Ankur Dhingra, ProHance CEO – インタビューシリーズ

Ankur Dhingra는 기업 생산성, 금융 서비스, 글로벌 비즈니스 운영 전반에 걸쳐 20년 이상 리더십을 발휘한 경험 풍부한 기술·운영 임원이며, ProHance의 CEO입니다. 그는 2020년부터 ProHance를 이끌면서 인간 직원, 벤더, AI 시스템 전반에 걸친 생산성을 관찰·관리·향상시키는 통합 플랫폼 구축에 집중해 왔습니다. CEO가 되기 전 Dhingra는 FutureIP의 파트너였으며, 그곳에서 ProHance를 운영 관리 및 분석 플랫폼으로 개발했습니다. 이전에는 American Express에서 8년 넘게 근무하며 글로벌 백오피스 운영 부문 부사장 겸 총괄 매니저를 역임했으며, 대규모 전화·채팅·규제·비즈니스 보증 업무를 포함한 고객 참여 운영을 이끌었습니다. 또한 Genpact에서 1,100명 규모의 은행 업무 부문과 3,500만 달러 규모의 손익을 관리했으며, GE Capital에서는 인도 내 금융 서비스 운영을 담당한 바 있습니다.

ProHance는 기업 워크포스 인텔리전스와 생산성 분석을 제공하는 회사로, 직원, 외부 벤더, AI 코파일럿, 자율 에이전트가 수행하는 업무에 대한 실시간 가시성을 제공합니다. “생산성 컨트롤룸”이라 불리는 이 플랫폼은 워크포스 분석, 용량 계획, 지능형 업무 할당, 생산성 측정, 거버넌스 도구를 결합해 기업이 운영 병목을 식별하고 자원 활용을 최적화하며 AI가 조직 성과에 미치는 영향을 이해하도록 돕습니다. ProHance에 따르면 자사의 기술은 55개국 220개 기업, 45만 명 이상의 사용자가 활용하고 있으며, 은행·금융 서비스, 비즈니스 프로세스 아웃소싱, 글로벌 역량 센터, 의료, 정보기술 분야에 적용되고 있습니다.

GE Capital, Genpact, American Express에서 20년 이상 대규모 운영을 이끌어 오셨습니다. 이러한 경험을 통해 전통적인 워크포스·생산성 관리의 한계는 무엇이라고 보셨으며, AI‑first 기업을 구축하는 데 그 교훈이 어떻게 반영되고 있나요?

GE Capital, Genpact, American Express에서의 경험을 통해 전통적인 워크포스 관리의 가장 큰 격차는 앞단이 아니라 백오피스에 있다는 것을 깨달았습니다.

American Express에서 고객 서비스 부문을 담당할 때는 콜센터가 생산성 측정—시간 사용, 활용도, 상호작용량, 프로세스 최적화—에 비교적 정교한 기술을 활용하고 있었습니다. 하지만 백오피스 운영을 맡게 되면서 전혀 다른 현실을 마주했습니다.

대기업에서는 거래 처리, 케이스 관리, 데이터 입력 등 프로세스 중심 업무가 뒤편에서 대량으로 이루어지지만, 이러한 작업이 실제로 어떻게 수행되는지에 대한 의미 있는 측정이 거의 없었습니다. 프런트오피스에 적용되던 기술과 가시성이 백오피스에는 전혀 전달되지 않았던 것이죠.

저는 이 문제에 거의 집착할 정도로 몰두했습니다. 기존 솔루션들을 살펴보고 업체들과 대화를 나눴지만, 대부분 너무 무겁거나 비싸거나 백오피스 현실에 맞춰져 있지 않았습니다. 생각했습니다: “이 산업은 1,500억 달러 규모이고, 수년간 존재해 온 문제라면 누군가 더 나은 해결책을 제공하고 있을 텐데.”

