Ankur Dhingra, ProHance CEO – 인터뷰 시리즈

Ankur Dhingra, ProHance CEO는 기업 생산성, 금융 서비스 및 글로벌 비즈니스 운영 전반에 걸친 20년 이상의 리더십을 보유한 경험 많은 기술 및 운영 임원입니다. 그는 2020년부터 ProHance를 이끌며 인간 직원, 공급업체 및 AI 시스템 전반에 걸친 생산성을 관찰, 관리 및 향상시키는 통합 플랫폼 구축에 집중해 왔습니다. CEO가 되기 전, Dhingra는 FutureIP의 파트너였으며, 그곳에서 ProHance가 운영 관리 및 분석 플랫폼으로 개발되었습니다. 이전에는 American Express에서 8년 이상 근무하며 글로벌 백오피스 운영의 부사장 겸 총괄 매니저를 역임했으며, 대규모 전화, 채팅, 규제 및 비즈니스 보증 기능을 포함한 고객 참여 운영을 이끌었습니다. 또한 Genpact에서 1,100명 규모의 은행 업무 부서를 관리하고 3,500만 달러 규모의 손익을 담당했으며, GE Capital에서는 인도에서 금융 서비스 운영을 이끌었습니다.

ProHance는 기업 워크포스 인텔리전스 및 생산성 분석 회사로, 직원, 외부 공급업체, AI 코파일럿 및 자율 에이전트 전반에 걸쳐 작업이 어떻게 수행되는지를 실시간으로 가시화합니다. ‘생산성 컨트롤 룸’으로 포지셔닝된 이 플랫폼은 워크포스 분석, 용량 계획, 지능형 작업 할당, 생산성 측정 및 거버넌스 도구를 결합하여 기업이 운영 병목 현상을 식별하고 자원 활용을 최적화하며 AI가 조직 성과에 미치는 영향을 이해하도록 돕습니다. ProHance에 따르면 이 기술은 55개국 220개 기업, 450,000명 이상의 사용자가 활용하고 있으며, 은행 및 금융 서비스, 비즈니스 프로세스 아웃소싱, 글로벌 역량 센터, 헬스케어 및 정보 기술 분야에 적용됩니다.

GE Capital, Genpact, American Express에서 대규모 운영을 20년 이상 이끌고 ProHance CEO가 되기 전, 이러한 경험을 통해 전통적인 워크포스 및 생산성 관리의 한계에 대해 무엇을 배웠으며, 그 교훈이 AI‑first 기업을 위한 ProHance 구축 방식에 어떻게 반영되었습니까?

GE Capital, Genpact, American Express에서의 경험을 통해 전통적인 워크포스 관리에서 가장 큰 격차는 반드시 프런트엔드에 있는 것이 아니라 백오피스에 있다는 것을 깨달았습니다.

American Express에서 고객 서비스 부문을 담당했을 때, 컨택 센터는 생산성을 측정할 수 있는 꽤 정교한 기술을 활용하고 있었으며—사람들이 시간을 어떻게 쓰는지, 활용도, 상호 작용량, 그리고 프로세스를 어떻게 최적화할 수 있는지—를 파악했습니다. 그러나 백오피스 운영을 이끌게 되면서 전혀 다른 현실을 보게 되었습니다.

대기업에서 발생하는 많은 작업이 무대 뒤에서 이루어집니다—거래 처리, 사례 관리, 데이터 입력 및 기타 프로세스 중심 활동—하지만 그 작업이 실제로 어떻게 수행되는지에 대한 의미 있는 측정은 거의 없었습니다. 프런트오피스에 존재하던 기술과 가시성이 백오피스로는 전혀 이전되지 않았습니다.

저는 이 문제에 거의 비합리적으로 집착하게 되었습니다. 사용 가능한 기술들을 살펴보고 기존 업체와 대화를 시작했지만, 발견한 대부분은 너무 투박하거나 비용이 과하거나 백오피스 운영 현실에 맞게 설계되지 않은 것이었습니다. 저는 계속 생각했습니다: 이는 1,500억 달러가 넘는 산업이며, 수년간 존재해 온 문제입니다. 누군가는 이를 더 잘 해결하고 있을 것입니다.

