Ankur Dhingra, CEO ProHance – Seria wywiadów

Ankur Dhingra, CEO of ProHance, jest doświadczonym menedżerem technologicznym i operacyjnym z ponad dwudziestoletnim doświadczeniem przywódczym w obszarach produktywności przedsiębiorstw, usług finansowych i globalnych operacji biznesowych. Kieruje ProHance od 2020 roku, koncentrując się na budowie jednolitej platformy do obserwacji, zarządzania i zwiększania produktywności pracowników, dostawców oraz systemów AI. Przed objęciem stanowiska CEO, Dhingra był Partnerem w FutureIP, gdzie opracowano ProHance jako platformę do zarządzania operacjami i analityki. Wcześniej spędził ponad osiem lat w American Express, pełniąc funkcję wiceprezesa i dyrektora generalnego Globalnych Operacji Back Office oraz wcześniej prowadząc operacje zaangażowania klientów obejmujące szeroką obsługę telefoniczną, czat, regulacje i funkcje zapewnienia biznesowego. Jego kariera obejmuje także wysokie stanowiska kierownicze w Genpact, gdzie zarządzał praktyką bankową liczącą 1 100 pracowników i budżetem 35 milionów dolarów, oraz w GE Capital, gdzie kierował operacjami usług finansowych w Indiach.

ProHance to firma zajmująca się inteligencją siły roboczej i analizą produktywności w przedsiębiorstwach, oferująca organizacjom widoczność w czasie rzeczywistym tego, jak praca jest wykonywana przez pracowników, zewnętrznych dostawców, asystentów AI oraz autonomiczne agenty. Jej platforma, określana jako „Control Room Produktywności”, łączy analitykę siły roboczej, planowanie pojemności, inteligentne przydzielanie zadań, pomiar produktywności oraz narzędzia zarządzania, pomagając przedsiębiorstwom identyfikować wąskie gardła operacyjne, optymalizować wykorzystanie zasobów i rozumieć wpływ AI na wyniki organizacji. ProHance podaje, że jej technologia jest używana przez ponad 450 000 użytkowników w 220 przedsiębiorstwach w 55 krajach, a jej zastosowania obejmują sektor bankowy i usług finansowych, outsourcing procesów biznesowych, globalne centra kompetencyjne, opiekę zdrowotną oraz technologię informacyjną.

Spędziłeś ponad dwie dekady, prowadząc operacje na dużą skalę w GE Capital, Genpact i American Express, zanim zostałeś CEO ProHance. Czego nauczyły cię te doświadczenia o ograniczeniach tradycyjnego zarządzania siłą roboczą i produktywnością oraz jak te lekcje ukształtowały sposób, w jaki budujesz ProHance dla przedsiębiorstwa nastawionego na AI?

Moje doświadczenie w GE Capital, Genpact i American Express nauczyło mnie, że jedną z największych luk w tradycyjnym zarządzaniu siłą roboczą niekoniecznie jest front‑end, lecz zaplecze operacyjne.

W American Express wcześniej pracowałem po stronie obsługi klienta, gdzie centrum kontaktowe miało dostęp do dość zaawansowanej technologii mierzącej produktywność – gdzie ludzie spędzają swój czas, wykorzystanie, wolumeny interakcji oraz jak można optymalizować procesy. Gdy jednak przeszedłem do prowadzenia operacji zaplecza, zobaczyłem zupełnie inną rzeczywistość.

W dużych przedsiębiorstwach ogromna część pracy odbywa się za kulisami – przetwarzanie transakcji, zarządzanie sprawami, wprowadzanie danych i inne działania oparte na procesach – jednak istniało bardzo niewiele znaczących pomiarów tego, jak ta praca faktycznie jest wykonywana. Technologia i widoczność dostępna w front‑office po prostu nie zostały przeniesione na back‑office.

Stałem się niemal irracjonalnie zafascynowany tym problemem. Zacząłem przyglądać się dostępnym technologiom i rozmawiać z uznanymi graczami, ale to, co znalazłem, było albo zbyt nieporęczne, zbyt kosztowne, albo po prostu nie przystosowane do realiów operacji back‑office. Myślałem ciągle: to przemysł wart ponad 150 miliardów dolarów, a problem istnieje od lat. Z pewnością ktoś musi rozwiązywać go lepiej.