그 결과 ProHance를 만나게 되었고, 공동창업자인 Rajesh Sharma와 Kishore Reddy가 이미 제가 겪던 문제들을 해결할 기술을 구축해 놓은 것을 확인했습니다. 저는 기술이 해야 할 일을 정확히 알고 있었는데, 바로 자동으로 활동을 캡처하고, 다양한 운영 체제에서 작동하며, 시스템 사용 시와 비사용 시 모두 시간을 측정하고, 실제 업무 진행 상황을 신뢰성 있게 보여주는 것이었습니다.

이 경험은 오늘날 제가 ProHance를 바라보는 관점을 형성했습니다. 핵심 교훈은 AI‑first 기업을 만들기 위해서는 기존 워크포스 관리 도구에 AI를 얹는 것이 아니라, 먼저 업무 자체에 대한 신뢰할 수 있는 세밀한 이해가 필요하다는 점입니다. AI는 그 뒤에서 업무를 분석·최적화·재설계하는 역할을 수행합니다.

저에게 ProHance는 프런트오피스에서 기업이 누리던 가시성과 인텔리전스를 전체 조직에 확대하고, AI를 활용해 생산성을 보다 정확히 측정함으로써 업무 수행 방식을 근본적으로 개선하는 도구입니다.

생성형 AI와 AI 에이전트가 지식 업무의 비중을 확대함에 따라, 근무 시간이나 애플리케이션 사용량 같은 전통적 생산성 지표는 의미가 퇴색될 수 있습니다. 인간이 30분 만에 몇 시간 걸리던 일을 수행할 때, 기업은 생산성을 어떻게 재정의해야 할까요?

생산성은 활동을 측정하는 수준에서 결과를 측정하는 수준으로 전환되어야 합니다. AI가 3시간 걸리던 작업을 30분에 완수하게 한다면, 3시간이라는 기준은 더 이상 유효하지 않습니다. 핵심은 달성한 결과, 결과의 품질, 그리고 시간·역량이 얼마나 효율적으로 활용됐는가에 초점을 맞춰야 합니다.

또한 기업은 AI가 실제로 반복 업무를 제거하는 영역과 인간 판단이 여전히 필수적인 영역을 구분해야 합니다. 생산성 지표는 점점 결과·용량·품질·비즈니스 영향 등을 반영하고, 책상 앞에서 보낸 시간이나 애플리케이션 사용량에만 의존하지 않아야 합니다.

워크포스 인텔리전스가 AI‑first 기업에서 점점 더 중요해지고 있다고 말씀하셨습니다. 실제로 “워크포스 인텔리전스”는 무엇을 의미하며, 기존의 직원 모니터링·워크포스 분석 도구와는 어떻게 다릅니까?

워크포스 인텔리전스는 조직이 업무가 실제로 어떻게 진행되는지를 보다 명확히 파악하도록 돕는 것입니다. 업무량, 용량, 활용도, 프로세스, 결과에 관한 다양한 신호를 종합해 팀이 과부하인지, 여유 용량이 있는지, 업무가 어디서 정체되는지를 리더가 식별할 수 있게 합니다.

이는 개별 직원의 활동에 초점을 맞추는 전통적인 직원 모니터링과는 차별화됩니다. 워크포스 인텔리전스는 훨씬 넓은 수준에서 작동합니다. “이 직원이 매분 무엇을 하고 있나요?”가 아니라 “조직 전체에서 업무 흐름은 어떻게 되고 있으며, 이를 어떻게 개선할 수 있나요?”가 핵심 질문입니다.

ProHance는 결정론적 워크포스 데이터를 머신러닝과 결합해 이직 위험·불참 위험 등을 예측하는 인사이트를 제공하고 있습니다. 이러한 AI 모델이 직원 행동의 정상적인 변동과 의미 있는 패턴을 어떻게 구분하도록 보장하며, 관리자가 사람에 관한 결정을 내릴 때 설명 가능성은 얼마나 중요한가요?