그 탐색 끝에 저는 ProHance를 만나게 되었으며, Rajesh Sharma와 Kishore Reddy(ProHance 공동 설립자)께서 이미 제가 이 시스템들의 고급 사용자로서 확인한 많은 과제를 해결할 수 있는 기술을 구축해 두셨습니다. 저는 기술이 해야 할 일을 정확히 알고 있었습니다—활동을 자동으로 캡처하고, 다양한 운영 체제에서 작동하며, 시스템 안팎의 시간을 측정하고, 작업이 실제로 어떻게 진행되는지 신뢰할 수 있는 시각을 제공하는 것.

그 경험은 오늘날 제가 ProHance를 바라보는 방식을 형성했습니다. 교훈은 기존 워크포스 관리 도구에 AI만 추가한다고 AI‑first 기업을 만들 수 없다는 점입니다. 먼저 작업 자체에 대한 신뢰할 수 있고 세분화된 이해가 필요합니다. 그런 다음 AI가 그 작업을 분석, 최적화 및 궁극적으로 재설계하도록 변형시킬 수 있습니다.

저에게 ProHance는 프런트오피스에서 기업이 historically 가지고 있던 동일한 수준의 가시성과 인텔리전스를 전체 조직에 도입하고, AI를 활용해 생산성을 보다 정확히 측정함으로써 작업 수행 방식을 근본적으로 개선하는 것을 의미합니다.

생성형 AI와 AI 에이전트가 지식 작업의 점점 더 큰 비중을 차지함에 따라, 근무 시간이나 애플리케이션 사용량과 같은 전통적인 생산성 지표는 의미가 약해질 수 있습니다. 인간이 이전에 몇 시간 걸리던 일을 30분에 완수할 수 있게 될 때, 기업은 생산성을 어떻게 재정의해야 할까요?

생산성은 활동을 측정하는 것에서 결과를 측정하는 것으로 이동해야 합니다. AI가 3시간 걸리던 일을 30분에 완료하도록 한다면, 3시간이라는 기준은 더 이상 유효하지 않습니다. 초점은 달성한 결과, 그 결과의 품질, 그리고 시간과 역량을 얼마나 효율적으로 활용했는가에 맞춰야 합니다.

이는 또한 기업이 AI가 실제로 반복 작업을 제거하는 영역과 인간 판단이 여전히 중요한 영역을 이해해야 함을 의미합니다. 생산성은 점점 더 결과, 용량, 품질 및 비즈니스 영향을 반영해야 하며, 책상 앞에서 보낸 시간이나 애플리케이션 사용량에만 의존해서는 안 됩니다.

귀하는 워크포스 인텔리전스가 AI‑first 기업에서 점점 더 중요해지고 있다고 설명했습니다. ‘워크포스 인텔리전스’가 실제로 무엇을 의미하며, 과거 기업들이 사용해 온 직원 모니터링 및 워크포스 분석 도구와는 어떻게 다른가요?

워크포스 인텔리전스는 조직이 작업이 실제로 어떻게 진행되는지를 보다 명확히 이해하도록 돕는 것입니다. 작업량, 용량, 활용도, 프로세스 및 결과와 관련된 신호를 종합해 리더가 팀이 과부하인지, 여유 용량이 있는지, 작업이 어디서 막히는지를 파악하도록 지원합니다.

이는 종종 개별 활동에 초점을 맞추던 전통적인 직원 모니터링과는 다릅니다. 워크포스 인텔리전스는 훨씬 더 넓은 수준에서 작동해야 합니다. 목표는 “이 직원이 매분 무엇을 하고 있나요?”가 아니라 “조직 전체에서 작업 흐름은 어떻게 되고 있으며, 이를 개선하기 위해 무엇을 할 수 있나요?”입니다.

ProHance는 결정론적 워크포스 데이터를 머신러닝과 결합해 잠재적인 이탈 및 유지 위험을 식별하는 등 예측 인사이트를 생성하고 있습니다. 이러한 AI 모델이 직원 행동의 정상적인 변동과 의미 있는 패턴을 구별하도록 어떻게 보장하며, 관리자가 사람에 관한 결정을 내릴 때 설명 가능성은 얼마나 중요한가요?

