Vijay Vijayasankar, Global Agentic AI Officer di Genpact – Intervista

Vijay Vijayasankar, Global Agentic AI Officer di Genpact, guida la productizzazione globale delle soluzioni Agentic AI dell’azienda, con un focus sullo spostamento della creazione di valore aziendale dai modelli tradizionali basati sulla manodopera verso framework basati su outcome ad alto margine. Nel suo ruolo, sta aiutando a plasmare l’approccio di Genpact alla scalabilità dell’AI in tutta l’azienda costruendo modelli organizzativi intorno sia agli AI Builder, che progettano strati di orchestrazione avanzati, sia agli AI Practitioner, che portano l’esperienza di dominio nei flussi di lavoro alimentati da agenti autonomi. Prima di unirsi a Genpact, Vijayasankar ha ricoperto ruoli di leadership senior in IBM, tra cui Managing Partner per i Servizi Finanziari, CTO dei Servizi IBM Nord America e General Manager per Cognitive, IoT, Analytics e Watson Health in GBS Nord America, oltre a ruoli esecutivi precedenti in MongoDB (MDB ) e SAP.

Genpact è un’azienda di soluzioni tecnologiche avanzate che aiuta le grandi imprese a modernizzare le operazioni attraverso l’intelligenza dei processi, l’intelligenza artificiale, i dati e la trasformazione digitale. L’azienda opera in aree come finanza e contabilità, assistenza clienti, rischio e conformità, sourcing e approvvigionamento, catena di approvvigionamento, tecnologia e sicurezza, mentre i servizi di Dati e AI si concentrano sull’aiutare le organizzazioni a utilizzare analisi avanzate, AI e agenti autonomi per trasformare dati complessi in risultati aziendali misurabili.

Hai trascorso più di due decenni in aziende come IBM, MongoDB, SAP e ora Genpact, dove servi come Global Agentic AI Officer. Guardando indietro all’evoluzione dall’era dei big data e dell’analisi ai sistemi di intelligenza artificiale agentic di oggi, quali lezioni hanno più plasmato la tua visione di come le imprese dovrebbero affrontare la trasformazione dell’AI?

Ho visto lo stesso film tre volte. I big data erano la soluzione per la presa di decisioni. Il cloud era l’interruttore istantaneo per l’agilità organizzativa. Ora, l’AI agentic è la cura per le operazioni. In ogni ciclo, le aziende che hanno generato valore si sono concentrate sui loro modelli operativi, sui processi e sulle persone. Quelle che hanno lottato, e molte ancora lo fanno, hanno trattato la tecnologia stessa come la trasformazione.

Ciò che è fondamentalmente diverso nell’AI agentic è la sua posizione. Si trova allo strato di esecuzione, non allo strato di insight. Gli strumenti più vecchi generavano grafici e raccomandazioni. Gli agenti agiscono. Un cattivo cruscotto di analisi produce un cattivo grafico che un analista umano coglie prima che arrivi sulla scrivania del CEO. Un cattivo agente esegue una cattiva transazione su larga scala prima che qualcuno si renda conto che è successo. Ciò cambia completamente il profilo di rischio e costringe a un livello di disciplina operativa che la maggior parte delle aziende non ha mai avuto bisogno di avere prima. Ho imparato a diffidare della mia stessa eccitazione. L’AI agentic è affascinante, ma è proprio quando devi rallentare e verificare le fondamenta.

Il nuovo rapporto di Genpact con HFS Research stima che il debito aziendale irrisolto intrappola quasi 18 trilioni di dollari di valore potenziale a livello globale. Cosa ti ha sorpreso di più sui risultati, e perché credi che molte organizzazioni continuino a sottovalutare l’impatto del debito di processo, dati, tecnologia e talento?

Ciò che è stato rivelatore è la scala del valore intrappolato dietro processi inefficienti, dati frammentati, tecnologia obsoleta e sfide di prontezza della forza lavoro, misurato in trilioni di dollari.