ProHance에서는 기본 데이터의 품질과 맥락이 핵심이라고 생각합니다. 직원 행동은 프로젝트, 업무량, 팀, 계절, 비즈니스 사이클 등에 따라 자연스럽게 변합니다. 단일 활동 변화만으로 이직 위험이나 불참 위험을 단정짓기는 어렵습니다.

우리 접근 방식은 여러 신호와 시간 흐름을 종합해 패턴을 탐지하는 것이며, 단일 행동에 기반해 결론을 내리는 것이 아닙니다. AI는 주목할 만한 패턴을 식별하는 데 도움을 줄 수 있지만, 최종 의사결정자는 아닙니다.

설명 가능성 역시 매우 중요합니다. 시스템이 잠재적 위험을 표시하면 관리자는 해당 신호가 왜 발생했는지 이해하고 자체 판단을 적용할 수 있어야 합니다. 사람에 관한 결정을 지원하는 기술에서는 투명성과 인간 감독이 필수적입니다.

조직이 업무 패턴·애플리케이션 사용·유휴 시간·성과를 분석할 수 있는 기술을 도입하면 직원들의 우려가 커집니다. 유용한 운영 가시성을 확보하는 것과 감시 문화 조성 사이의 경계는 어디에 두어야 할까요?

경계는 주로 의도·투명성·데이터 활용 방식에 의해 결정됩니다. 측정 대상과 목적을 명확히 밝히지 않은 기술 도입은 직원에게 불편함을 줍니다.

목표는 개인을 지속적으로 감시하기보다 조직·운영 차원에서 업무를 이해하는 데 있어야 합니다. 워크포스 데이터가 과도한 업무량, 병목, 비효율적인 프로세스를 식별한다면, 이는 오히려 직원 경험을 개선하는 데 기여할 수 있습니다.

또한 기업은 “우리는 무엇을 하지 않을 것인가”를 분명히 해야 합니다. 기술은 관리자가 팀과 더 나은 대화를 나누도록 돕는 도구이지, 그 대화를 대체하거나 지속적인 감시 체계를 만들기 위한 수단이 되어서는 안 됩니다.

AI 코파일럿과 자율 에이전트가 점점 워크포스의 일부가 되고 있습니다. 워크포스 인텔리전스 플랫폼이 인간과 AI 에이전트의 생산성을 함께 측정해야 할까요? 그렇다면 의미 있는 인간‑AI 생산성 지표는 어떤 모습일까요?

네, 이는 앞으로 더욱 중요해질 것입니다. AI 에이전트가 워크플로우의 일부를 담당하게 되면 인간 활동만을 측정하는 것으로는 업무 전반을 파악하기 어렵습니다.

하지만 단순히 “인간 대비 AI”라는 하나의 점수를 산출한다기보다는, 사람·AI·에이전트가 함께 만든 전체 산출물을 이해하는 것이 더 유용합니다.

예를 들어 AI가 반복 작업에서 절감한 시간, 프로세스가 진행되는 속도, 결과물의 품질, 그리고 인간 개입이 여전히 필요한 지점을 살펴볼 수 있습니다. 핵심 질문은 “인간과 AI가 얼마나 효율적으로 협업하고 있는가?”가 될 것입니다.

ProHance는 원시 생산성 측정에서 업무 인텔리전스로 나아가고자 합니다. 여기에는 업무량 분석·예측·프로세스 최적화·자원 할당 등이 포함됩니다. 앞으로 이 카테고리는 AI가 대시보드 제공을 넘어 관리자가 무엇을 바꿔야 할지 적극적으로 제안하는 방향으로 나아갈까요?

그 방향이 바로 ProHance가 바라보는 미래입니다. 대시보드는 유용하지만, 여전히 관리자가 정보를 해석하고 다음 행동을 결정해야 하는 부담이 남습니다.

다음 단계는 플랫폼이 패턴을 식별하고 “어떻게 해야 할까?”라는 질문에 답을 제시하도록 하는 것입니다. 예를 들어 과부하된 팀을 강조하거나, 활용되지 않은 역량을 찾아내거나, 용량 격차를 예측하거나, 프로세스 개선 방안을 제시할 수 있습니다.

