Vijay Vijayasankar, Global Agentic AI Officer bij Genpact – Interviewreeks

Vijay Vijayasankar, Global Agentic AI Officer bij Genpact, leidt de wereldwijde productisering van Agentic AI-oplossingen van het bedrijf, met een focus op het verschuiven van de waardecreatie van ondernemingen van traditionele, arbeidskracht-gebaseerde modellen naar hogere-marge, resultaat-gebaseerde kaders. In zijn rol helpt hij bij het vormgeven van de benadering van Genpact voor het schalen van AI in de hele onderneming door organisatorische modellen op te bouwen rond zowel AI-ontwikkelaars, die geavanceerde orkestratielagen ontwerpen, als AI-praktijkmensen, die domeinexpertise in workflows brengen die worden aangedreven door autonome agenten. Voordat hij bij Genpact kwam, had Vijayasankar senior leiderschapsrollen bij IBM, waaronder Managing Partner voor Financial Services, CTO van IBM Services Noord-Amerika en General Manager voor Cognitive, IoT, Analytics en Watson Health in GBS Noord-Amerika, naast eerdere uitvoerende rollen bij MongoDB (MDB ) en SAP.

Genpact is een agentic en geavanceerde technologieoplossingenbedrijf dat grote ondernemingen helpt bij het moderniseren van hun operaties door middel van procesintelligentie, kunstmatige intelligentie, data en digitale transformatie. Het bedrijf werkt in gebieden zoals financiën en boekhouding, klantenservice, risico en naleving, inkoop en sourcing, supply chain, technologie en vertrouwen en veiligheid, terwijl de Data- en AI-diensten van het bedrijf zich richten op het helpen van organisaties bij het gebruik van geavanceerde analytics, AI en autonome agenten om complexe data om te zetten in meetbare bedrijfsresultaten.

U heeft meer dan twee decennia doorgebracht bij bedrijven zoals IBM, MongoDB, SAP en nu Genpact, waar u als Global Agentic AI Officer werkt. Kijkend naar de evolutie van big data en analytics naar de huidige agentic AI-systemen, welke lessen hebben uw visie het meest gevormd over hoe ondernemingen AI-transformatie moeten benaderen?

Ik heb deze film drie keer gezien. Big data was het zilveren kogel voor besluitvorming. Cloud was de instant-schakelaar voor organisatorische wendbaarheid. Nu is agentic AI het geneesmiddel voor operaties. In elke cyclus waren de bedrijven die waarde genereerden gefocust op hun operationele modellen, hun processen en hun mensen. Degenen die worstelden, en velen doen dat nog steeds, behandelden de technologie zelf als de transformatie.

Wat fundamenteel anders is aan agentic AI, is de locatie. Het zit op het uitvoeringsniveau, niet op het inzichtniveau. Oudere tools genereerden grafieken en aanbevelingen. Agenten nemen actie. Een slechte analytische dashboard produceert een slechte grafiek die een menselijke analist vangt voordat het de bureau van de CEO bereikt. Een slechte agent voert een slechte transactie uit op grote schaal voordat iemand beseft dat het is gebeurd. Dat verandert het risicoprofiel volledig en dwingt een niveau van operationele discipline af dat de meeste bedrijven nog nooit nodig hebben gehad. Ik heb geleerd om mijn eigen opwinding te wantrouwen. Agentic AI is fascinerend, maar dat is precies wanneer je moet vertragen en de fundamenten controleren.

Genpact’s nieuwe rapport met HFS Research schat dat onopgeloste ondernemingschuld bijna 18 biljoen dollar aan potentieel waarde wereldwijd vasthoudt. Wat verraste u het meest over de bevindingen, en waarom denkt u dat zoveel organisaties de impact van proces-, data-, technologie- en talentenschuld blijven onderschatten?

Wat oogopenend was, is de omvang van de waarde die wordt vastgehouden achter inefficiënte processen, gefragmenteerde data, verouderde technologie en uitdagingen op het gebied van werkkracht.