Ciò che conta più del totale è come il problema è strutturato. La maggior parte dei leader guarda a questi problemi come silos separati. Un problema di dati, un problema di processo, un problema di tecnologia, un problema di competenze, ciascuno trattato in modo indipendente. Non sono separati. I cattivi dati costringono le persone a inventare soluzioni manuali. Queste soluzioni creano complessità di processo. Questa complessità brucia i migliori dipendenti e rende le operazioni fragili. Quando arriva un’iniziativa di AI, si scontra con tutto ciò contemporaneamente. L’AI viene incolpato per un fallimento che era stato cotto nel business dieci anni fa. Parliamo del debito aziendale come di un onere di costo, ma è più precisamente una limitazione della crescita. Questa distinzione è importante perché cambia chi possiede il problema e cosa significa risolverlo.

Il rapporto ha scoperto che l’85% degli esecutivi ritiene che il debito aziendale limiti la realizzazione del valore dell’AI. Perché pensi che le imprese continuino a investire pesantemente in AI mentre spesso trascurano i problemi fondamentali che impediscono a questi investimenti di produrre ritorni?

Perché l’AI è visibile e le fondamenta sono invisibili. Ogni consiglio di amministrazione vuole vedere una strategia di AI. Ogni CEO ha bisogno di una storia da raccontare. Distribuire un nuovo modello è un titolo. Ridisegnare un processo di supply chain fondamentale è un lavoro ingrato e invisibile fino a quando non funziona finalmente.

Ho visto organizzazioni spendere sei mesi per selezionare un modello e sei giorni per esaminare il processo che il modello dovrebbe migliorare. Quel rapporto è al contrario, e lo scoprono a modo loro. L’ostacolo è quasi mai l’AI. Sono processi inconsistenti, sistemi disconnessi e dati di cui nessuno si è occupato per anni. L’AI non risolve queste cose. Li espone più velocemente. Le strutture di incentivi non premiano la risoluzione delle fondamenta. Non c’è demo per la pulizia della governance dei dati. Gli esecutivi che lo fanno in silenzio stanno facendo una scommessa che la salute operativa si accumula nel tempo, ma la maggior parte dei consigli di amministrazione non misura questo.

I dati debitori sono emersi come il più grande blocco dell’AI nella ricerca. Quali passi pratici dovrebbero intraprendere le imprese oggi per spostarsi da ambienti di dati frammentati e di bassa qualità a fondamenta di dati che possano supportare l’AI agentic su larga scala?

Smettete di cercare di lanciare un massiccio programma di governance dall’alto verso il basso. Quella è una risposta tecnologica a un problema di responsabilità. Nella maggior parte delle grandi organizzazioni, nessuno possiede l’accuratezza delle informazioni che gestiscono l’azienda.

Il punto di partenza pratico è scegliere una manciata di processi ad alto valore e lavorare a ritroso. Quali decisioni devono essere prese? Quali dati sono necessari per quelle decisioni? Chi possiede quei dati? Quante volte sono errati? Quell’esercizio mette in luce immediatamente le lacune di responsabilità. E dobbiamo fare le cose giuste perché gli agenti falliscono in silenzio. Un analista umano vede due sistemi in disaccordo e prende una decisione. Un agente arbitra tra i dati in conflitto ed esegue con totale fiducia. Se diverse parti della vostra organizzazione definiscono un cliente o una transazione in modo diverso, l’agente prende decisioni confidenti con input errati e nulla nella vostra organizzazione lo coglie. Questo è un nuovo tipo di rischio operativo che la maggior parte delle organizzazioni non ha ancora completamente valutato.

Gli agenti non gestiscono l’ambiguità nel modo in cui fanno gli esseri umani. Questo è anche il motivo per cui il successo di una soluzione agentic dipende meno dall’intelligenza dei modelli e più dalla qualità delle barriere messe in atto.

Hai sostenuto che non c’è “AI senza intelligenza del processo”. Perché credi che la ridisegno del processo sia spesso più importante del modello di AI stesso quando le organizzazioni tentano di automatizzare operazioni aziendali complesse?

Perché il modello si esegue bene come il processo in cui è incorporato, non meglio. Le organizzazioni si ossessionano con la selezione del modello perché è lì che c’è l’innovazione visibile, ma il processo è dove si crea o si perde il valore.

