Jayant Swamy, Chief Enterprise Architect bij Genpact – Interviewreeks

Jayant Swamy, Chief Enterprise Architect bij Genpact, is een technologie‑ en data‑leider met meer dan twee decennia ervaring op het gebied van enterprise architecture, kunstmatige intelligentie, data‑engineering, cloudtechnologieën en grootschalige digitale transformatie. Voordat hij in 2024 bij Genpact kwam, was hij CTO en Chief Architect bij Xtrac8.Tech en CTO en mede‑oprichter van een AI‑startup die zich richtte op technologieën zoals generatieve AI en grote taalmodellen. Swamy werkte eerder meer dan tien jaar bij Accenture, waar zijn leiderschapsrollen onder meer CTO, Global Lead en Global Managing Director van het Institute of Applied Intelligence, Managing Director en Global Business Lead voor de Data on Cloud‑business, en Chief Data Architect en Global Lead voor Data Engineering en Data Innovation omvatten. In een eerdere fase van zijn carrière werkte hij meer dan zeven jaar bij Fannie Mae, waar hij toezicht hield op technologie‑ en bedrijfsinformatie‑initiatieven met betrekking tot dienstverlening en kredietverliesbeheer, na enkele jaren als Senior Principal bij Oracle (ORCL ).

Genpact is een wereldwijd technologie‑ en businessservicesbedrijf dat zich richt op het helpen van ondernemingen bij het transformeren van complexe operaties via kunstmatige intelligentie, data, process intelligence en domeinspecialisatie. Het bedrijf vindt zijn oorsprong in een initiatief uit 1997 binnen GE Capital, werd onafhankelijk in 2005 en ging in 2007 naar de beurs op de New York Stock Exchange. Vandaag werkt Genpact met organisaties in diverse sectoren, waaronder bankwezen, verzekeringen, financiën, supply chain, consumentengoederen, gezondheidszorg en technologie, met een groeiende nadruk op generatieve AI, agentische systemen, automatisering en AI‑ondersteunde bedrijfsprocessen.

Uw carrière heeft u van enterprise‑architecture‑ en data‑leiderschapsrollen bij Oracle, Fannie Mae en Accenture naar startup‑omgevingen en uw huidige functie als Chief Enterprise Architect bij Genpact geleid. Hoe heeft die ervaring uw kijk gevormd op waar AI‑autonomie echte bedrijfswaarde creëert en waar menselijk oordeel onmisbaar blijft? 

Gedurende mijn carrière heb ik geleerd dat schaal, governance, integratie en risico net zo belangrijk zijn als innovatie. Enterprise‑ervaring laat zien dat indrukwekkende technologie faalt als ze niet binnen de organisatie kan functioneren; startups benadrukken de waarde van snel handelen, experimenteren en een eenvoudige, aanpasbare architectuur behouden. AI‑autonomie werkt het best wanneer beide denkwijzen worden gecombineerd — in een hoog tempo innoveren terwijl sterke fundamenten worden behouden. Op die manier kan AI werkelijk transformeren hoe werk stroomt binnen een organisatie. De bevindingen uit ons recente onderzoek onderstrepen dat punt duidelijk.

Het model zelf is slechts één deel van de vergelijking. De omringende architectuur — data, systemen, workflows, controles en integraties — bepaalt of AI waarde op schaal creëert. Dat is wat we bedoelen met “geen kunstmatige intelligentie zonder process intelligence.” Het is tevens de premisse achter ons toegepaste AI‑werk in Genpact Labs, waar we opkomende AI‑mogelijkheden omzetten in productieklare, klant‑gereed oplossingen. Elke mogelijkheid is gekoppeld aan een meetbaar bedrijfsresultaat en ingebed in de workflow, data en controles die nodig zijn om te opereren.

AI moet ruimte krijgen om te handelen wanneer het doel duidelijk is, de data betrouwbaar, en de grenzen goed begrepen. Menselijk oordeel blijft essentieel voor beslissingen die hoog risico, ambigu, subjectief, gereguleerd of die verantwoording en empathie vereisen. Autonomie gaat niet over het wegnemen van mensen uit het systeem. Het gaat erom het systeem zo te ontwerpen dat iedereen weet waar AI zelfstandig kan handelen, waar mensen zichtbaarheid nodig hebben, en waar menselijk oordeel moet overnemen.

