Vijay Vijayasankar, Global Agentic AI Officer i Genpact – Intervju-serie

Vijay Vijayasankar, Global Agentic AI Officer i Genpact, leder selskapets globale produktisering av Agentic AI-løsninger, med fokus på å flytte verdiskaping i bedrifter fra tradisjonelle, menneskebaserte modeller til mer marginale, resultatbaserte rammer. I sin rolle hjelper han med å forme Genpacts tilnærming til å skalerer AI på tvers av bedriftene ved å bygge organisatoriske modeller rundt både AI-utviklere, som designer avanserte orkestreringslag, og AI-praktikere, som bringer domeneekspertise inn i arbeidsflyter drevet av autonome agenter. Før han kom til Genpact, hadde Vijayasankar ledende roller i IBM, inkludert Managing Partner for Financial Services, CTO of IBM Services North America, og General Manager for Cognitive, IoT, Analytics, and Watson Health i GBS North America, samt tidligere ledende roller i MongoDB (MDB ) og SAP.

Genpact er et agentic og avansert teknologiselskap som hjelper store bedrifter med å modernisere driftene gjennom prosessintelligens, kunstig intelligens, data og digital transformasjon. Selskapet arbeider innen områder som finansiell og regnskapsføring, kundeservice, risiko og compliance, innkjøp og leverandørstyring, leverandørkjede, teknologi og tillit og sikkerhet, mens deres Data og AI-tjenester fokuserer på å hjelpe organisasjoner med å bruke avansert analyse, AI og autonome agenter til å omdanne kompleks data til målbare forretningsresultater.

Du har brukt mer enn to tiår i selskaper som IBM, MongoDB, SAP og nå Genpact, der du er Global Agentic AI Officer. Når du ser tilbake på utviklingen fra big data og analyse til dagens agentic AI-systemer, hva er de viktigste lærdommene som har formet din syn på hvordan bedrifter bør nærme seg AI-transformasjon?

Jeg har sett denne samme filmen tre ganger nå. Big data var det magiske skudd for beslutningstaking. Skyen var den øyeblikkelige omstillingen for organisatorisk smidighet. Nå er agentic AI kuriren for drift. I hver syklus var det selskapene som genererte verdi som fokuserte på deres driftsmodeller, deres prosesser og deres mennesker. De som strevet, og mange gjør det fortsatt, behandlet teknologien selv som transformasjonen.

Hva som er fundamentalt annerledes med agentic AI er dens plassering. Den sitter på eksekveringslaget, ikke innsiktslaget. Eldre verktøy genererte diagrammer og anbefalinger. Agenter tar handling. Et dårlig analyseverktøy produserer et dårlig diagram som en menneskelig analytiker fanger før det når CEOens skrivebord. Et dårlig agent eksekverer en dårlig transaksjon i stor skala før noen innser at det har skjedd. Dette endrer risikoprofilen fullstendig og tvinger en nivå av operasjonell disiplin som de fleste selskaper ikke har behov for før. Jeg har lært å være skeptisk til min egen begeistring. Agentic AI er fascinerende, men det er nettopp da du må sakke ned og granske grunnlaget.

Genpacts nye rapport med HFS Research estimerer at uløst bedriftsgjeld fanger nesten 18 billioner dollar i potensiell verdi globalt. Hva overrasket deg mest om funnene, og hvorfor tror du at så mange organisasjoner fortsatt undervurderer innvirkningen av prosess-, data-, teknologi- og talentgjeld?

Hva som var øyneåpnende var skalaen på verdien som er fanget bak ineffektive prosesser, fragmentert data, gammel teknologi og arbeidsstyrkeutfordringer, som måles i billioner dollar.

