Gautam Singh, Global Business Unit Head of Analytics, Data en AI, WNS Analytics – Interview Series

Gautam Singh is de Business Unit Head van WNS Analytics en de mede-oprichter en CEO van The Smart Cube, een WNS-bedrijf. Hij heeft 20 jaar besteed aan het opzetten en laten groeien van The Smart Cube (een leider in onderzoek en analytics) voordat het werd overgenomen door WNS. Voordat hij bij WNS kwam, werkte hij 10 jaar in management consulting en venture capital in Europa en de VS. Gautam heeft verschillende rollen gehad, waaronder posities bij Coven Partners (Londen), A.T. Kearney (Londen), Mitsubishi Motors (India) en Cummins Engines (VS). Hij heeft een MBA van de University of Michigan, Ann Arbor, VS en een undergraduate diploma in Mechanical Engineering van IIT Bombay, India.

WNS Analytics helpt bedrijven hun data om te zetten in strategische waarde door middel van “decision intelligence” – een combinatie van robuuste, AI/GenAI/agentic-AI-technologieën en domeinspecifieke expertise. Zij bieden diensten aan in verschillende industrieën, waaronder verzekeringen, banken en financiële diensten, detailhandel, CPG, productie, gezondheidszorg, energie en logistiek. Hun capaciteiten omvatten en governance, beschrijvende en voorspellende analytics, AI/ML-tools en visualisatie – allemaal ontworpen om snellere, zelfverzekerde beslissingen en continue innovatie mogelijk te maken.

U bent uw carrière gestart in top-tier management consulting, daarna heeft u The Smart Cube opgericht en deze meer dan twee decennia geleid voordat het werd overgenomen door WNS. Wat was de motivatie achter uw overgang van consulting naar ondernemerschap en later naar het leiden van een wereldwijd en AI-bedrijf?

Ik heb tien jaar in management consulting gewerkt en zag een duidelijke marktkans: bedrijven zaten op bergen data, maar haalden er niet de volle waarde uit. Terug in 2003 was analytics nog basic – we werkten met Excel-spreadsheets.

De beslissing om het corporate leven te verlaten kwam neer op zelfvertrouwen. Ik zag een kans om organisaties echt te helpen hun data te benutten, dus richtte ik The Smart Cube op met die visie.

Na 20 jaar The Smart Cube op te hebben gebouwd, was het joinen van WNS geen exit, maar een evolutie. Ik heb de ondernemingsgeest voortgezet, maar nu met veel meer middelen en bereik. Dit stelt ons in staat om problemen aan te pakken op een schaal die ik nooit had kunnen bereiken in een kleinere onderneming. Het belangrijkste is dat ik de kracht van het integreren en infuseren van data en analytics in de kernbedrijfsprocessen in plaats van ze als discrete interventies te behandelen, heb erkend. Die naadloze integratie van domeinexpertise en procestransformatie is centraal in WNS’ DNA – en dat is wat me motiveerde om overgenomen te worden en nu deze business unit bij WNS te leiden.

In uw 20+ jaar ervaring in analytics, hoe heeft u de rol van data en AI in financiële diensten zien evolueren – van vroege adoptie tot de huidige grootschalige, ondernemingsbrede integratie?

In de late jaren 90 betekende analytics kijken naar historische data en maken van statistische prognoses. De transformatie is opmerkelijk.

De vroege 2000 bracht digitale transformatie en geavanceerdere voorspellende modellen. Rond 2010 werden real-time trading analytics standaard. Ongeveer een decennium geleden begon machine learning een echte verschuiving te veroorzaken, en meer recentelijk heeft Generative AI (Gen AI) het centrale podium betreden.

Vandaag behandelen financiële instellingen data als een strategisch actief. De vraag is veranderd van “kunnen we AI gebruiken?” naar “hoe integreren we AI in elke beslissing?”.

Het effect is tastbaar: customer onboarding dat eerder dagen duurde, is nu binnen enkele uren klaar met AI-gebaseerde verificatie. Credit risk assessments evalueren honderden real-time datapunten buiten traditionele scores. Risicocalculaties die eerder een nachtelijke batch-run vereisten, zijn nu onmiddellijk. En fraudebescherming reageert niet langer achteraf – het blokkeert verdachte activiteit in real-time.

