Gautam Singh, Global Business Unit Head of Analytics, Data and AI, WNS Analytics – Intervju-serie

Gautam Singh er sjef for WNS Analytics og medgrunnlegger og CEO av The Smart Cube, et WNS-selskap. Han tilbrakte 20 år med å etablere og vokse The Smart Cube (en leder innen forskning og analyse) før det ble kjøpt av WNS. Før dette arbeidet han i 10 år med management consulting og venture capital i Europa og USA. Gautam har hatt forskjellige roller, inkludert stillinger i Coven Partners (London), A.T. Kearney (London), Mitsubishi Motors (India) og Cummins Engines (USA). Han har en MBA fra University of Michigan, Ann Arbor, USA og en bachelorgrad i maskinteknikk fra IIT Bombay, India.

WNS Analytics hjelper bedrifter med å omdanne data til strategisk verdi gjennom «beslutningsintelligens» – en kombinasjon av robust data-infrastruktur, AI/GenAI/agentic-AI-teknologier og bransjespesifikk ekspertise. De tilbyr tjenester over flere bransjer, inkludert forsikring, bank og finansielle tjenester, detaljhandel, CPG, produksjon, helse, energi og logistikk. Deres ferdigheter omfatter dataingeniørarbeid og styring, deskriptiv og prediktiv analyse, AI/ML-verktøy og visualisering – alt designet for å muliggjøre raskere, mer sikre beslutninger og kontinuerlig innovasjon.

Du startet din karriere i topp-konsulenttjenester, deretter grunnla du The Smart Cube og ledet det i over to tiår før det ble kjøpt av WNS. Hva motiverte overgangen din fra konsulenttjenester til entreprenørskap, og senere til å lede et globalt data-analyse- og AI-selskap?

Jeg tilbrakte ti år i konsulenttjenester og så et tydelig markedsgap: bedrifter satt på fjell av data, men klarte ikke å trekke ut verdien av dem. Tilbake i 2003 var analysebasert arbeid fortsatt ganske enkelt – vi arbeidet med Excel-ark.

Beslutningen om å forlate det korporative livet kom ned til selvtillit. Jeg så en mulighet til å hjelpe organisasjoner med å virkelig utnytte dataene sine, så jeg grunnla The Smart Cube med den visjonen.

Etter 20 år med å bygge The Smart Cube, var det ikke et utgangspunkt å bli en del av WNS, men en evolusjon. Jeg har videreført det entreprenørielle tankesettet, men nå med langt større ressurser og rekkevidde. Dette gjør det mulig for oss å løse problemer på en skala jeg aldri kunne ha levert i et mindre selskap. Det viktigste er at jeg erkjente kraften i å integrere data og analyse i kjerneprosesser i stedet for å behandle dem som separate inngrep. Den sømløse integreringen av bransjeekspertise og prosesstransformasjon er sentral i WNS’ DNA – og det er hva som motiverte meg til å bli en del av dette selskapet.

I dine 20+ år med å arbeide med analyse, hvordan har du sett rollen til data og AI i finansielle tjenester utvikle seg – fra tidlig innføring til i dagens store, bedriftsorienterte integrasjon?

I slutten av 90-årene betydde analyse å se på historiske data og lage statistiske prognoser. Forvandlingen har vært bemerkelsesverdig.

Tidlig på 2000-tallet innførte digitaliseringen mer avanserte prediktive modeller. Rundt 2010 ble sanntids-handelsanalyse standard. For noen år siden begynte maskinlæring å drive en reel endring, og mer nylig har Generative AI (Gen AI) tatt over.

I dag behandler finansielle institusjoner data som en strategisk ressurs. Spørsmålet har gått fra «kan vi bruke AI?» til «hvordan kan vi integrere AI i hver beslutning?»