Wat meer telt dan het totale cijfer is hoe het probleem is gestructureerd. De meeste leiders kijken naar deze problemen als afzonderlijke silo’s. Een dataprobleem, een procesprobleem, een technologieprobleem, een vaardigheidsprobleem, elk behandeld als afzonderlijk. Ze zijn niet gescheiden. Slechte data dwingt mensen om handmatige workarounds uit te vinden. Die workarounds creëren procescomplexiteit. Die complexiteit verbrandt uw beste mensen en maakt uw operaties broos. Wanneer een AI-initiatief arriveert, botst het tegen al deze dingen tegelijk. De AI wordt de schuld gegeven van een falen dat al tien jaar geleden in het bedrijf was ingebouwd. We praten over ondernemingschuld als een kostenlast, maar het is meer nauwkeurig een groeibeperking. Dat onderscheid is belangrijk omdat het verandert wie het probleem bezit en wat het oplossen ervan waard is.

Het rapport vond dat 85% van de executives denkt dat ondernemingschuld de realisatie van AI-waarde beperkt. Waarom denkt u dat ondernemingen blijven investeren in AI, terwijl ze vaak de fundamenten negeren die voorkomen dat deze investeringen rendement opleveren?

Omdat AI zichtbaar is en fundamenten onzichtbaar zijn. Elk bestuur wil een AI-strategie zien. Elk CEO heeft een verhaal nodig om te vertellen. Het implementeren van een glanzend nieuw model is een kopregel. Het herontwerpen van een kernsupplychainproces is een dankbaar, onzichtbaar karwei totdat het eindelijk werkt.

Ik heb gezien dat organisaties zes maanden besteden aan het selecteren van een model en zes dagen aan het onderzoeken van het proces dat het model zou moeten verbeteren. Die verhouding is achterstevoren, en ze ontdekken het op de harde manier. De bottleneck is bijna nooit de AI. Het zijn inconsistentieprocessen, ongekoppelde systemen en data waar niemand in jaren verantwoordelijk voor is geweest. AI lost die dingen niet op. Het legt ze sneller bloot. De stimuleringsstructuren belonen het niet om fundamenten te repareren. Er is geen demo voor het schoonmaken van datagovernance. De executives die het stilzwijgend doen, zetten een weddenschap dat operationele gezondheid in de loop van de tijd samengevoegd wordt, maar de meeste besturen meten dat niet.

Data-schuld bleek de grootste AI-belemmering in het onderzoek. Welke praktische stappen moeten ondernemingen vandaag nemen om over te gaan van gefragmenteerde, lage-kwaliteit data-omgevingen naar data-fundamenten die agentic AI op grote schaal kunnen ondersteunen?

Houd op met het lanceren van een groot, top-down governanceprogramma. Dat is een technologie-antwoord op een verantwoordelijkheidsprobleem. In de meeste grote organisaties is niemand verantwoordelijk voor de nauwkeurigheid van de informatie die het bedrijf draait.

Het praktische startpunt is om een handvol hoogwaardige processen te kiezen en terug te werken. Welke beslissingen moeten worden genomen? Welke data zijn nodig voor die beslissingen? Wie is de eigenaar van die data? Hoe vaak is het fout? Die oefening brengt de verantwoordelijkheidslacunes onmiddellijk aan het licht. En we moeten dit goed krijgen, omdat agenten stil falen. Een menselijke analist ziet twee systemen die het oneens zijn en neemt een oordeel. Een agent arbitreert tussen de conflicterende data en voert uit met totale vertrouwen. Als verschillende delen van uw organisatie een klant of een transactie op een andere manier definiëren, neemt de agent vertrouwelijke beslissingen op basis van slechte invoer en niets in uw organisatie vangt het. Dat is een nieuwe categorie operationeel risico dat de meeste organisaties nog niet volledig hebben geprijsd.

Agenten behandelen ambiguïteit niet zoals mensen dat doen. Dit is ook de reden waarom het succes van een agentic-oplossing minder te maken heeft met de intelligentie van de modellen en meer met de kwaliteit van de railing die op zijn plaats wordt gesteld.

U heeft betoogd dat er “geen AI is zonder procesintelligentie.” Waarom denkt u dat procesherontwerp vaak belangrijker is dan het AI-model zelf wanneer organisaties proberen complexe bedrijfsoperaties te automatiseren?

Omdat het model zo goed presteert als het proces waarin het is ingebed, niet beter. Organisaties zijn geobsedeerd door modelselectie omdat dat de zichtbare innovatie is, maar het proces is waar de waarde wordt gecreëerd of verloren.

