Ankur Dhingra, administrerende direktør i ProHance – Intervjuserie

Ankur Dhingra, administrerende direktør i ProHance, er en erfaren leder innen teknologi og drift med mer enn to tiår med ledelse innen bedriftsproduktivitet, finansielle tjenester og globale forretningsoperasjoner. Han har ledet ProHance siden 2020, med fokus på å bygge en samlet plattform for å observere, styre og forbedre produktiviteten blant menneskelige arbeidere, leverandører og AI‑systemer. Før han ble administrerende direktør, var Dhingra partner i FutureIP, hvor ProHance ble utviklet som en plattform for operasjonsstyring og analyse. Tidligere tilbrakte han over åtte år i American Express, hvor han var visepresident og general manager for globale back‑office‑operasjoner, og tidligere ledet han kundeserviceoperasjoner som omfattet storskala telefon, chat, regulatorisk og forretningssikring. Karrieren hans inkluderer også seniorlederroller i Genpact, hvor han hadde ansvar for en bankpraksis med 1 100 ansatte og et resultat på 35 millioner dollar, samt i GE Capital, hvor han ledet finansielle tjenesteoperasjoner i India.

ProHance er et selskap innen bedriftsarbeidsintelligens og produktivitetsanalyse som gir organisasjoner sanntidsinnsyn i hvordan arbeid utføres av ansatte, eksterne leverandører, AI‑copiloter og autonome agenter. Plattformen, som er posisjonert som et «Produktivitetskontrollrom», kombinerer arbeidsstyrkeanalyse, kapasitetsplanlegging, intelligent arbeidsfordeling, produktivitetsmåling og styringsverktøy for å hjelpe bedrifter med å identifisere operasjonelle flaskehalser, optimalisere ressursutnyttelse og forstå AI‑påvirkningen på organisasjonens ytelse. ProHance oppgir at teknologien brukes av mer enn 450 000 brukere i 220 virksomheter i 55 land, med anvendelser innen bank og finansielle tjenester, forretningsprosess‑outsourcing, globale kapasitets‑sentre, helsevesen og informasjonsteknologi.

Du tilbrakte mer enn to tiår med å lede storskala operasjoner i GE Capital, Genpact og American Express før du ble administrerende direktør i ProHance. Hva lærte du av disse erfaringene om begrensningene ved tradisjonell arbeidsstyrke‑ og produktivitetsstyring, og hvordan har disse lærdommene påvirket måten du bygger ProHance for en AI‑første virksomhet på?

Min erfaring fra GE Capital, Genpact og American Express lærte meg at ett av de største hullene i tradisjonell arbeidsstyrkestyring ikke nødvendigvis lå i front‑office, men i back‑office.

Hos American Express hadde jeg tidligere jobbet på kundeservicensiden, hvor kontaktsenteret hadde tilgang til ganske avansert teknologi for å måle produktivitet – hvor folk brukte tiden sin, utnyttelse, interaksjonsvolumer, og hvordan prosesser kunne optimaliseres. Men da jeg gikk over til å lede back‑office‑operasjoner, så jeg en helt annen virkelighet.

En enorm mengde arbeid i store foretak skjer bak kulissene – transaksjonsbehandling, saksbehandling, datainnsamling og andre prosess‑drevne aktiviteter – men det var svært lite meningsfull måling av hvordan dette arbeidet faktisk ble utført. Teknologien og innsikten som fantes for front‑office hadde rett og slett ikke blitt overført til back‑office.

Jeg ble nesten irrasjonelt besatt av problemet. Jeg begynte å se på tilgjengelige teknologier og snakke med etablerte leverandører, men det jeg fant var enten for klønete, for dyrt, eller rett og slett ikke designet for realitetene i back‑office‑operasjoner. Jeg tenkte stadig: dette er en bransje på over 150 milliarder dollar, og dette er et problem som har eksistert i årevis. Noen må vel ha løst det bedre.

Den søken førte meg til slutt til ProHance, hvor Rajesh Sharma og Kishore Reddy (medgründerne av ProHance) allerede hadde bygget teknologi som taklet mange av utfordringene jeg hadde identifisert som avansert bruker av slike systemer. Jeg visste nøyaktig hva teknologien måtte kunne – fange aktivitet automatisk, fungere på ulike operativsystemer, måle tid både på og utenfor systemet, og gi en pålitelig oversikt over hvordan arbeidet faktisk foregikk.

Den erfaringen har formet hvordan jeg tenker på ProHance i dag. Lærepengen er at du ikke kan bygge en AI‑første virksomhet ved bare å legge til AI i eksisterende arbeidsstyrkestyringsverktøy. Du må først ha en pålitelig, granular forståelse av selve arbeidet. AI kan så transformere hvordan dette arbeidet analyseres, optimaliseres og til slutt redesignes.

For meg handler ProHance om å bringe den samme graden av innsikt og intelligens som bedrifter historisk har hatt i front‑office, over på hele organisasjonen – og bruke AI til å få en bedre måling av produktivitet, noe som fundamentalt vil forbedre hvordan arbeidet blir gjort.