Virkningsgraden er merkbar: kundeinnskudd som tidligere tok dager å fullføre, kan nå fullføres på timer med AI-basert verifisering. Kredittvurderinger som tidligere bare tok hensyn til tradisjonelle poeng, tar nå hensyn til hundrevis av sanntidsdata. Risikoberegninger som tidligere tok hele natta, kan nå gjøres på sanntid. Og bedrageribekjempelse reagerer ikke lenger etter at det har skjedd – den blokkerer mistenkelig aktivitet i sanntid.

Hvordan bruker fremoverløpende bedrifter AI-drevne data-innsjøer og styringsrammer for å forbedre sanntids-beslutninger, regulatorisk overholdelse og gjennomsiktighet i finansielle operasjoner?

Å bygge monolittiske data-lagre og håpe på innsikt fungerer ikke lenger. Institusjoner må designe intelligente data-økosystemer.

Finansielle tjenester står overfor en unik utfordring: de er kundeorientert, håndterer svært følsomme data og må likevel levere personliggjort og sanntidsrespons. Dette krever modulære data-innsjøer bygget på fleksible rammer.

Innenfor denne arkitekturen oppretter organisasjonene spesialiserte data-innsjøer for pris-analyse, risikovurdering og regulatorisk rapportering. Hver innsjø opererer uavhengig mens den gir verdi til det større økosystemet, og leverer umiddelbar verdi samtidig som den opprettholder sikkerhetsgrenser.

Trenden med Zero ETL er spesielt relevant her, da den eliminerer komplekse Extract-Transform-Load-prosesser ved å muliggjøre direkte spørring over systemer. Dette gjør det mulig for AI å få tilgang til og analysere data i sanntid uten å flytte det, og reduserer latency og opprettholder styring.

AI-agenter utvikler seg også utover anomali-detteksjon. De flagger ikke bare mistenkelige transaksjoner, men anbefaler også handlinger og utfører svar innenfor styringsparametere. I overholdelse kontinuerlig overvåker AI-transaksjoner, genererer rapporter og identifiserer problemer før regulatorer gjør det.

Syntetisk data blir ofte fremhevet som en sikker måte å trene AI-modeller uten å eksponere følsomme opplysninger. Kan du dele eksempler på hvordan syntetisk data brukes effektivt i bedrageribekjempelse, risiko-analyse og modell-validering?

Hos WNS Analytics bruker vi avansert syntetisk data-generering for å opprette høytroppige, personvern-vennlige datasett som akselerer AI-modell-trening, spesielt i data-svake domener. Våre syntetiske datasett etterligner sanntids-scenarier mens de reflekterer de samme statistiske mønsterne, atferdene og korrelasjonene som faktiske finansielle data – transaksjonsstrømmer, bedrageri-trender, kunde-atferd – uten å eksponere noen følsomme personlige opplysninger eller kunde-data.

Dette muliggjør en transformasjon av finansielle tjenester over flere områder, som risiko-analyse, bedrageri-detteksjon, kreditt-vurdering, stresstesting og overholdelses-modellering. Disse syntetiske datasettene gjør det mulig for organisasjoner å raskt starte AI-løsning-utvikling samtidig som de sikrer både data-privatitet og regulatorisk tillit.

En spesielt innovativ anvendelse involverer å bruke PII-maskert data for å opprette lookalike-modeller. Dette gjør det mulig for selskaper å presentere målrettede tilbud til forbrukere, samtidig som de opprettholder fullstendig privatliv.

Intelligent automatisering og AI-agenter blir stadig mer integrert i forretningsprosesser. Hva er de mest transformative bruksområdene du har sett i finansielle tjenester, og hvordan forbedrer de operasjonell motstandskraft og ytelse?

Intelligent automatisering som utnytter AI-agenter akselerer bedriftsprosesser, og gjør det mulig for organisasjoner å strømlinjeforme operasjoner og ta raskere, mer informerte beslutninger. Disse agentene kombinerer automatisering med avansert resonnering for å levere motstandskraft, skalerbarhet og ytelsesforbedring.