Se un flusso di lavoro ha approvazioni ridondanti, lavoro duplicato o proprietà non chiara, l’AI non risolve queste cose. Le accelera. Ottieni un risultato rotto più velocemente e su una scala maggiore. Le persone spesso pensano che una ridisegno del processo completo rallenti, ma la realtà è esattamente il contrario. Risparmiate i diciotto mesi che avreste speso per annullare una cattiva distribuzione. Pensatelo come a un veicolo: potete mettere il miglior motore mai costruito in una macchina con ruote fuori allineamento, e comunque tirerà a sinistra.

Molte organizzazioni stanno sperimentando con gli agenti di AI, ma poche hanno distribuito con successo questi agenti attraverso le funzioni aziendali principali. Cosa distingue le imprese che stanno andando oltre i piloti da quelle che rimangono bloccate nella modalità di prova del concetto?

I piloti sono progettati per avere successo. Scegliete il miglior processo, i dati più puliti e il team più motivato. La scalabilità significa colpire l’ambiente reale dove nessuna di queste condizioni si verifica.

Le organizzazioni che scalano smettono di creare condizioni artificiali fin dall’inizio. Scegliete un problema operativo reale, assegnate un proprietario che è responsabile del risultato aziendale, non della tecnologia, e incorporate la governance nella progettazione fin dal primo giorno. Abbiamo clienti che eseguono agenti in produzione in tutto il settore degli acquisti e del monitoraggio delle transazioni. I numeri di produttività ci sono, ma il vero cambiamento è strutturale. Lo stato finale è un flusso di lavoro fondamentalmente diverso in cui le persone sono libere di fare il lavoro strategico che non avevano mai avuto il tempo di gestire prima. La scalabilità degli agenti è una sfida di leadership, non una sfida software.

Il rapporto sottolinea che solo il 6% delle imprese ha risolto con successo le loro principali sfide di debito. Cosa stanno facendo diversamente queste organizzazioni, e quali errori comuni vedete tra le aziende che lottano per fare progressi significativi?

Trattano questo come un problema aziendale, non come un programma IT. È legato al sostegno esecutivo e alla performance aziendale misurabile. Capiscono che la salute operativa non è separata dalla strategia di crescita. È la strategia di crescita.

Le altre organizzazioni stanno inseguendo i sintomi. Distribuiscono uno strumento per risolvere un problema di processo o lanciano un’iniziativa di AI per compensare la cattiva qualità dei dati. Ciò produce un aumento a breve termine, ma il problema sottostante rimane e il debito continua a crescere. I leader che rompono il ciclo sono disposti a dire ciò che la maggior parte degli esecutivi non dice: questo processo è stato rotto per quindici anni, abbiamo costruito interi modelli operativi intorno ai suoi fallimenti e lo stiamo demolendo e ricostruendo da zero. Quella ammissione è scomoda. Invita domande su perché non è stato risolto prima. Quelli che prendono quella decisione sono quelli che stanno facendo progressi reali.

Hai parlato della distinzione tra “Costruttori di AI” e “Praticanti di AI”. Come vedi l’evoluzione della forza lavoro aziendale nei prossimi cinque anni, e quali competenze diventeranno più preziose mentre gli esseri umani lavoreranno sempre più con agenti autonomi?

La competenza più preziosa sarà sapere come inquadrare un problema. Mentre l’AI gestisce più esecuzioni, la qualità del risultato dipende dalla qualità della domanda e dal giudizio applicato all’output. Devi essere in grado di riconoscere quando qualcosa sembra giusto ma è strutturalmente sbagliato.

Oltre a questo, evidenzierei tre cose specifiche. Primo, la profondità del dominio. Le capacità di AI generali si stanno rapidamente commodityizzando, quindi i generalisti stanno perdendo potere contrattuale. Il premio andrà agli esperti di dominio profondi che combinano una vera esperienza funzionale con la capacità di applicare l’AI all’interno di quel contesto. Secondo, la gestione delle eccezioni. Avete bisogno di persone che sappiano cosa fare quando l’agente si blocca o le poste in gioco finanziarie sono troppo alte per l’automazione, il che richiede saggezza istituzionale piuttosto che dati di formazione. Terzo, la progettazione del flusso di lavoro, ovvero la capacità di strutturare il lavoro in modo che gli esseri umani e i sistemi intelligenti facciano ciò per cui sono più adatti, e riconoscere quando quella divisione deve spostarsi. Non è un termine che l’industria ha ancora stabilito, ma la competenza è reale e attualmente sottovalutata.