Veel bedrijven evalueren klantgerichte AI voornamelijk op snelheid, containment‑percentages en kostenbesparingen. Waarom kunnen deze metrics een misleidend beeld scheppen of de technologie daadwerkelijk de klantbeleving verbetert?

Het probleem is dat dit voornamelijk efficiëntiemaatstaven zijn. Ze laten zien hoe het systeem presteerde, maar niet noodzakelijk hoe de klant het ervaart. Neem containment: een hoog percentage lijkt intern succesvol, maar kan slechte uitkomsten verbergen als een klant opgeeft, zich herhaalt, onvolledige antwoorden krijgt of geen persoon kan bereiken wanneer dat nodig is. Containment toont aan dat de AI de klant binnen het systeem hield, niet dat de klant kreeg wat hij nodig had. Hetzelfde geldt voor kostenbesparingen, die ten koste kunnen gaan van vertrouwen, tevredenheid of de kwaliteit van de oplossing.

AI‑systemen optimaliseren op de signalen die je ze geeft, dus moeten ondernemingen meetindicatoren vanaf het begin in het systeem inbouwen — front‑end metrics zoals snelheid en containment koppelen aan downstream signalen zoals issue‑oplossing en of de uitkomst elders problemen veroorzaakt. Uiteindelijk moet klantgerichte AI worden gemeten aan de hand van of het de onderliggende probleem van de eindgebruiker nauwkeurig, eerlijk en met het juiste niveau van menselijke ondersteuning oplost.

Welke signalen moet een AI‑agent gebruiken om onzekerheid, frustratie, urgentie of een situatie die buiten de vaste workflow valt te herkennen? 

Er bestaat geen enkele magische indicator — het gaat erom het systeem voldoende context en observabiliteit te geven om te herkennen wanneer zijn vertrouwen, autoriteit of informatie niet langer toereikend is. Dat kan zich uiten als tegenstrijdige informatie, herhaalde mislukte pogingen, of de agent die in cirkels draait. Het kan ook een verschuiving in de taal van de klant zijn — een duidelijk signaal van frustratie of urgentie — of een taak die informatie, toegang of autoriteit vereist die de agent niet heeft.

Het systeem moet ook zijn eigen grenzen kennen. Als een issue buiten de ontworpen workflow valt, onbereikbare data nodig heeft, of een gedefinieerde risicodrempel overschrijdt, moet dat een ander pad activeren. Het doel is niet dat de agent elk mogelijk scenario afhandelt — het is dat hij weet wanneer hij moet stoppen, escaleren of om hulp moet vragen.

Hoe kunnen bedrijven onderscheid maken tussen een interactie die slechts complex is en één die echt menselijk oordeel of empathie vereist?

De scheidslijn is niet hoe moeilijk de taak is. Het is hoeveel oordeel, consequentie en menselijke context de beslissing met zich meebrengt. Het opzetten van agent‑gedreven operaties waarbij machines verwerken en mensen valideren vereist inzicht in waar menselijke waarde nooit kan worden vervangen.

AI kan zeer complexe taken aan wanneer het doel duidelijk is, de data betrouwbaar, het proces gedefinieerd en de uitkomsten meetbaar. Complexiteit op zich vereist geen mens als het systeem de grenzen begrijpt waarbinnen het mag opereren. Een mens moet worden ingeschakeld wanneer de intentie van de klant onduidelijk is, de situatie discretie vereist, er meerdere geldige uitkomsten zijn, of de beslissing aanzienlijke financiële, juridische, medische of reputatierisico’s met zich meebrengt. Sommige interacties vragen ook om geruststelling, uitleg, onderhandeling of empathie — niet alleen een antwoord. Menselijke betrokkenheid is daar net zo belangrijk als technische nauwkeurigheid. De architectuur moet dat onderscheid weerspiegelen. Die interventiepunten moeten van tevoren in de workflow worden ontworpen, niet pas nadat er iets misgaat.

Hoe moet een effectief escalatie‑proces eruitzien zodat klanten hun verhaal niet hoeven te herhalen of de interactie opnieuw moeten starten wanneer een menselijke agent het overneemt?