Hva som betyr mer enn det totale tallet er hvordan problemet er strukturert. De fleste ledere ser på disse problemene som separate siloer. Et dataproblem, et prosessproblem, et teknologiproblem, et kompetanseproblem, hver behandlet uavhengig. De er ikke separate. Dårlig data tvinger mennesker til å finne på manuelle løsninger. Disse løsningene skaper prosesskompleksitet. Den kompleksiteten brenner ut deres beste mennesker og gjør deres drift svak. Når et AI-initiativ ankommer, møter det alle disse samtidig. AI blir beskyldt for en feil som var innbygget i bedriftsmodellen for ti år siden. Vi snakker om bedriftsgjeld som en kostnadsbyrde, men det er mer nøyaktig en vekstbegrensning. Den distinksjonen betyr noe fordi den endrer hvem som eier problemet og hva løsningen er verdt.

Rapporten fant at 85% av lederne tror at bedriftsgjeld begrenser AI-verdirealisering. Hvorfor tror du at bedrifter fortsatt investerer tungt i AI, mens de ofte neglisjerer de grunnleggende problemene som hindrer disse investeringene fra å gi avkastning?

Fordi AI er synlig og grunnlaget er usynlig. Hvert styre ønsker å se en AI-strategi. Hvert CEO trenger en historie å fortelle. Utrolig av en ny modell er en overskrift. Omstrukturering av en kjerneprosess er en takkløs, usynlig slit jobb til den endelig fungerer.

Jeg har sett organisasjoner som bruker seks måneder på å velge en modell og seks dager på å undersøke prosessen som modellen er ment å forbedre. Den forholdet er bakvendt, og de finner ut det på den harde måten. Flaskehalsen er nesten aldri AI. Det er inkonsistente prosesser, frakoblete systemer og data som ingen har vært ansvarlig for i årevis. AI løser ikke disse tingene. Det eksponerer dem raskere. Innsentivstrukturene belønner ikke grunnlaget. Det er ingen demo for å rydde opp i datastyring. De lederne som gjør det stille, setter et veddemål om at operasjonell helse akkumulerer over tid, men de fleste styrene måler ikke det.

Data-gjeld oppstod som den største AI-blokkeren i forskningen. Hva praktiske skritt bør bedrifter ta i dag for å gå fra fragmenterte, lavkvalitets data-miljøer til data-grunnlag som kan støtte agentic AI i stor skala?

Slutt å prøve å lansere et stort, topp-ned governance-program. Det er en teknologisk løsning på et ansvarlig problem. I de fleste store organisasjoner eier ingen nøyaktigheten av informasjonen som driver bedriftene.

Den praktiske utgangspunktet er å velge en håndfull høyverdi prosesser og arbeide bakover. Hva beslutninger må tas? Hva data kreves disse beslutningene? Hvem eier den dataen? Hvor ofte er den feil? Den øvelsen avdekker ansvarliggjøringen umiddelbart. Og vi må få dette rett fordi agenter feiler stille. En menneskelig analytiker ser to systemer som ikke er enige og tar en dømmende avgjørelse. En agent avgjør mellom de stridende dataene og eksekverer med full tillit. Hvis forskjellige deler av organisasjonen definerer en kunde eller en transaksjon forskjellig, tar agenten beslutninger med full tillit fra dårlige inndata og ingenting i organisasjonen fanger det. Det er en ny kategori operasjonell risiko som de fleste organisasjoner ikke har fullt ut priset inn.

Agenter håndterer ikke usikkerhet på samme måte som mennesker gjør. Dette er også hvorfor suksessen med en agentic løsning er mindre om modellens intelligens og mer om kvaliteten på sikkerhetene som settes på plass.

Du har argumentert for at det ikke finnes “noen AI uten prosessintelligens.” Hvorfor tror du at prosess-omstrukturering ofte er viktigere enn AI-modellen selv når organisasjoner prøver å automatisere komplekse forretningsoperasjoner?

Fordi modellen fungerer like godt som prosessen den er innbygget i, ikke bedre. Organisasjoner beskjeftiger seg med modellvalg fordi det er der den synlige innovasjonen er, men prosessen er der verdien skapes eller tapes.