ProHance에서는 기본 데이터의 품질과 맥락이 핵심이라고 믿습니다. 직원 행동은 프로젝트, 업무량, 팀, 시즌 및 비즈니스 사이클에 따라 자연스럽게 변동합니다. 활동 변화 자체만으로는 반드시 이탈이나 유지 위험을 의미하지는 않습니다.

접근 방식은 단일 행동에 근거해 결론을 내리기보다 여러 신호와 시간에 걸친 패턴을 찾는 것입니다. AI는 주목할 만한 패턴을 식별하는 데 도움을 줄 수 있지만, 최종 의사결정자는 아닙니다.

설명 가능성도 동일하게 중요합니다. 시스템이 잠재적 위험을 표시하면 관리자는 그 신호 뒤에 있는 요인을 이해하고 자체 판단을 적용할 수 있어야 합니다. 기술이 사람에 관한 결정을 지원하는 경우, 투명성과 인간 감독이 필수적입니다.

조직이 작업 패턴, 애플리케이션 사용량, 유휴 시간 또는 성과를 분석할 수 있는 기술을 도입할 때 직원들의 우려가 이해됩니다. 기업은 유용한 운영 가시성을 얻는 것과 감시 문화 조성 사이의 경계를 어디에 두어야 할까요?

그 경계는 주로 의도, 투명성 및 데이터 활용 방식에 의해 결정됩니다. 측정 대상과 이유에 대한 명확한 설명 없이 기술이 도입되면 직원들은 불편함을 느끼기 마련입니다.

목표는 개인을 지속적으로 감시하기보다 조직 및 운영 차원에서 작업을 이해하는 데 있어야 합니다. 워크포스 데이터가 과도한 업무량, 병목 현상 또는 비효율적인 프로세스를 식별하는 데 도움이 된다면, 실제로 직원 경험을 개선할 수 있습니다.

기업은 또한 무엇을 하지 않을 것인지 명확히 해야 합니다. 기술은 관리자가 팀과 더 나은 대화를 나누도록 돕는 것이지, 그 대화를 대체하거나 지속적인 감시 시스템을 만드는 것이 되어서는 안 됩니다.

AI 코파일럿과 자율 에이전트가 점점 워크포스의 일부분이 되고 있습니다. 워크포스 인텔리전스 플랫폼이 결국 인간과 AI 에이전트의 생산성을 함께 측정해야 할 것이라고 생각하십니까? 그리고 의미 있는 인간‑AI 생산성 지표는 어떤 모습일까요?

네, 이는 점점 더 중요해질 것이라고 생각합니다. AI 에이전트가 워크플로의 일부를 담당하게 되면, 인간 활동만을 측정하는 것은 기업에 작업 수행 방식에 대한 불완전한 그림을 제공하게 됩니다.

하지만 단순히 ‘인간 대 AI’ 생산성 점수를 도출한다고는 생각하지 않습니다. 보다 유용한 접근법은 사람, AI 도구 및 에이전트가 워크플로 전반에 걸쳐 생성한 총산출물을 이해하는 것입니다.

기업은 AI가 반복 작업에서 절감한 시간, 프로세스 진행 속도, 결과물의 품질, 그리고 인간 개입이 여전히 필요한 부분을 살펴볼 수 있습니다. 실제 질문은: 인간과 AI가 얼마나 효율적으로 협업하고 있는가입니다.

ProHance는 원시 생산성 측정을 넘어 워크로드 분석, 예측, 프로세스 최적화 및 자원 할당을 포함한 운영 인텔리전스로 나아가고 있다고 말합니다. 이 카테고리의 미래는 대시보드만 제공하는 것이 아니라 AI가 관리자가 무엇을 바꿔야 할지 적극적으로 권고하는 방향으로 얼마나 진행될까요?

그것이 ProHance가 보는 카테고리의 방향이라고 생각합니다. 대시보드는 유용하지만, 여전히 관리자가 정보를 해석하고 다음에 무엇을 할지 결정해야 하는 책임을 남깁니다.

다음 단계는 플랫폼이 패턴을 식별하고 ‘이것에 대해 우리는 무엇을 해야 할까?’라는 질문에 답하도록 돕는 것입니다. 이는 과부하된 팀을 강조하거나, 활용되지 않은 기술 세트를 식별하거나, 용량 격차를 예측하거나, 프로세스 개선점을 제안하는 것을 의미할 수 있습니다.