Een goede escalatie draait niet alleen om het overdragen van de klant — het gaat om het overdragen van context, zodat de volgende persoon direct naar een oplossing kan toewerken. Wanneer een mens overneemt, moet hij al de gespreksgeschiedenis, de identiteit en het profiel van de klant, en wat de AI al heeft geprobeerd, hebben — genoeg om te voorkomen dat de klant opnieuw moet beginnen.

Dit is grotendeels een architectuurkwestie: als de AI alleen in de front‑end chat‑ervaring zit, losgekoppeld van CRM, ERP, kennissystemen, workflows en de orkestratielaag, wordt een naadloze overdracht onmogelijk.

Moeten escalatiedrempels veranderen afhankelijk van factoren zoals financieel risico, kwetsbaarheid van de klant, regelgeving of de potentiële gevolgen van een verkeerde beslissing?

Escalatieregels moeten afhangen van het risiconiveau. Hoe groter de consequenties van een fout, hoe eerder een mens moet worden betrokken.

Een wachtwoordreset kan volledig geautomatiseerd verlopen, maar een betwiste financiële transactie vereist strengere controles. In claims of incasso’s kan dat betekenen dat routinematige statusupdates volledig autonoom zijn, maar een verplichte menselijke controle wanneer een case een dollar‑drempel overschrijdt of een hardship‑vlag krijgt. Hoe meer gereguleerd of consequential de beslissing, hoe sterker de toezicht moet zijn. Een kwetsbare klant kan vroegtijdige menselijke interventie rechtvaardigen, en beslissingen met onomkeerbare gevolgen moeten lagere autonomie‑drempels hebben.

Die drempels mogen ook niet aan individuele agenten worden overgelaten om ter plekke te interpreteren. Ze moeten in de architectuur en orkestratielaag worden ingebouwd, met duidelijke regels over wat de agent mag doen, wat extra validatie vereist en wat moet worden geëscaleerd.

De kans is om autonomie te laten schalen met risico — volle snelheid bij low‑stakes werk, strengere controle waar het telt. Bij Genpact hebben we die tiering direct in ons ontwerp van agent‑gedreven workflows verwerkt — routinematige cases draaien autonoom terwijl alles dat een gedefinieerde risico‑ of dollar‑drempel overschrijdt, automatisch naar een mens wordt gerouteerd, zonder dat de agent moet beslissen om te escaleren. Ondernemingen die elke interactie hetzelfde niveau van autonomie geven, veranderen gemak snel in kostbare fouten.

Naast taakvoltooiing, welke metrics moeten organisaties gebruiken om te beoordelen of een autonoom klantservicesysteem positieve resultaten voor klanten oplevert?

Taakvoltooiing is nuttig, maar verre van voldoende. De vraag moet niet zijn: “heeft de agent de taak afgerond?” maar: “is de klant in een betere positie terechtgekomen?” Het verschil tussen een beloofd resultaat en verantwoordelijkheid daarvoor.

Dat betekent verder kijken dan afhandeltijd naar metrics zoals responsnauwkeurigheid, first‑contact resolution, herhaalde contacten, kwaliteit van escalaties, klanttevredenheid, en eerlijkheid en consistentie van uitkomsten. Het betekent ook meten voorbij een individuele interactie. Een agent kan succesvol lijken in één deel van de klantreis terwijl hij later een probleem veroorzaakt. Een case die snel wordt gesloten kan bijvoorbeeld weken later een nieuw gesprek triggeren, wat de klanttevredenheid beïnvloedt en uiteindelijk menselijke remedie vereist; daarom is het de moeite waard om te volgen of het 30 dagen later nog steeds is opgelost.

Het is ook belangrijk te weten of het systeem daadwerkelijk de onderliggende behoefte van de klant oplost, in plaats van simpelweg de interactie af te sluiten en het als een overwinning te beschouwen. Dat vereist end‑to‑end observabiliteit over de workflow, niet alleen metrics van de AI‑interface. Het meten van klant‑ en bedrijfsresultaten, in plaats van activiteit, onthult de echte ROI van AI.