Hoe gebruiken vooruitstrevende ondernemingen AI-gedreven data lakes en governance-kaders om real-time beslissingen, regelgevingscompliance en transparantie in financiële operaties te verbeteren?

Het bouwen van monolithische en hopen op inzichten werkt niet langer. Instellingen moeten intelligente ontwerpen.

Financiële diensten hebben een unieke uitdaging: ze zijn klantgericht, behandelen zeer gevoelige data en moeten nog steeds personalisatie en real-time responsiviteit bieden. Dit vereist modulaire gebouwd op flexibele kaders.

Binnen deze architectuur creëren organisaties gespecialiseerde voor pricing analytics, risicobeoordeling en regelgevingsrapportage. Elke vijver functioneert onafhankelijk terwijl hij voedt in het bredere ecosysteem, directe waarde leverend terwijl veiligheidsgrenzen worden behouden.

De Zero ETL-trend is vooral relevant hier, omdat het complexe Extract-Transform-Load-processen elimineert door directe query’s over systemen mogelijk te maken. Dit stelt AI in staat om data in real-time te benaderen en te analyseren zonder deze te verplaatsen, waardoor latentie wordt verminderd en governance wordt behouden.

AI-agents evolueren ook verder dan anomaliedetectie. Ze signaleren niet alleen verdachte transacties, maar geven ook aanbevelingen en voeren reacties uit binnen governanceparameters. In compliance monitort AI voortdurend transacties, genereert rapporten en identificeert problemen voordat regulators dat doen.

Wordt synthetische data vaak gepromoot als een veilige manier om AI-modellen te trainen zonder gevoelige informatie bloot te geven. Kunt u voorbeelden delen van hoe synthetische data effectief wordt toegepast in fraudebescherming, risicoanalyse en modelvalidatie?

Bij WNS Analytics gebruiken we geavanceerde synthetische om high-fidelity, privacy-compliant datasets te creëren die AI-modeltraining versnellen, vooral in domeinen. Onze synthetische datasets imiteren real-world scenario’s terwijl ze dezelfde statistische patronen, gedragingen en correlaties weerspiegelen als echte financiële data – transactiestromen, fraude-trends, klantgedrag – zonder enige gevoelige Persoonlijk Identificeerbare Informatie (PII) of klantdata bloot te geven.

Deze capaciteit transformeert financiële diensten op gebieden zoals risicoanalyse, fraudebescherming, kredietbeoordeling, stress testing en compliance-modellering. Deze synthetische datasets stellen organisaties in staat om AI-oplossingen snel te ontwikkelen terwijl ze zowel als regelgevingsvertrouwen waarborgen.

Een bijzonder innovatieve toepassing omvat het gebruik van PII-gemaskeerde data om lookalike-modellen te creëren. Dit stelt bedrijven in staat om gerichte aanbiedingen te doen aan consumenten, waardoor gepersonaliseerde marketing mogelijk wordt terwijl complete privacy wordt behouden.

Intelligente automatisering en AI-agents worden steeds vaker in bedrijfsprocessen geïntegreerd. Wat zijn de meest transformatieve use cases die u in financiële diensten heeft gezien, en hoe verbeteren ze operationele veerkracht en prestaties?

Intelligente automatisering met AI-agents versnelt ondernemingswerkprocessen, waardoor organisaties operaties kunnen stroomlijnen en snellere, meer geïnformeerde beslissingen kunnen nemen. Deze agents combineren automatisering met geavanceerd redeneren om veerkracht, schaalbaarheid en prestatieverbeteringen te leveren.

Bij WNS Analytics passen we het GAIN-kader (ons propriëtaire kader voor Agentic AI-implementatie) toe om de juiste niveaus van autonomie voor agentic AI te beoordelen. We bieden ook herbruikbare, microservices-gebaseerde componenten voor hyperspecialized agents via onze award-winning AI Utilities Hub.