Hvis en arbeidsflyt har redundante godkjenninger, duplikat-arbeid eller uklar eierskap, fikser AI ikke disse tingene. Det akselererer dem. Du får et ødelagt resultat raskere og i større skala. Mennesker tror ofte at en grundig prosess-omstrukturering sakker ned, men virkeligheten er eksakt motsatt. Du sparer de atten månedene du ville ha brukt på å løse en dårlig implementering. Tenk på det som et kjøretøy: du kan sette den beste motoren som noensinne er bygget inn i en bil med feiljusterte hjul, og den vil likevel trekke til venstre.

Mange organisasjoner eksperimenterer med AI-agenter, men relativt få har suksessfullt deployert dem over core forretningsfunksjoner. Hva skiller bedrifter som beveger seg beyond pilots fra de som fortsatt er fast i proof-of-concept-modus?

Piloter er designet for å lykkes. Du velger den beste prosessen, den reneste dataen og det mest motiverte teamet. Skalering betyr å treffe det virkelige miljøet hvor ingen av disse betingelsene gjelder.

Organisasjonene som skalerer stopper å lage kunstige betingelser fra starten. De velger et virkelig operasjonelt problem, tildele en eier som er ansvarlig for forretningsresultatet, ikke teknologien, og baker governance inn i designet fra dag én. Vi har klienter som kjører agenter i produksjon over regnskapsføring og transaksjonsovervåking. Produktivitetsnummerene er der, men den virkelige endringen er strukturell. Endetilstanden er en fundamentalt annerledes arbeidsflyt hvor mennesker er frigjort til å gjøre det strategiske arbeidet de aldri hadde tid til å håndtere før. Skalering av agenter er en ledelsesutfordring, ikke en programvareutfordring.

Rapporten fremhever at bare 6% av bedrifter har suksessfullt løst sine største gjeldsutfordringer. Hva gjør disse organisasjonene annerledes, og hva vanlige feil ser du blant selskaper som sliter med å gjøre meningfull fremgang?

De behandler det som et forretningsproblem, ikke et IT-program. Det er knyttet til ledelsesstøtte og målbare forretningsresultater. De forstår at operasjonell helse ikke er adskilt fra vekststrategi. Det er vekststrategien.

De andre 94% jager symptomer. De deployer et verktøy for å fikse et prosessproblem eller lanserer et AI-initiativ for å kompensere for dårlig data. Det produserer en kortvarig økning, men det underliggende problemet forblir og gjelden fortsetter å akkumuleres. Lederne som bryter syklusen er villige til å si hva de fleste ledere ikke vil: denne prosessen har vært ødelagt i femten år, vi har bygget hele driftsmodeller rundt dens feil, og vi skal rive det ned og bygge det opp fra scratch. Den tilståelsen er ubehagelig. Den inviterer spørsmål om hvorfor det ikke ble fikset tidligere. De som tar den avgjørelsen er de som gjør virkelig fremgang.

Du har snakket om distinksjonen mellom “AI-byggere” og “AI-praktikere.” Hvor ser du bedriftsarbeidsstyrken utvikle seg over de neste fem årene, og hva ferdigheter vil bli mest verdifulle når mennesker arbeider sammen med autonome agenter?

Den mest verdifulle ferdigheten vil være å vite hvordan man rammer et problem. Når AI håndterer mer eksekvering, avhenger kvaliteten på resultatet av kvaliteten på spørsmålet og dømmingen som brukes på utgangen. Du må kunne gjenkjenne når noe ser riktig ut, men er strukturelt feil.

Bortsett fra det, ville jeg fremheve tre spesifikke ting. Først er domene-dybde. Generelle AI-egenskaper blir raskt kommodifisert, så generalister mister løpeevne. Premien går til dypte domene-eksperter som kombinerer ekte funksjonell ekspertise med evnen til å anvende AI innenfor den konteksten. Andre er unntakshåndtering. Du trenger mennesker som vet hva de skal gjøre når agenten møter en vegg eller finansielle innsats er for høy til å automatisere, noe som krever institusjonell visdom i stedet for opplæringsdata. Tredje er arbeidsflytdesign, det vil si evnen til å strukturere arbeid så mennesker og intelligente systemer hver gjør hva de er best egnet til, og å gjenkjenne når den fordelt behøver å skifte. Det er ikke en term industrien har avgjort enda, men ferdigheten er virkelig og for tiden undervurdert.

