Ankur Dhingra, CEO van ProHance – Interviewreeks

Ankur Dhingra, CEO van ProHance, is een ervaren technologie- en operationeel directeur met meer dan twee decennia leiderschap op het gebied van enterprise-productiviteit, financiële diensten en wereldwijde bedrijfsvoering. Hij leidt ProHance sinds 2020 en richt zich op het bouwen van een geïntegreerd platform voor het observeren, beheren en verbeteren van productiviteit bij menselijke werknemers, leveranciers en AI-systemen. Voordat hij CEO werd, was Dhingra partner bij FutureIP, waar ProHance werd ontwikkeld als een platform voor operationeel beheer en analytics. Eerder werkte hij meer dan acht jaar bij American Express, waar hij de functie van Vice President en General Manager Global Back Office Operations bekleedde en eerder de klantbetrokkenheidsoperaties leidde, waaronder grootschalige telefoon-, chat-, regelgevende en bedrijfszekerheidsfuncties. Zijn loopbaan omvat ook senior leiderschapsrollen bij Genpact, waar hij een bankpraktijk van 1,100 personen en een $35 million P&L beheerde, en bij GE Capital, waar hij de financiële dienstverlening in India leidde.

ProHance is een enterprise workforce intelligence- en productiviteitsanalysebedrijf dat organisaties realtime inzicht biedt in hoe werk wordt uitgevoerd door werknemers, externe leveranciers, AI‑copiloten en autonome agenten. Het platform, gepositioneerd als een “Productivity Control Room”, combineert workforce analytics, capaciteitsplanning, intelligente werktoewijzing, productiviteitsmeting en governance‑tools om bedrijven te helpen operationele knelpunten te identificeren, resource‑gebruik te optimaliseren en de impact van AI op de organisatieprestaties te begrijpen. ProHance zegt dat haar technologie door meer dan 450,000 gebruikers in 220 ondernemingen in 55 landen wordt gebruikt, met toepassingen in de bank- en financiële dienstverlening, business process outsourcing, wereldwijde capability‑centra, gezondheidszorg en informatietechnologie.

U heeft meer dan twee decennia leiding gegeven aan grootschalige operaties bij GE Capital, Genpact en American Express voordat u CEO van ProHance werd. Wat hebben die ervaringen u geleerd over de beperkingen van traditioneel workforce‑ en productiviteitsbeheer, en hoe hebben die lessen de manier gevormd waarop u ProHance bouwt voor een AI‑first onderneming?

Mijn ervaring bij GE Capital, Genpact en American Express leerde me dat een van de grootste hiaten in traditioneel workforce‑beheer niet noodzakelijk aan de voorkant lag, maar in de back‑office.

Bij American Express had ik eerder aan de klantservicekant gewerkt, waar het contactcentrum toegang had tot vrij geavanceerde technologie om productiviteit te meten – waar mensen hun tijd aan besteedden, benutting, interactievolumes en hoe processen geoptimaliseerd konden worden. Maar toen ik de leiding over de back‑office‑operaties kreeg, zag ik een heel andere realiteit.

Een enorme hoeveelheid werk in grote ondernemingen gebeurt achter de schermen – transactie‑verwerking, case‑management, gegevensinvoer en andere proces‑gedreven activiteiten – maar er was zeer weinig betekenisvolle meting van hoe dat werk daadwerkelijk werd uitgevoerd. De technologie en zichtbaarheid die bestonden voor de front‑office waren simpelweg niet overgegaan naar de back‑office.

Ik raakte bijna irrationeel geobsedeerd door het probleem. Ik begon te kijken naar de beschikbare technologieën en sprak met gevestigde spelers, maar wat ik vond was ofwel te log, te duur, of simpelweg niet ontworpen voor de realiteit van back‑office‑operaties. Ik bleef denken: dit is een industrie van meer dan $150 miljard, en dit is een probleem dat al jaren bestaat. Er moet toch iemand zijn die het beter oplost.