Als een workflow redundantie goedkeuringen, dubbele werk of onduidelijke eigendom heeft, lost AI die dingen niet op. Het versnelt ze. U krijgt een kapot resultaat sneller en op een grotere schaal. Mensen denken vaak dat een grondige procesherontwerp ze vertraagt, maar de realiteit is precies het tegenovergestelde. U bespaart de achttien maanden die u zou hebben besteed aan het ontwarren van een slechte implementatie. Denk eraan als een voertuig: u kunt de beste motor ooit gebouwd in een auto met misgealignde wielen plaatsen, en het zal nog steeds naar links trekken.

Veel organisaties experimenteren met AI-agenten, maar relatief weinig hebben ze met succes geïmplementeerd in de kernfuncties van het bedrijf. Wat onderscheidt ondernemingen die verder gaan dan pilots van die welke vastzitten in proof-of-concept-modus?

Pilots zijn ontworpen om te slagen. U kiest het beste proces, de schoonste data en het meest gemotiveerde team. Schalen betekent het echte milieu raken waar geen van deze voorwaarden van toepassing is.

De organisaties die schalen, stoppen met het creëren van kunstmatige omstandigheden vanaf het begin. Ze kiezen een echt operationeel probleem, wijzen een eigenaar aan die verantwoordelijk is voor het bedrijfsresultaat, niet de technologie, en bakken governance in het ontwerp vanaf dag één. We hebben klanten die agenten in productie draaien in accounts payable en transactiebewaking. De productiviteitscijfers zijn er, maar de echte verandering is structureel. De eindtoestand is een fundamenteel ander workflow waarin mensen worden vrijgemaakt om het strategische werk te doen dat ze nooit de tijd hadden om te doen. Het schalen van agenten is een leiderschapsuitdaging, geen software-uitdaging.

Het rapport benadrukt dat slechts 6% van de ondernemingen hun belangrijkste schuldenproblemen hebben opgelost. Wat doen deze organisaties anders, en welke veelvoorkomende fouten ziet u bij bedrijven die moeite hebben om significante vooruitgang te boeken?

Ze behandelen het als een bedrijfsprobleem, niet als een IT-programma. Het is gekoppeld aan het executivesponsorschap en meetbare bedrijfsprestaties. Ze begrijpen dat operationele gezondheid niet losstaat van de groeistrategie. Het is de groeistrategie.

De andere 94% jagen symptomen na. Ze implementeren een tool om een procesprobleem op te lossen of lanceren een AI-initiatief om slechte data te compenseren. Dat produceert een korte-termijnstoot, maar het onderliggende probleem blijft bestaan en de schuld blijft samengevoegd. De leiders die de cyclus doorbreken, zijn bereid om te zeggen wat de meeste executives niet zullen zeggen: dit proces is al vijftien jaar kapot, we hebben hele operationele modellen gebouwd rondom zijn falen, en we gaan het afbreken en van scratch opnieuw opbouwen. Die erkenning is ongemakkelijk. Het nodigt vragen uit over waarom het eerder niet is opgelost. Degenen die die oproep doen, zijn degenen die echte vooruitgang boeken.

U heeft gesproken over het onderscheid tussen “AI-ontwikkelaars” en “AI-praktijkmensen.” Hoe ziet u de evolutie van de ondernemingswerkkracht over de komende vijf jaar, en welke vaardigheden zullen het meest waardevol worden als mensen steeds meer samenwerken met autonome agenten?

De meest waardevolle vaardigheid zal zijn om een probleem te kunnen formuleren. Terwijl AI meer uitvoering afhandelt, hangt de kwaliteit van het resultaat af van de kwaliteit van de vraag en de oordeelsvorming die op de uitvoer wordt toegepast. U moet in staat zijn om te herkennen wanneer iets er goed uitziet maar structureel verkeerd is.

Verder zou ik drie specifieke dingen benadrukken. Ten eerste is dat domeindiepte. Algemene AI-mogelijkheden worden snel geïndiceerd, dus generalisten verliezen hun greep. De premie gaat naar diepe domeinexperts die echte functionele expertise combineren met de mogelijkheid om AI toe te passen binnen die context. Ten tweede is dat uitzonderingsbehandeling. U hebt mensen nodig die weten wat ze moeten doen wanneer de agent tegen een muur botst of de financiële inzet te hoog is om te automatiseren, wat institutionele wijsheid vereist in plaats van trainingsdata. Ten derde is dat workflowontwerp, wat betekent dat u in staat bent om werk te structureren zodat mensen en intelligente systemen elk doen wat ze het beste geschikt voor zijn, en om te herkennen wanneer die verdeling moet verschuiven. Het is geen term die de industrie heeft vastgesteld, maar de vaardigheid is echt en momenteel onderschat.