Etter hvert som generativ AI og AI‑agenter tar over en økende andel av kunnskapsarbeidet, kan tradisjonelle produktivitetsindikatorer som arbeidstimer eller programvarebruk bli mindre meningsfulle. Hvordan bør bedrifter redefinere produktivitet når et menneske kan oppnå på 30 minutter det som tidligere tok flere timer?

Produktivitet må gå fra å måle aktivitet til å måle resultater. Hvis AI gjør det mulig for noen å fullføre på 30 minutter det som tidligere tok tre timer, er tre‑timer‑referansen ikke lenger relevant. Fokus bør være på hva som ble oppnådd, kvaliteten på resultatet og hvor effektivt tid og ferdigheter ble brukt.

Dette betyr også at bedrifter må forstå hvor AI virkelig fjerner repeterende arbeid, og hvor menneskelig dømmekraft fortsatt er kritisk. Produktivitet bør i økende grad reflektere resultater, kapasitet, kvalitet og forretningspåvirkning, snarere enn timer tilbrakt ved skrivebordet eller programvarebruk.

Du har beskrevet arbeidsstyrke‑intelligens som stadig viktigere i en AI‑første virksomhet. Hva betyr «arbeidsstyrke‑intelligens» i praksis, og hvordan skiller det seg fra de medarbeider‑overvåknings‑ og arbeidsstyrke‑analyseverktøyene selskapene har brukt historisk?

Arbeidsstyrke‑intelligens handler i hovedsak om å gi en organisasjon en klarere forståelse av hvordan arbeidet faktisk foregår. Den samler signaler om arbeidsbelastning, kapasitet, utnyttelse, prosesser og resultater for å hjelpe ledere med å identifisere hvor team er overbelastet, hvor kapasitet finnes og hvor arbeidet stopper opp.

Det er forskjellig fra tradisjonell medarbeider‑overvåking, som ofte fokuserte på individuell aktivitet. Arbeidsstyrke‑intelligens bør operere på et mye bredere nivå. Målet er ikke å spørre: «Hva gjør denne medarbeideren hvert minutt?», men snarere: «Hvordan flyter arbeidet gjennom organisasjonen, og hva kan vi gjøre for å forbedre det?»

ProHance kombinerer i økende grad deterministiske arbeidsstyrkedata med maskinlæring for å generere prediktive innsikter, inkludert å identifisere potensiell frakobling og risiko for turnover. Hvordan sikrer du at disse AI‑modellene skiller meningsfulle mønstre fra normale variasjoner i ansattes atferd, og hvor viktig er forklarbarhet når ledere tar beslutninger om mennesker?

Hos ProHance mener vi at kvaliteten og konteksten til de underliggende dataene er avgjørende. Ansattes atferd varierer naturlig avhengig av prosjekter, arbeidsbelastning, team, sesonger og forretningssykluser. En endring i aktivitet i seg selv indikerer ikke nødvendigvis frakobling eller turnover‑risiko.

Tilnærmingen er å se etter mønstre på tvers av flere signaler og over tid, i stedet for å trekke konklusjoner fra én enkelt atferd. AI kan hjelpe med å identifisere mønstre som kan kreve oppmerksomhet, men den bør ikke betraktes som den endelige beslutningstakeren.

Forklarbarhet er like viktig. Hvis et system flagger en potensiell risiko, bør ledere kunne forstå faktorene bak signalet og bruke egen dømmekraft. Når teknologi brukes til å informere beslutninger om mennesker, er åpenhet og menneskelig tilsyn essensielt.

Det er forståelig at ansatte kan bli bekymret når organisasjoner introduserer teknologi som kan analysere arbeidsmønstre, programvarebruk, inaktivitet eller ytelse. Hvor bør bedrifter trekke grensen mellom å få nyttig operasjonell innsikt og å skape en overvåkningskultur?

Grensen bestemmes i stor grad av intensjon, åpenhet og hvordan dataene brukes. Ansatte blir naturlig urolige når teknologi innføres uten klarhet om hva som måles og hvorfor.

Målet bør være å forstå arbeidet på et organisatorisk og operasjonelt nivå, snarere enn å konstant overvåke enkeltpersoner. Hvis arbeidsstyrkedata hjelper med å identifisere overdreven arbeidsbelastning, flaskehalser eller ineffektive prosesser, kan det faktisk forbedre ansattes opplevelse.

Bedrifter bør også være tydelige på hva de ikke prøver å gjøre. Teknologi skal hjelpe ledere med å ha bedre samtaler med sine team, ikke erstatte disse samtalene eller skape et system med konstant observasjon.

AI‑copiloter og autonome agenter blir i økende grad en del av selve arbeidsstyrken. Tror du at plattformer for arbeidsstyrke‑intelligens til slutt må måle produktiviteten til både mennesker og AI‑agenter sammen, og hvordan kan en meningsfull menneske‑til‑AI‑produktivitet‑måling se ut?

Ja, jeg tror dette vil bli stadig viktigere. Når AI‑agenter begynner å ta over deler av arbeidsflyter, vil kun å måle menneskelig aktivitet gi bedrifter et ufullstendig bilde av hvordan arbeidet blir gjort.