Hoe kunnen bedrijven voorkomen dat AI‑agenten optimaliseren voor operationele doelen, zoals het verminderen van belvolume of afhandeltijd, ten koste van eerlijkheid, vertrouwen of de onderliggende behoeften van de klant?

AI‑systemen zijn opmerkelijk goed in het behalen van elk doel dat ze krijgen. Dat is zowel het voordeel als de valkuil: vertel een agent‑gedreven systeem dat snelheid het enige doel is, en het zal alles anders opofferen om dat te bereiken.

Bedrijven moeten AI een gebalanceerde set doelstellingen geven waarbij efficiëntie belangrijk is, maar ook naast klantresultaten, risico, eerlijkheid, nauwkeurigheid en vertrouwen staat. Dit wordt bereikt door duidelijke guardrails rond acceptabel gedrag te definiëren, bias en onbedoelde uitkomsten te testen, menselijke override‑mechanismen te behouden, beslissingen continu te monitoren en output traceerbaar en audit‑baar te maken. Governance kan geen bijzaak zijn die pas wordt toegevoegd nadat het systeem al draait. Het moet vanaf het begin in de architectuur worden ingebouwd.

Klantencontext kan verspreid zijn over eerdere gesprekken, transacties, kanalen en enterprise‑systemen. Hoe kunnen bedrijven AI‑agenten voldoende context geven om betere beslissingen te nemen zonder nieuwe privacy‑, beveiligings‑ of governance‑risico’s te creëren?

Het antwoord op gefragmenteerde context is niet dat een AI‑agent toegang krijgt tot alles. Het is dat hij beheerde toegang krijgt tot de juiste informatie op het juiste moment. Ondernemingen hebben een sterke data‑ en integratielaag nodig die agenten verbindt met autoritatieve recordsystemen, terwijl wordt gecontroleerd wat elke agent mag zien en doen. Dat omvat rol‑ en doelgebaseerde toegang, minimale noodzakelijke data, lineage‑tracking, audit‑logs en bescherming van gevoelige informatie.

Meer context verbetert AI‑beslissingen, maar alleen als die wordt beheerd. Anders kan het oplossen van één probleem een veel groter privacy‑ of beveiligingsprobleem veroorzaken. Goed beheerd kan context zich opstapelen naarmate het systeem leert van eerdere uitzonderingen, waardoor toekomstige interacties slimmer worden zonder nieuwe risico’s te creëren.

Naarmate klantgerichte AI autonomer wordt, hoe verwacht je dat de relatie tussen AI‑agenten en menselijke medewerkers evolueert, en welke capaciteiten moeten organisaties nu opbouwen om die samenwerking succesvol te maken?

De rol van de mens verschuift steeds meer van het uitvoeren van elke stap in een proces naar het sturen, superviseren en verbeteren van het systeem van agenten dat het werkvolume op zich neemt. Mensen zullen meer tijd besteden aan het stellen van doelstellingen, afhandelen van uitzonderingen, uitoefenen van oordeel, valideren van high‑risk beslissingen, verfijnen van workflows, monitoren van agentgedrag en verbeteren van de architectuur en governance achter die agent‑gedreven systemen. Dat verandert ook de vaardigheden die bedrijven nodig hebben. AI‑vaardigheid wordt belangrijk, maar ook kritisch denken, domeinspecialisatie, agent‑orchestratie, observabiliteit en het vermogen om een AI‑systeem uit te dagen wanneer iets niet klopt.

Dit is niet alleen een personeelsuitdaging. Organisaties hebben de architectuur nodig die die samenwerking ondersteunt, agenten verbindt met de juiste data en systemen, coördineert hoe ze samenwerken, en mensen zicht geeft op wat ze doen. Governance, menselijke override en escalatie moeten vanaf het begin worden ontworpen.

In mijn rol als chief enterprise architect zie ik het als mijn taak om ervoor te zorgen dat de hele organisatie niet alleen weet hoe AI te gebruiken, maar ook wanneer ze het moet vertrouwen, in vraag moet stellen en onder controle moet nemen. Op deze manier wordt architectuur de deur naar verantwoorde AI die vertrouwen en echte impact stimuleert.

Dank u voor het geweldige interview, lezers die meer willen weten, kunnen een bezoek brengen aan Genpact.