Hos WNS Analytics anvender vi GAIN-rammen (vår egen ramme for Agentic AI-implementering) for å vurdere riktige nivåer av autonomi for agentic AI. Vi tilbyr også gjenbrukbare, mikrotjeneste-baserte komponenter for hyperspesialiserte agenter gjennom vår prisvinnende AI-Utilities-Hub.

I forsikring har vi transformert flere prosesser gjennom agentic AI. I motor-krav-subrogasjon har vår Gen AI-drevne tredjeparts-gjenoppretting-detteksjon løsning, drevet av autonome agenter, oppnådd 85% nøyaktighet, doblet gjenopprettingsvolum og forbedret årlige gjenoppretninger med omtrent 49% – åpnet millioner av muligheter som tidligere var oversett.

I underwriting, vår agentic AI-drevne forsknings-assistent anvender flere spesialiserte agenter for å bryte ned komplekse spørsmål, trekke ut data fra flere kilder og generere innsikt med 99% nøyaktighet samtidig som den reduserer omgangstid med 85%.

For en ledende bank, vår Gen AI-løsning kutte adverse media-screening-tid med 60% og reduserte feil-positiver med 12-15%.

Vi har også en Gen AI-drevet kunnskapsforvaltningsløsning – designet som en horisontal plattform – for å omdefinere hvordan bedrifter henter, gransker og kontekstualiserer store ustrukturerte data. Ved å levere presise, overholdelige og konsistente innsikt i sanntid, forbedrer den beslutningstaking, øker effisiens og styrker operasjonell motstandskraft over flere bransjer.

Disse løsningene supplerer menneskelig dømmekraft, og skaper raskere, mer nøyaktige systemer.

For bedrifter som ønsker å skalerer AI-initiativer, hva er de største hindringene – tekniske, kulturelle eller strategiske – og hvordan kan ledere overvinne dem?

Den største hindringen for å skalerer AI-initiativer er ikke teknologi – det er organisatorisk beredskap.

Først og fremst er det data-siloer over legacy-systemer. Fullstendig erstattelse er ikke alltid praktisk; i stedet bør fokuset ligge på å bygge intelligente broer. Hos WNS har vi opprettet «bro-teams» som parer legacy-administratoren med skyingeniører, akselerer implementering samtidig som de opprettholder kritiske forretningsregler.

For det andre er det ferdighetsgapet. Bedrifter trenger riktige kombinasjoner av bransje-ekspertise, data-ingeniører, data-vitenskapsmenn og oversettere som kan koble tekniske innsikt til forretningsverdi.

For det tredje er det tempoet i teknologisk endring. Vår WNS AI-Lab gjør det mulig for organisasjoner å eksperimentere med nye teknologier og bygge proof-of-concepts før de går over til fullskala-utplassering.

På den kulturelle front avhenger suksess av effektiv endringsledelse. Vi designer rammer som hjelper ansatte med å se på AI som en tillegg – ikke en erstatter. Å etablere en AI-råd er også en god idé, og gir styring, tverrfunksjonell harmoni og en strukturert vei for å gå fra piloter til bedrifts-omfattende skala.

Med økende fokus på AI-etikk, bias og gjennomsiktighet, hvordan kan finansielle institusjoner finne riktig balanse mellom innovasjon og ansvarlig AI-styring?

Innovasjon og ansvar er ikke motstridende valg – ansvar må være bygget inn i innovasjon fra starten.

Finansielle institusjoner trenger robuste AI-styringsrammer. Hos WNS implementerer vi rammer som sikrer at AI utvikles på en ansvarlig, etisk og sikker måte. Vår tilnærming innebygger sjekker for bias, rettferdighet, tilpassede KPI-er og overvåking av modell-drift. Dette bygger tillit, ikke bare regulatorisk overholdelse.

Gjennomsiktighet er spesielt kritisk i finansielle tjenester. Hvis AI avviser et lån, fortjener søkerne klare og forståelige forklaringer.

Til slutt er ansvarlig AI en konkurransefordel. Banker som demonstrerer rettferdighet, gjennomsiktighet og sikkerhet i sine AI-systemer tjener kunde-tillit. De som behandler styring som en ettertanke risikerer regulatoriske straffer og ødeleggende skader som er langt vanskeligere å reparere.

