tua carriera nel consulting di alto livello, poi hai fondato The Smart Cube e l’hai guidata per oltre due decenni prima della sua acquisizione da parte di WNS. Cosa ti ha motivato 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 e ho visto una chiara lacuna di mercato: le aziende sedevano su montagne di dati senza estrarne il valore completo. Nel 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, unirmi a WNS non è stato un’uscita, ma un’evoluzione. Ho portato avanti la mentalità imprenditoriale, ma ora con risorse e portata molto più grandi. 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 di dominio e trasformazione dei processi è centrale nel DNA di WNS – ed è ciò che mi ha motivato a essere acquisito e ora a guidare questa unità aziendale in WNS.

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

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

I primi anni 2000 hanno introdotto la digitalizzazione e modelli predittivi più avanzati. Nel 2010, l’analisi dei dati di trading in tempo reale era diventata standard. Circa un decennio fa, il machine learning ha iniziato a guidare un vero e proprio cambiamento, e più recentemente, 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 del cliente che un tempo richiedeva giorni ora si conclude in poche ore con la verifica basata sull’AI. Le valutazioni del rischio di credito valutano centinaia di punti di dati in tempo reale oltre ai punteggi tradizionali. I calcoli del rischio 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 utilizzano i laghi di dati e i framework di governance guidati dall’AI 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 orientati al cliente, 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 stagni di dati specializzati per l’analisi dei prezzi, la valutazione del rischio e la relazione normativa. Ogni stagno opera in modo indipendente mentre alimenta l’ecosistema più ampio, offrendo valore immediato mentre mantiene i confini di sicurezza.

La tendenza Zero ETL è particolarmente rilevante qui, poiché elimina i processi complessi di estrazione, trasformazione e caricamento dei dati 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.

Il dato sintetico è spesso considerato un modo sicuro per addestrare i modelli AI senza esporre informazioni sensibili. Puoi condividere esempi di come il dato sintetico viene applicato efficacemente nella rilevazione delle frodi, nell’analisi del rischio e nella convalida dei modelli?

In WNS Analytics, utilizziamo la generazione di dati sintetici avanzati per creare set di dati ad alta fedeltà e conformi alla privacy che accelerano l’addestramento dei modelli AI, in particolare in domini a dati scarsi. I nostri set di dati sintetici emulano scenari del mondo reale mentre riflettono gli stessi modelli statistici, comportamenti e correlazioni dei dati finanziari reali – flussi di transazioni, tendenze delle frodi, comportamenti dei clienti – senza esporre alcuna informazione sensibile Personale Identificabile (PII) 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 mentre assicurano sia la privacy dei dati che la fiducia normativa.

Un’applicazione particolarmente innovativa coinvolge l’uso di dati PII mascherati per creare modelli lookalike. Ciò consente alle aziende di offrire promozioni mirate ai consumatori, consentendo marketing personalizzato mentre mantiene la completa privacy.

L’automazione intelligente e gli agenti AI stanno sempre più essere incorporati nei flussi di lavoro aziendali. Quali sono i casi d’uso più trasformativi che hai 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. Nel subrogazione delle richieste di risarcimento per danni automobilistici, la nostra soluzione di rilevamento di recupero di terze parti guidata da Gen AI, guidata da agenti autonomi, ha raggiunto il 85% di accuratezza, raddoppiato il volume di recupero e migliorato 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 mentre riduce 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 ridotto i falsi positivi del 12-15%.

Abbiamo anche una soluzione di gestione delle conoscenze guidata da Gen AI – progettata come piattaforma orizzontale – per ridefinire come le aziende recuperano, ragionano e contestualizzano vasti dati non strutturati. Offrendo 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?

Il più grande ostacolo alla scalabilità dell’AI non è la tecnologia – è la preparazione organizzativa.

Innanzitutto, ci sono silos di dati attraverso 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 legacy con ingegneri cloud, accelerando l’implementazione mentre si preservano regole aziendali critiche.

In secondo luogo, la lacuna delle competenze. Le aziende hanno bisogno della giusta miscela di esperti di dominio, 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 proof-of-concept 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 considerare l’AI come additivo e non come sostitutivo. Stabilire un consiglio AI è anche una mossa intelligente, offrendo governance, allineamento cross-funzionale e un percorso strutturato per spostarsi da piloti a scala aziendale.

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

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

Le istituzioni finanziarie necessitano 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 i pregiudizi, la correttezza, 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.

Nei prossimi 3-5 anni, quali capacità AI emergenti o strategie di dati credi avranno l’impatto più grande su come le organizzazioni finanziarie operano?

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

Innanzitutto, l’AI agente passerà dall’esperimento all’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 del cliente in continua evoluzione.

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

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

Tre principi mi guidano.

Innanzitutto, 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 business school mi aveva consigliato – 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, goditi ciò che fai. Ho sempre creduto che se non sto divertendo, mi sposterò su 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 èstraightforward; l’integrazione culturale – costruire una visione condivisa – è dove conta veramente la leadership.

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

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

Innanzitutto, sviluppa il pensiero sistemico. Inizia con il bisogno del mercato – un caso d’uso chiaro – e lavora a ritroso. L’AI nei servizi finanziari richiede di vedere 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, coltiva la praticità disciplinata rispetto all’idealismo. Sii entusiasta delle nuove tecnologie, ma rigoroso 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, costruisci 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, abbraccia 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.