Er is een voortdurende discussie over of AI banen zal elimineren of transformeren. U heeft betoogd dat veel van de zorg voortkomt uit een misverstand over wat AI eigenlijk goed doet. Hoe ziet u de relatie tussen menselijke expertise en AI-agenten zich ontwikkelen als de adoptie versnelt?

AI is spectaculair in taken die duidelijk gedefinieerd, hoogvolume en patroonafhankelijk zijn, zoals het verwerken van facturen, het bewaken van handelsovereenkomsten en het opstellen van routinecommunicaties. Het doet die dingen sneller en op een schaal die geen enkel menselijk team kan evenaren. Echter, AI kan geen verantwoordelijkheid dragen voor echte wereldresultaten, noch kan het omgaan met dingen zoals nieuwheid, ambiguïteit en rommelige menselijke relaties, waardoor menselijke expertise essentieel blijft.

De meeste banen zijn een verzameling van taken, niet één activiteit, en AI zal de uitvoeringslaag in de loop van de tijd absorberen. Dat betekent niet dat de behoefte aan mensen wordt geëlimineerd, het verandert alleen waar ze waarde creëren. Terwijl routineuze werk wordt geautomatiseerd, verschuift expertise naar het oplossen van uitzonderingen, het herontwerpen van processen en het helpen van organisaties bij het aanpassen aan veranderingen in technologie en bedrijfsbehoeften. Sommige rollen zullen aanzienlijk veranderen, en leiders hebben de verantwoordelijkheid om te bepalen of het nieuwe werk dat wordt gecreëerd toegankelijk is voor de mensen wiens oude werk verdwijnt. Het antwoord hangt bijna volledig af van de keuzes die organisaties maken over training en overgang. Dat is een leiderschapsbeslissing, geen technologie-uitkomst. De bedrijven die ik het meest respecteer, zijn eerlijk tegenover hun teams over welke rollen veranderen, over welke tijdschaal, waar menselijke expertise nog steeds uiterst waardevol is en wat realistische paden naar de toekomst eruit zien. De meeste hebben dat gesprek nog niet gevoerd.

Kijkend naar de toekomst, wat ziet een echt agentic bedrijf er in de praktijk uit? Als we dit gesprek over vijf jaar opnieuw voeren, welke veranderingen in bedrijfsoperaties, organisatorisch ontwerp en AI-implementatie verwacht u dat standaard zullen zijn geworden bij toonaangevende ondernemingen?

We zullen ophouden met praten over AI als een afzonderlijk initiatief, net zoals we zijn opgehouden met praten over digitalisering. Het zal gewoon de manier zijn waarop werk wordt gedaan.

De structurele verandering is wat me het meest interesseert. Een groot deel van onze huidige hiërarchie bestaat omdat informatie moeilijk te verplaatsen was. We hebben goedkeuringsketens en coördinatierollen omdat informatie van waar het werd gecreëerd naar waar beslissingen werden genomen moest reizen. Agenten laten die afstand krimpen. Wanneer ze dat doen, wordt een aanzienlijk deel van de coördinatie-infrastructuur overbodig. Organisaties die dit vroeg erkennen en opnieuw ontwerpen, zullen een snelheidsvoordeel hebben dat samengevoegd wordt.

We zullen ook een verschuiving zien in hoe AI wordt gekocht en geleverd. Softwarebedrijven bouwen producten, maar nemen geen verantwoordelijkheid voor resultaten. Dienstverleners nemen verantwoordelijkheid, maar worstelen met het bouwen van schaalbare producten. Beide modellen zijn onvoldoende. Wat we bij Genpact bouwen, is geïndiceerde AI in specifieke domeinen, geleverd als een resultaat. U koopt het resultaat en wij zijn verantwoordelijk voor het resultaat. Ik denk dat dit de standaard wordt omdat het stimulansen correct uitlijnt. De leverancier die alleen capaciteit verkoopt, heeft geen belang bij of het werkt in uw omgeving. Degenen die verantwoordelijk zijn voor het resultaat, hebben elk belang. De winnaars van deze tijdperk zullen niet worden gedefinieerd door de meest geavanceerde AI-modellen te hebben. Ze zullen worden gedefinieerd door het meesterschap van de structurele herontwerp tussen mensen, processen en intelligente systemen. We zijn nog maar aan dag één van die verschuiving.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Genpact bezoeken.