Die zoektocht leidde me uiteindelijk naar ProHance, waar Rajesh Sharma en Kishore Reddy (mede‑oprichters van ProHance) al technologie hadden gebouwd die veel van de uitdagingen aanpakte die ik als gevorderde gebruiker van deze systemen had geïdentificeerd. Ik wist precies wat de technologie moest doen – activiteit automatisch vastleggen, werken over verschillende besturingssystemen, tijd meten zowel binnen als buiten het systeem, en een betrouwbaar beeld geven van hoe werk daadwerkelijk plaatsvond.

Die ervaring heeft mijn denkwijze over ProHance vandaag gevormd. De les is dat je geen AI‑first onderneming kunt bouwen door simpelweg AI toe te voegen aan bestaande workforce‑managementtools. Je hebt eerst een betrouwbaar, gedetailleerd inzicht in het werk zelf nodig. AI kan vervolgens transformeren hoe dat werk wordt geanalyseerd, geoptimaliseerd en uiteindelijk herontworpen.

Voor mij gaat ProHance over het brengen van datzelfde niveau van zichtbaarheid en intelligentie dat ondernemingen historisch gezien in de front‑office hadden, naar de hele organisatie – en AI gebruiken om een betere meting van productiviteit te krijgen, wat fundamenteel zal verbeteren hoe werk wordt gedaan.

Nu generatieve AI en AI‑agenten een groeiend deel van kenniswerk overnemen, kunnen traditionele productiviteitssignalen zoals gewerkte uren of applicatiegebruik minder betekenisvol worden. Hoe moeten ondernemingen productiviteit herdefiniëren wanneer een mens in 30 minuten kan bereiken wat vroeger meerdere uren kostte?

Productiviteit moet verschuiven van het meten van activiteit naar het meten van resultaten. Als AI iemand in staat stelt om in 30 minuten te voltooien wat eerder drie uur kostte, is de drie‑uur‑norm niet langer relevant. De focus moet liggen op wat er bereikt is, de kwaliteit van het resultaat en hoe effectief tijd en vaardigheden zijn ingezet.

Dit betekent ook dat ondernemingen moeten begrijpen waar AI werkelijk repetitief werk wegneemt en waar menselijk oordeel cruciaal blijft. Productiviteit moet steeds meer resultaten, capaciteit, kwaliteit en bedrijfsimpact weerspiegelen, in plaats van uren achter een bureau of applicatiegebruik.

U heeft workforce intelligence beschreven als steeds kritischer in de AI‑first onderneming. Wat betekent “workforce intelligence” in de praktijk, en hoe verschilt het van de employee‑monitoring‑ en workforce‑analytics‑tools die bedrijven historisch hebben gebruikt?

Workforce intelligence draait er in essentie om een organisatie een duidelijker inzicht te geven in hoe werk daadwerkelijk plaatsvindt. Het brengt signalen rond werklast, capaciteit, benutting, processen en resultaten samen om leiders te helpen te identificeren waar teams overbelast zijn, waar capaciteit bestaat en waar werk vastloopt.

Dat verschilt van traditionele employee monitoring, die vaak gericht was op individuele activiteit. Workforce intelligence moet op een veel breder niveau opereren. Het doel is niet te vragen: “Wat doet deze medewerker elke minuut?” maar eerder: “Hoe stroomt het werk door de organisatie, en wat kunnen we doen om het te verbeteren?”

ProHance combineert steeds meer deterministische workforce‑data met machine learning om voorspellende inzichten te genereren, waaronder het identificeren van potentiële disengagement‑ en retentierisico’s. Hoe zorgt u ervoor dat deze AI‑modellen betekenisvolle patronen onderscheiden van normale variaties in medewerkergedrag, en hoe belangrijk is uitlegbaarheid wanneer managers beslissingen over mensen nemen?