In verzekeringen hebben we meerdere workflows getransformeerd via agentic AI. In motor claims subrogation heeft onze Gen AI-gebaseerde derdepartijhersteldetectieoplossing, aangedreven door autonome agents, 85% nauwkeurigheid bereikt, herstelvolumes verdubbeld en jaarlijkse herstel verhoogd met ongeveer 49% – miljoenen kansen ontgrendelend die eerder over het hoofd werden gezien.

In onderwriting, onze agentic AI-gebaseerde research assistant gebruikt meerdere gespecialiseerde agents om complexe queries te breken, data uit meerdere bronnen te extraheren en inzichten te genereren met 99% nauwkeurigheid terwijl de omslagtijd met 85% wordt verminderd.

Voor een toonaangevende bank, heeft onze Gen AI-oplossing de tijd voor adverse media screening met 60% verkort en valse positieven met 12-15% verlaagd.

We hebben ook een Gen AI-gebaseerde kennismanagementsoplossing – ontworpen als een horizontaal platform – om te bepalen hoe ondernemingen uitgebreide ongestructureerde data ophalen, redeneren en contextualiseren. Door nauwkeurige, compliant en consistente inzichten in real-time te leveren, versterkt het beslissingen, verbetert het efficiëntie en versterkt het operationele veerkracht over industrieën heen.

Deze oplossingen versterken menselijke oordeelvorming, waardoor snellere, nauwkeurigere systemen ontstaan.

Voor ondernemingen die AI-initiatieven willen opschalen, wat zijn de grootste barrières – technisch, cultureel of strategisch – en hoe kunnen leiders deze overwinnen?

De grootste barrière voor het opschalen van AI is niet technologie – het is organisatorische gereedheid.

Ten eerste zijn er’s over legacy-systemen. Volledige vervanging is niet altijd praktisch; in plaats daarvan moet de focus liggen op het bouwen van intelligente bruggen. Bij WNS hebben we “brugteams” gecreëerd die legacy-beheerders koppelen aan cloud-engineers, waardoor implementatie wordt versneld terwijl kritieke bedrijfsregels worden behouden.

Ten tweede is er een vaardigheidsgat. Ondernemingen hebben de juiste mix van domeinexperts,, datawetenschappers en vertalers nodig die technische inzichten kunnen verbinden met bedrijfswaarde.

Ten derde is er de snelheid van technologische verandering. Ons WNS AI Lab stelt organisaties in staat om te experimenteren met opkomende technologieën en proof-of-concepts te bouwen voordat ze zich committeren aan volledige implementatie.

Op het culturele front hangt succes af van effectief change management. We ontwerpen kaders die medewerkers in staat stellen AI te zien als toevoeging in plaats van vervanging. Het instellen van een AI-raad is ook een slimme zet, waardoor governance, cross-functionele uitlijning en een gestructureerde weg voor het verplaatsen van pilots naar ondernemingsbrede schaal mogelijk wordt.

Met de groeiende aandacht voor AI-ethiek, bias en transparantie, hoe kunnen financiële instellingen de juiste balans vinden tussen innovatie en verantwoorde AI-governance?

Innovatie en verantwoordelijkheid zijn geen tegenstrijdige keuzes – verantwoordelijkheid moet vanaf het begin in innovatie worden ingebouwd.

Financiële instellingen hebben robuuste AI-governance-kaders nodig. Bij WNS implementeren we kaders die waarborgen dat AI op een verantwoorde, ethische en beveiligde manier wordt ontwikkeld. Onze aanpak embedt checks voor bias, fairness, custom KPI’s en monitoring model drift. Dit bouwt vertrouwen op, niet alleen regelgevingscompliance.

Transparantie is vooral kritiek in financiële diensten. Als AI een lening weigert, verdienen aanvragers duidelijke en begrijpelijke verklaringen.

Uiteindelijk is verantwoorde AI een concurrentievoordeel. Banken die fairness, transparantie en beveiliging in hun AI-systemen demonstreren, verdienen klantvertrouwen. Diegenen die governance als een nasleep behandelen, riskeren regelgevingsboetes en reputatieschade die veel moeilijker te herstellen is.