C’è un dibattito in corso su se l’AI eliminerà i posti di lavoro o li trasformerà. Hai sostenuto che molta della preoccupazione deriva da un malinteso su ciò che l’AI fa bene. Come vedi la relazione tra l’esperienza umana e gli agenti di AI svilupparsi mentre l’adozione si accelera?

L’AI è spettacolare per i compiti che sono chiaramente definiti, ad alto volume e dipendenti da pattern, come l’elaborazione delle fatture, il monitoraggio delle anomalie commerciali e la stesura di comunicazioni di routine. Fa queste cose più velocemente e su una scala che nessun team umano può toccare. Tuttavia, l’AI non può avere la responsabilità per gli esiti del mondo reale, né può gestire cose come novità, ambiguità e relazioni umane confuse, ed è per questo che l’esperienza umana rimane essenziale.

La maggior parte dei lavori è una raccolta di compiti, non un’attività singola, e l’AI assorbirà lo strato di esecuzione nel tempo. Ciò non elimina il bisogno di persone, cambia solo dove creano valore. Mentre il lavoro di routine viene automatizzato, l’esperienza si sposta verso la risoluzione di eccezioni, la ridisegno dei processi e l’aiuto alle organizzazioni ad adattarsi mentre le esigenze tecnologiche e aziendali evolvono. Alcuni ruoli cambieranno significativamente, e i leader hanno la responsabilità di affrontare se il nuovo lavoro creato è accessibile alle persone il cui vecchio lavoro scompare. La risposta dipende quasi interamente dalle scelte che le organizzazioni prendono sulla formazione e la transizione. Questa è una decisione di leadership, non un esito tecnologico. Le aziende che rispetto di più stanno essendo oneste con i loro team su quali ruoli stanno cambiando, su quale timeline, dove l’esperienza umana rimane estremamente preziosa e quali sono i percorsi realistici in avanti. La maggior parte non sta ancora avendo quella conversazione.

Guardando avanti, cosa sembra un’azienda agentic vera e propria nella pratica? Se tornassimo a questa conversazione tra cinque anni, quali cambiamenti nelle operazioni aziendali, nella progettazione organizzativa e nella distribuzione dell’AI saranno diventati standard tra le principali aziende?

Smetteremo di parlare dell’AI come di un’iniziativa separata, proprio come abbiamo smesso di parlare di andare digitali. Sarà semplicemente come il lavoro viene fatto.

Il cambiamento strutturale è ciò che mi interessa di più. Molta della nostra gerarchia attuale esiste perché le informazioni erano difficili da spostare. Abbiamo catene di approvazione e ruoli di coordinamento perché le informazioni dovevano viaggiare da dove erano create a dove venivano prese le decisioni. Gli agenti collassano quella distanza. Quando lo fanno, una quantità significativa di infrastruttura di coordinamento diventa ridondante. Le organizzazioni che riconoscono questo precocemente e ridisegnano intorno ad esso avranno un vantaggio di velocità che si accumula.

Stiamo anche per vedere uno spostamento in come l’AI viene acquistata e consegnata. Le aziende di software costruiscono prodotti ma non si assumono la responsabilità degli esiti. Le aziende di servizi si assumono la responsabilità ma lottano per costruire prodotti scalabili. Entrambi i modelli sono inadeguati. Ciò che stiamo costruendo in Genpact è l’AI prodotto in domini specifici, consegnato come un risultato. Comprate il risultato e noi siamo responsabili per esso. Credo che questo diventerà lo standard perché allinea correttamente gli incentivi. Il fornitore che vende solo capacità non ha alcun interesse nel fatto che funzioni nel vostro ambiente. Quelli responsabili dell’esito hanno ogni interesse. I vincitori di questa era non saranno definiti dall’avere i modelli di AI più sofisticati. Saranno definiti dal dominio della ridisegno strutturale tra esseri umani, processi e sistemi intelligenti. Siamo solo al primo giorno di quel cambiamento.

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