Bij ProHance geloven we dat de kwaliteit en context van de onderliggende data cruciaal zijn. Medewerkergedrag varieert van nature afhankelijk van projecten, werklast, teams, seizoenen en bedrijfscycli. Een verandering in activiteit op zichzelf duidt niet per se op disengagement of retentierisico.

De aanpak is om patronen te zoeken over meerdere signalen en over tijd, in plaats van conclusies te trekken uit één gedrag. AI kan helpen patronen te identificeren die aandacht verdienen, maar mag niet worden gezien als de uiteindelijke besluitvormer.

Uitlegbaarheid is even belangrijk. Als een systeem een potentieel risico signaleert, moeten managers de factoren achter dat signaal kunnen begrijpen en hun eigen oordeel toepassen. Wanneer technologie wordt gebruikt om beslissingen over mensen te informeren, zijn transparantie en menselijk toezicht essentieel.

Er is begrijpelijke bezorgdheid bij medewerkers wanneer organisaties technologie introduceren die werkpatronen, applicatiegebruik, inactieve tijd of prestaties kan analyseren. Waar moeten ondernemingen de grens trekken tussen het verkrijgen van nuttig operationeel inzicht en het creëren van een cultuur van surveillance?

De grens wordt grotendeels bepaald door intentie, transparantie en hoe de data wordt gebruikt. Medewerkers voelen zich begrijpelijkerwijs ongemakkelijk wanneer technologie wordt geïntroduceerd zonder duidelijkheid over wat er gemeten wordt en waarom.

Het doel moet zijn om werk op een organisatorisch en operationeel niveau te begrijpen, in plaats van voortdurend individuen te observeren. Als workforce‑data helpt bij het identificeren van overmatige werklast, knelpunten of inefficiënte processen, kan het de medewerkerervaring daadwerkelijk verbeteren.

Ondernemingen moeten ook duidelijk zijn over wat ze niet proberen te doen. Technologie moet managers helpen betere gesprekken met hun teams te voeren, niet die gesprekken vervangen of een systeem van constante observatie creëren.

AI‑copiloten en autonome agenten worden steeds meer onderdeel van de workforce zelf. Denkt u dat workforce‑intelligentieplatformen uiteindelijk de productiviteit van zowel mensen als AI‑agenten samen moeten meten, en hoe zou een betekenisvolle human‑to‑AI‑productiviteitsmetriek eruit kunnen zien?

Ja, ik denk dat dit steeds belangrijker zal worden. Naarmate AI‑agenten delen van workflows overnemen, zal het meten van alleen menselijke activiteit ondernemingen een onvolledig beeld geven van hoe werk wordt gedaan.

Maar ik denk niet dat we simpelweg tot één “human versus AI” productiviteitsscore zullen komen. Een nuttigere benadering zou zijn om de gecombineerde output van mensen, AI‑tools en agenten over een workflow heen te begrijpen.

Ondernemingen kunnen kijken naar hoeveel tijd AI verwijdert van repetitieve taken, hoe snel processen verlopen, de kwaliteit van de resultaten en waar menselijke interventie nog nodig is. De echte vraag wordt: hoe effectief werken mensen en AI samen: hoe effectief werken mensen en AI samen?

ProHance spreekt over het gaan voorbij ruwe productiviteitsmeting naar operationele intelligentie, inclusief werklastanalyse, forecasting, procesoptimalisatie en resource‑allocatie. Hoeveel van de toekomst van deze categorie zal gaan over AI die proactief aanbeveelt wat managers moeten veranderen in plaats van hen simpelweg dashboards te tonen?

Ik denk dat dit de richting is waarin ProHance de categorie ziet gaan. Dashboards zijn nuttig, maar ze laten managers nog steeds de verantwoordelijkheid om informatie te interpreteren en te beslissen wat ze vervolgens moeten doen.

De volgende fase is dat platforms een patroon identificeren en helpen beantwoorden “wat moeten we eraan doen?” Dat kan betekenen dat een overbelast team wordt gemarkeerd, een onderbenutte vaardigheid wordt geïdentificeerd, een capaciteitskloof wordt voorspeld of wordt gesuggereerd waar een proces kan worden verbeterd.