In de komende 3-5 jaar, welke opkomende AI-mogelijkheden ofën denkt u dat de grootste impact zullen hebben op hoe financiële organisaties opereren?

Drie ontwikkelingen zullen financiële diensten de komende drie tot vijf jaar herschikken.

Ten eerste zal agentic AI van experimenteel naar essentieel evolueren. Autonome AI-agents zullen complexe workflows uitvoeren en hele afdelingen naast menselijke teams orkestreren.

Ten tweede zullen continue leer-systemen standaard worden. AI zal zich aanpassen van elke interactie, waardoor echt gepersonaliseerde financiële diensten mogelijk worden die evolueren met elke verandering in de behoeften van de klant.

Ten derde zullen we een krachtige technologie-convergentie zien: quantum computing voor geavanceerde risicocalculaties, blockchain voor transparante AI-beslissingslogboeken en edge computing voor instantane lokale beslissingen. Samen zullen deze technologieën geheel nieuwe vormen van financiële diensten mogelijk maken die we nu nog maar pas beginnen te begrijpen.

Na het navigeren door ondernemerschap, overname en nu een wereldwijde leiderschapsrol, welke richtlijnen hebben u geholpen bij het nemen van beslissingen en het leiden van teams door verandering?

Drie principes leiden mij.

Ten eerste, volharding boven perfectie. Toen we The Smart Cube startten, hadden we niet alle antwoorden. We maakten fouten, pasten ons aan en gingen verder. Volharding met aanpassingsvermogen is essentieel geweest.

Ten tweede, bouw duurzame waarde, geen snelle exits. Een professor uit de business school adviseerde me – jaren nadat ik The Smart Cube had opgericht – “Focus je niet op de exit. Focus op het bouwen van een succesvol bedrijf dat zal blijven bestaan.” Die langetermijnvisie heeft elke beslissing die ik heb genomen, gevormd.

Ten derde, geniet van wat je doet. Ik heb altijd geloofd dat als ik niet van mijn werk geniet, ik zal overstappen naar iets anders. Na 30 jaar word ik nog steeds wakker met enthousiasme, en die enthousiasme inspireert teams door verandering.

Leiderschap door overname heeft een andere waarheid versterkt: verandering slaagt als je mensen meeneemt. Technische integratie is rechttoe rechtaan; culturele integratie – het opbouwen van een gedeelde visie – is waar echte leiderschap toe doet.

Voor professionals die de toekomst van AI in financiën willen vormgeven, welke vaardigheden, mentaliteit of ervaring denkt u dat het meest waardevol zullen zijn?

De toekomst behoort toe aan diegenen die werelden kunnen overbruggen. Pure technische vaardigheden of domeinexpertise alleen zullen niet voldoende zijn.

Ten eerste, ontwikkel systeemdenken. Begin met de marktbehoefte – een duidelijk use case – en werk achteruit. AI in financiën vereist het zien van hoe alles verbonden is: hoe een verandering in risicomodellen de klantbeleving beïnvloedt of hoe automatisering nieuwe kansen opent.

Ten tweede, cultiveer gedisciplineerde praktische zin boven idealisme. Wees enthousiast over nieuwe technologieën, maar rigoureus in het evalueren ervan. Niet elk probleem heeft AI nodig – soms kunnen eenvoudige analyses of zelfs spreadsheets de klus klaren.

Ten derde, bouw vertaalvaardigheden op. Dit is van cruciaal belang. Het kunnen uitleggen van complexe AI-concepten aan bestuursleden en het vertalen van bedrijfsvereisten voor datawetenschappers is van onschatbare waarde. De sterkste AI-leiders aligneren technologie met bedrijfsstrategie.

Ten slotte, omarm continue leren. Tools die vijf jaar geleden state-of-the-art waren, zijn nu al verouderd. Blijf nieuwsgierig, nederig en toegewijd aan leren, en dit zal deuren openen naar kansen die we nu nog niet kunnen voorstellen op het snijvlak van AI en financiën.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen WNS Analytics bezoeken.