ProHance에게 가치는 가시성에서 행동으로 전환되는 데서 점점 더 나올 것입니다. AI는 관리자가 더 나은 결정을 내리도록 돕되, 최종 결정은 비즈니스와 상황을 이해하는 사람에게 맡겨야 합니다.

귀하는 생산성 인텔리전스를 조직의 연간 건강 보고서에 비유했습니다. 경영진이 워크포스가 진정으로 건강하고 생산적이며 AI에 성공적으로 적응하고 있는지를 판단하기 위해 가장 중요한 신호는 무엇이라고 보십니까?

저는 하나의 생산성 수치보다는 여러 신호를 조합해 살펴볼 것입니다. 용량과 업무량은 명백한 시작점이지만, 경영진은 작업이 효과적으로 배분되고 있는지, 병목 현상이 어디서 발생하고 있는지, 팀이 AI에 어떻게 적응하고 있는지, 그리고 사람들이 저부가가치 활동에 과도하게 시간을 쓰고 있는지를 이해해야 합니다.

또 다른 중요한 신호는 지속 가능성입니다. 팀이 뛰어난 성과를 내고 있지만 사람들이 지속적으로 합리적인 용량을 초과해 일한다면, 장기적으로는 건강하거나 생산적이라고 할 수 없습니다.

건강한 워크포스란 용량, 업무량 및 결과가 적절히 균형을 이루고, 사람들이 고부가가치 작업에 집중할 여유가 있으며, 조직이 작업 성격 변화에 따라 적응할 수 있는 상태를 말합니다.

‘생산성’은 많은 직원에게 더 적은 인원으로 더 많은 일을 해야 한다는 의미로 부정적인 연관성을 갖게 되었습니다. 조직이 이 개념을 회복하고 AI 기반 생산성 인텔리전스를 활용해 직원 경험을 개선하고 번아웃을 줄이며 저부가가치 작업을 제거하려면 어떻게 해야 할까요?

조직은 생산성을 단순히 ‘더 적은 인원으로 더 많은 산출’으로 정의하는 것을 벗어나야 합니다. 이러한 정의는 특히 AI가 적용된 작업 환경에서는 너무 좁습니다.

AI는 반복적인 관리 업무, 수동 프로세스 및 저부가가치 작업에 소비되는 시간을 사람들에게 되돌려 주는 것이 이상적입니다. 이 시간을 문제 해결, 고객 상호작용, 혁신 및 인간 판단이 필요한 작업에 활용할 기회가 됩니다.

생산성 인텔리전스를 활용해 사람들이 과부하되었거나 비효율적으로 시간을 쓰는 영역을 식별한다면, 이는 실제로 직원 경험 도구가 될 수 있습니다. 목표는 작업을 더 빠르게 하는 것이 아니라, 작업 자체를 더 좋게 만드는 것입니다.

앞으로 AI가 거의 모든 기업 워크플로에 내재화됨에 따라, AI를 활용해 워크포스를 성공적으로 강화하는 조직과 기술을 도입했지만 의미 있는 생산성 향상으로 연결하지 못한 조직을 구분 짓는 요인은 무엇이라고 보십니까?

AI에서 가장 큰 혜택을 보는 조직은 기술 도입을 넘어서는 시각을 가진 조직입니다. AI 도구에 접근한다는 것만으로는 자동으로 생산성 향상이 이루어지지 않습니다.

리더들은 AI가 워크플로를 어떻게 변화시키는지, 역할이 어떻게 진화하고 있는지, 그리고 조직이 실제로 기술을 통해 더 나은 결과를 얻고 있는지를 이해합니다. 또한 무엇이 효과적인지 지속적으로 측정하고 그에 따라 조정합니다.

궁극적으로 성공적인 조직은 AI 도입을 작업 방식의 변화로 간주하며, 단순히 또 다른 기술 구현으로 보지 않습니다. 이들은 AI를 올바른 프로세스, 역량, 워크포스 가시성 및 관리 관행과 결합합니다. 이것이 AI가 진정한 생산성 이점이 될지, 아니면 또 다른 기술 층에 불과할지를 결정합니다.

멋진 인터뷰에 감사드립니다. 더 알고 싶으신 독자는 ProHance를 방문하시기 바랍니다.