Men jeg tror ikke vi vil ende opp med én enkelt «menneske versus AI»‑produktivitetsscore. En mer nyttig tilnærming vil være å forstå den samlede leveransen fra mennesker, AI‑verktøy og agenter i en arbeidsflyt.

Bedrifter kan se på hvor mye tid AI fjerner fra repeterende oppgaver, hvor raskt prosesser beveger seg, kvaliteten på resultatene og hvor menneskelig inngripen fortsatt er nødvendig. Det egentlige spørsmålet blir: hvor effektivt samarbeider mennesker og AI?

ProHance snakker om å gå fra rå produktivitetsmåling til operasjonell intelligens, inkludert arbeidsbelastningsanalyse, prognoser, prosessoptimalisering og ressursallokering. Hvor mye av fremtiden for denne kategorien vil handle om at AI proaktivt anbefaler hva ledere bør endre i stedet for bare å presentere dashbord?

Jeg tror dette er retningen ProHance ser for seg i kategorien. Dashbord er nyttige, men de overlater fortsatt ansvaret til ledere om å tolke informasjonen og bestemme neste steg.

Det neste steget er at plattformer identifiserer et mønster og hjelper med å svare på «Hva bør vi gjøre med dette?». Det kan bety å fremheve et overbelastet team, identifisere en underutnyttet kompetanse, forutsi et kapasitetsgap eller foreslå hvor en prosess kan forbedres.

For ProHance vil verdien i økende grad komme fra å gå fra innsikt til handling. AI bør hjelpe ledere med å ta bedre beslutninger, samtidig som selve beslutningen forblir hos den personen som forstår virksomheten og konteksten.

Du har sammenlignet produktivitetsintelligens med en årlig helserapport for en organisasjon. Hvilke signaler bør ledere prioritere for å avgjøre om deres arbeidsstyrke er virkelig sunn, produktiv og tilpasser seg AI på en vellykket måte?

Jeg vil se på en kombinasjon av signaler i stedet for ett enkelt produktivitetstall. Kapasitet og arbeidsbelastning er åpenbare startpunkter, men ledere bør også forstå om arbeidet er fordelt effektivt, hvor flaskehalser oppstår, hvordan team tilpasser seg AI, og om folk bruker for mye tid på lavverdi‑oppgaver.

Et annet viktig signal er bærekraft. Et team som leverer eksepsjonell output fordi folk konsekvent jobber utover rimelig kapasitet, er ikke nødvendigvis sunt eller produktivt på lang sikt.

En sunn arbeidsstyrke er en der kapasitet, arbeidsbelastning og resultater er rimelig balansert, folk har rom til å fokusere på høyere verdi‑arbeid, og organisasjonen kan tilpasse seg når arbeidsformen endres.

«Produktivitet» har fått negative konnotasjoner for mange ansatte fordi det kan innebære å gjøre mer arbeid med færre folk. Hvordan kan organisasjoner ta tilbake begrepet og bruke AI‑drevet produktivitetsintelligens til å forbedre ansattes opplevelse, redusere utbrenthet og fjerne lavverdi‑arbeid i stedet for bare å øke output?

Organisasjoner må gå bort fra å definere produktivitet kun som «mer output fra færre mennesker». Denne definisjonen er for snever, spesielt i en AI‑drevet arbeidsplass.

AI bør ideelt sett gi folk tilbake tid som i dag brukes på repeterende administrasjon, manuelle prosesser og lavverdi‑oppgaver. Muligheten er å bruke den tiden til problemløsning, kundekontakt, innovasjon og arbeid som krever menneskelig dømmekraft.

Hvis produktivitetsintelligens brukes til å identifisere hvor folk er overbelastet eller bruker tid ineffektivt, kan den faktisk bli et verktøy for ansattes opplevelse. Målet bør være å gjøre arbeidet bedre, ikke bare få folk til å jobbe raskere.

Ser vi fremover, når AI blir integrert i nesten alle virksomhetsprosesser, hva tror du vil skille organisasjoner som lykkes med å forsterke arbeidsstyrken med AI fra de som implementerer teknologien uten å oppnå reelle produktivitetsgevinster?

De organisasjonene som får mest nytte av AI vil være de som ser utover selve teknologiintegrasjonen. Å ha tilgang til et AI‑verktøy skaper ikke automatisk produktivitetsgevinster.

Ledere vil forstå hvor AI endrer arbeidsflyter, hvordan roller utvikler seg, og om organisasjonen faktisk får bedre resultater fra teknologien. De vil også kontinuerlig måle hva som fungerer og justere deretter.

Til syvende og sist vil suksessrike organisasjoner behandle AI‑adopsjon som en endring i hvordan arbeidet blir gjort, snarere enn bare en ny teknologisk implementering. De vil kombinere AI med riktige prosesser, ferdigheter, innsikt i arbeidsstyrken og ledelsespraksis. Det er dette som vil avgjøre om AI blir en reell produktivitetsfordel eller bare et ekstra lag med teknologi.

Thank you for the great interview. Readers who wish to learn more should visit ProHance.