Det er en pågående debatt om hvorvidt AI vil eliminere jobber eller transformere dem. Du har argumentert for at mye av bekymringen kommer fra en misforståelse av hva AI faktisk gjør bra. Hvor ser du forholdet mellom menneskelig ekspertise og AI-agenter utvikle seg når adopsjonen akselerer?

AI er spektakulær på oppgaver som er tydelig definert, høyvolum, og mønsteravhengig, som prosessering av fakturaer, overvåking av handelsanomalier og utkast til rutinemeldinger. Det gjør disse tingene raskere og i en skala ingen menneskelig team kan nå. Imidlertid kan AI ikke holde ansvar for virkelige verdensresultater, og kan ikke håndtere ting som nyskaping, usikkerhet og menneskelige relasjoner, noe som er hvorfor menneskelig ekspertise forblir essensiell.

De fleste jobber er en samling av oppgaver, ikke en enkelt aktivitet, og AI vil absorbere eksekveringslaget over tid. Det eliminerer ikke behovet for mennesker, det endrer bare hvor de skaper verdi. Når rutinearbeid blir automatisert, skifter ekspertise mot å løse unntak, omstrukturere prosesser og hjelpe organisasjoner til å tilpasse seg når teknologi og forretningsbehov endrer seg. Noen roller vil endre seg betydelig, og ledere har en ansvarliggjøring til å avgjøre om det nye arbeidet som skapes er tilgjengelig for menneskene hvis gamle arbeid forsvinner. Svaret avhenger nesten fullstendig av valg organisasjoner tar om opplæring og overgang. Det er en ledelsesavgjørelse, ikke en teknologisk utfall. Selskapene jeg respekterer mest er ærlige med teamene sine om hvilke roller som endrer seg, over hvilken tidsramme, hvor menneskelig ekspertise forblir ekstremt verdifull og hva realistiske fremtidige løsninger ser ut til.

Når du ser fremover, hva ser en virkelig agentic bedrift ut som i praksis? Hvis vi gjenopptar denne samtalen om fem år, hva endringer i forretningsoperasjoner, organisatorisk design og AI-utplassering forventer du vil ha blitt standard over ledende bedrifter?

Vi vil slutte å snakke om AI som en separat initiativ, like som vi sluttet å snakke om å gå digitalt. Det vil bare være hvordan arbeid blir gjort.

Den strukturelle endringen er det som interesserer meg mest. Mye av vår nåværende hierarki eksisterer fordi informasjon var vanskelig å flytte. Vi har godkjenningkjeder og koordineringsroller fordi informasjon måtte reise fra der den ble skapt til der beslutningene ble tatt. Agenter kollapser den avstanden. Når de gjør det, blir en betydelig del av koordineringsinfrastrukturen overflødig. Organisasjoner som gjenkjenner dette tidlig og omstrukturere rundt det, vil ha en hastefordel som akkumulerer.

Vi vil også se en endring i hvordan AI kjøpes og leveres. Programvareselskaper bygger produkter, men tar ikke ansvar for resultater. Tjenesteselskaper tar ansvar, men sliter med å bygge skalerbare produkter. Begge modellene er utilstrekkelige. Hva vi bygger i Genpact er produktiv AI i bestemte domener, levert som et resultat. Du kjøper resultatet og vi er ansvarlige for det. Jeg tror det blir standard fordi det aligner incentiver riktig. Leverandøren som bare selger kapasitet har ingen stake i om det fungerer i din virksomhet. De som er ansvarlige for resultatet har hver eneste stake. Vinnerne av denne æraen vil ikke bli definert av å ha de mest avanserte AI-modellene. De vil bli definert av å mestre den strukturelle omstruktureringen mellom mennesker, prosesser og intelligente systemer. Vi er bare på dag én av den skiftet.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Genpact.