I de neste 3-5 årene, hvilke nye AI-egenskaper eller data-strategier tror du vil ha størst innvirkning på hvordan finansielle organisasjoner opererer?

Tre utviklinger vil forme finansielle tjenester over de neste tre til fem årene.

Først vil agentic AI gå fra eksperimentell til essensiell. Autonome AI-agenter vil utføre komplekse prosesser og dirigere hele avdelinger sammen med menneskelige team.

For det andre vil kontinuerlige læringsystemer bli standard. AI vil tilpasse seg fra hver interaksjon, og muliggjøre sanntid-finansielle tjenester som utvikler seg med hver kundes skiftende behov.

For det tredje vil vi se kraftig teknologisk konvergens: kvantecomputering for avanserte risikoberegninger, blockchain for gjennomsiktige AI-beslutningslogger og edge-computing for øyeblikkelige lokale beslutninger. Disse teknologiene vil sammen låse opp helt nye former for finansielle tjenester som vi bare nå begynner å forestille oss.

Etter å ha navigert entreprenørskap, oppkjøp og nå en global lederrolle, hva er de ledende prinsippene som har hjulpet deg med å ta beslutninger og lede team gjennom endring?

Tre prinsipper leder meg.

Først og fremst, utholdenhet over perfeksjon. Da vi startet The Smart Cube, hadde vi ikke alle svarene. Vi gjorde feil, tilpasset oss og holdt framover. Utholdenhet med tilpasning har vært essensiell.

For det andre, bygge varig verdi, ikke rask exit. En professor fra handelshøyskolen sa en gang til meg – år etter at jeg hadde grunnlagt The Smart Cube – «Ikke fokus på exit. Fokus på å bygge et vellykket selskap som vil vare.» Den langsiktige tankesettet har formet hver enkelt beslutning jeg har tatt.

For det tredje, nyte det du gjør. Jeg har alltid trodd at hvis jeg ikke har det gøy, vil jeg gå over til noe annet. Etter 30 år våkner jeg fortsatt opp med entusiasme, og den entusiasmen inspirerer teamene mine gjennom endring.

Å lede gjennom oppkjøp bekreftet en annen sannhet: endring lykkes når du tar folk med deg. Teknisk integrasjon er enkel; kulturell integrasjon – å bygge en felles visjon – er der virkelig ledelse teller.

For fagfolk som ønsker å forme fremtiden for AI i finansielle tjenester, hva er de ferdighetene, holdningene eller erfaringene du mener vil være mest verdifulle?

Fremtiden tilhører de som kan kombinere verdener. Ren teknisk ferdighet eller bransje-ekspertise alene vil ikke være nok.

Først og fremst, utvikle systemtenkning. Start med markedets behov – et klart brukstilfelle – og arbeid bakover. AI i finansielle tjenester krever å se hvordan alt henger sammen: hvordan en endring i risikomodeller påvirker kundeopplevelse eller hvordan automatisering åpner opp nye muligheter.

For det andre, kultiver disiplinert praktisisme over idealisme. Vær begeistret for nye teknologier, men streng i evalueringen av dem. Ikke alle problemer trenger AI – noen ganger kan enkle analyser eller til og med regneark gjøre jobben.

For det tredje, bygge oversettelsesferdigheter. Dette er avgjørende. Være i stand til å forklare komplekse AI-konsepter til styreledere og oversette forretningskrav til data-vitenskapsmenn er uvurderlig. De sterkeste AI-lederne kobler teknologi til forretningsstrategi.

Til slutt, omfavne kontinuerlig læringsferdighet. Verktøy som var på topp fem år siden er allerede foreldet. Å forbli nysgjerrige, ydmyke og dedikerte til å lære vil åpne dører til muligheter vi ennå ikke kan forestille oss på krysningspunktet mellom AI og finansielle tjenester.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke WNS Analytics.