ProHance에게 가치는 가시성에서 행동으로 전환되는 과정에 있습니다. AI는 관리자가 더 나은 결정을 내리도록 지원하지만, 최종 결정은 비즈니스와 상황을 가장 잘 이해하는 사람에게 남겨야 합니다.

생산성 인텔리전스를 조직의 연간 건강 보고서에 비유하셨습니다. 경영진이 워크포스가 실제로 건강하고 생산적이며 AI에 성공적으로 적응하고 있는지를 판단하기 위해 가장 중요한 신호는 무엇인가요?

단일 생산성 수치보다는 여러 신호를 조합해 보는 것이 좋습니다. 용량·업무량은 명백한 시작점이지만, 업무가 효율적으로 배분되는지, 병목이 어디서 발생하는지, 팀이 AI에 어떻게 적응하고 있는지, 그리고 직원이 저부가가치 업무에 과도하게 시간을 쓰고 있는지도 파악해야 합니다.

또 다른 핵심 신호는 지속 가능성입니다. 팀이 과도한 업무량에도 불구하고 뛰어난 결과를 내고 있다면, 장기적으로는 건강하거나 생산적이라고 보기 어렵습니다.

건강한 워크포스는 용량·업무량·결과가 적절히 균형을 이루고, 직원이 고부가가치 업무에 집중할 여지가 있으며, 업무 성격 변화에 조직이 유연하게 대응할 수 있는 상태를 의미합니다.

“생산성”이라는 용어가 많은 직원에게는 인력을 줄이면서 더 많은 일을 하라는 부정적 의미로 받아들여집니다. 조직이 이 개념을 회복하고 AI 기반 생산성 인텔리전스를 활용해 직원 경험을 개선하고 번아웃을 줄이며 저부가가치 업무를 없애려면 어떻게 해야 할까요?

조직은 생산성을 “인원을 줄이고 산출을 늘리는 것”으로만 정의하는 접근을 버려야 합니다. AI가 적용된 현대 직장에서는 이 정의가 지나치게 제한적입니다.

AI는 반복적인 행정·수작업·저부가가치 업무에 소비되는 시간을 되돌려 줌으로써, 문제 해결·고객 응대·혁신·인간 판단이 필요한 업무에 집중할 수 있게 해야 합니다.

생산성 인텔리전스를 활용해 직원이 과부하이거나 비효율적으로 시간을 쓰는 부분을 식별한다면, 이는 실제로 직원 경험을 향상시키는 도구가 될 수 있습니다. 목표는 일을 더 빠르게 하는 것이 아니라, 일을 더 좋게 만드는 것입니다.

앞으로 AI가 거의 모든 기업 워크플로우에 스며들게 될 때, AI를 활용해 워크포스를 성공적으로 강화하는 조직과 기술을 도입했지만 실질적인 생산성 향상으로 연결하지 못하는 조직의 차이는 무엇이라고 보십니까?

AI 활용에서 가장 큰 차별점은 기술 도입을 넘어선 접근에 있습니다. AI 도구를 보유했다고 해서 자동으로 생산성이 향상되는 것은 아닙니다.

성공적인 리더는 AI가 워크플로우를 어떻게 바꾸는지, 역할이 어떻게 진화하는지, 그리고 조직이 기술을 통해 실제로 더 나은 결과를 얻고 있는지를 명확히 파악합니다. 또한 무엇이 효과적인지 지속적으로 측정하고 필요에 따라 조정합니다.

궁극적으로 성공적인 조직은 AI 도입을 업무 방식 자체의 변화로 인식하고, 이를 적절한 프로세스·역량·워크포스 가시성·관리 관행과 결합합니다. 이것이 AI가 진정한 생산성 이점이 될지, 아니면 또 다른 기술 층에 불과할지를 결정합니다.

훌륭한 인터뷰에 감사드립니다. 더 자세히 알고 싶으신 독자는 ProHance를 방문해 보시기 바랍니다。