Voor ProHance zal de waarde steeds meer komen van het overgaan van zichtbaarheid naar actie. AI moet managers helpen betere beslissingen te nemen, terwijl de beslissing zelf bij de persoon blijft die het bedrijf en de context begrijpt.

U heeft productiviteitsintelligentie vergeleken met een jaarlijks gezondheidsrapport voor een organisatie. Wat zijn de belangrijkste signalen waar executives op moeten letten om te bepalen of hun workforce werkelijk gezond, productief en succesvol aan het aanpassen is aan AI?

Ik zou kijken naar een combinatie van signalen in plaats van één productiviteitscijfer. Capaciteit en werklast zijn duidelijke uitgangspunten, maar executives moeten ook begrijpen of werk effectief wordt verdeeld, waar knelpunten ontstaan, hoe teams zich aanpassen aan AI en of mensen te veel tijd besteden aan activiteiten met lage waarde.

Een ander belangrijk signaal is duurzaamheid. Een team dat uitzonderlijke resultaten levert omdat mensen consequent boven een redelijke capaciteit werken, is op de lange termijn niet per se gezond of productief.

Een gezonde workforce is er één waar capaciteit, werklast en resultaten redelijk in balans zijn, mensen ruimte hebben om zich te richten op werk met hogere waarde, en de organisatie zich kan aanpassen naarmate de aard van werk verandert.

“Productiviteit” heeft voor veel medewerkers negatieve associaties ontwikkeld omdat het kan impliceren dat er meer werk wordt gedaan met minder mensen. Hoe kunnen organisaties het concept herwinnen en AI‑gedreven productiviteitsintelligentie gebruiken om de medewerkerervaring te verbeteren, burn‑out te verminderen en werk met lage waarde te elimineren in plaats van simpelweg de output te verhogen?

Organisaties moeten afstappen van het definiëren van productiviteit simpelweg als “meer output van minder mensen”. Die definitie is te smal, vooral in een AI‑enabled werkplek.

AI zou idealiter mensen tijd moeten teruggeven die momenteel wordt opgeslokt door repetitieve administratie, handmatige processen en taken met lage waarde. De kans is om die tijd te gebruiken voor probleemoplossing, klantinteractie, innovatie en werk dat menselijk oordeel vereist.

Als productiviteitsintelligentie wordt gebruikt om te identificeren waar mensen overbelast zijn of tijd inefficiënt besteden, kan het daadwerkelijk een tool voor de medewerkerervaring worden. Het doel moet zijn om werk beter te maken, niet simpelweg mensen sneller te laten werken.

Kijkend naar de toekomst, nu AI wordt ingebed in bijna elke enterprise‑workflow, wat denkt u dat organisaties zal onderscheiden die hun workforce succesvol aanvullen met AI van organisaties die de technologie inzetten maar er geen betekenisvolle productiviteitswinst uit halen?

De organisaties die het meeste profiteren van AI zullen degenen zijn die verder kijken dan alleen de implementatie van technologie. Toegang hebben tot een AI‑tool creëert niet automatisch productiviteitswinst.

De leiders zullen begrijpen waar AI workflows verandert, hoe rollen evolueren en of de organisatie daadwerkelijk betere resultaten behaalt dankzij de technologie. Ze zullen ook continu meten wat werkt en dienovereenkomstig aanpassen.

Uiteindelijk zullen succesvolle organisaties AI‑adoptie beschouwen als een verandering in de manier waarop werk wordt gedaan, in plaats van simpelweg een andere technologische implementatie. Ze zullen AI combineren met de juiste processen, vaardigheden, workforce‑zichtbaarheid en managementpraktijken. Dat zal bepalen of AI een echte productiviteitsvoordeel wordt of slechts een extra laag technologie.

Dank u voor het geweldige interview. Lezers die meer willen weten, kunnen terecht op ProHance.