To poszukiwanie ostatecznie doprowadziło mnie do ProHance, gdzie Rajesh Sharma i Kishore Reddy (współzałożyciele ProHance) już stworzyli technologię, która rozwiązywała wiele z wyzwań, które zidentyfikowałem jako zaawansowany użytkownik tych systemów. Wiedziałem dokładnie, co technologia musi zrobić – automatycznie rejestrować aktywność, działać na różnych systemach operacyjnych, mierzyć czas zarówno w systemie, jak i poza nim oraz zapewniać wiarygodny obraz tego, jak praca rzeczywiście przebiega.

To doświadczenie ukształtowało moje dzisiejsze podejście do ProHance. Lekcja jest taka, że nie można zbudować przedsiębiorstwa nastawionego na AI, po prostu dodając AI do istniejących narzędzi zarządzania siłą roboczą. Najpierw potrzebne jest wiarygodne, szczegółowe zrozumienie samej pracy. AI może wtedy przekształcić sposób, w jaki ta praca jest analizowana, optymalizowana i ostatecznie przekształcana.

Dla mnie ProHance polega na przeniesieniu tego samego poziomu widoczności i inteligencji, jaki przedsiębiorstwa tradycyjnie posiadały w front‑office, na całą organizację – oraz wykorzystaniu AI do uzyskania lepszego pomiaru produktywności, co zasadniczo poprawi sposób wykonywania pracy.

W miarę jak generatywna AI i agenci AI przejmują rosnącą część pracy wiedzy, tradycyjne wskaźniki produktywności, takie jak przepracowane godziny czy użycie aplikacji, mogą tracić na znaczeniu. Jak przedsiębiorstwa powinny redefiniować produktywność, gdy człowiek może w 30 minut wykonać to, co wcześniej zajmowało kilka godzin?

Produktywność musi przejść od mierzenia aktywności do mierzenia rezultatów. Jeśli AI pozwala komuś w 30 minut wykonać to, co wcześniej zajmowało trzy godziny, trzy‑godzinowy punkt odniesienia przestaje być istotny. Nacisk powinien być położony na to, co zostało osiągnięte, jakość wyniku oraz efektywne wykorzystanie czasu i umiejętności.

Oznacza to również, że przedsiębiorstwa muszą rozumieć, w jakich obszarach AI rzeczywiście eliminuje pracę powtarzalną, a gdzie wciąż niezbędny jest ludzki osąd. Produktywność powinna coraz częściej odzwierciedlać wyniki, pojemność, jakość i wpływ na biznes, a nie liczbę godzin spędzonych przy biurku czy użycie aplikacji.

Opisałeś inteligencję siły roboczej jako coraz ważniejszą w przedsiębiorstwie nastawionym na AI. Co w praktyce oznacza „inteligencja siły roboczej” i czym różni się od narzędzi monitorowania pracowników oraz analityki siły roboczej, które firmy używały historycznie?

Inteligencja siły roboczej polega zasadniczo na zapewnieniu organizacji lepszego zrozumienia tego, jak praca faktycznie przebiega. Łączy sygnały dotyczące obciążenia pracą, pojemności, wykorzystania, procesów i rezultatów, pomagając liderom zidentyfikować, gdzie zespoły są przeciążone, gdzie istnieje pojemność i gdzie praca utknęła.

To różni się od tradycyjnego monitorowania pracowników, które często koncentrowało się na indywidualnej aktywności. Inteligencja siły roboczej powinna działać na znacznie szerszym poziomie. Celem nie jest pytanie „Co ten pracownik robi w każdej minucie?”, lecz „Jak praca przepływa w całej organizacji i co możemy zrobić, aby ją usprawnić?”

ProHance coraz częściej łączy deterministyczne dane o sile roboczej z uczeniem maszynowym, aby generować prognozujące wnioski, w tym identyfikować potencjalne ryzyko wycofania i retencji. Jak zapewniasz, że te modele AI odróżniają istotne wzorce od normalnych zmienności w zachowaniu pracowników i jak ważna jest wyjaśnialność, gdy menedżerowie podejmują decyzje dotyczące ludzi?

W ProHance uważamy, że jakość i kontekst leżących u podstaw danych są kluczowe. Zachowanie pracowników naturalnie różni się w zależności od projektów, obciążenia pracą, zespołów, pór roku i cykli biznesowych. Zmiana w aktywności sama w sobie niekoniecznie wskazuje na wycofanie lub ryzyko retencji.

Podejście polega na poszukiwaniu wzorców w wielu sygnałach i w czasie, a nie wyciąganiu wniosków z pojedynczego zachowania. AI może pomóc zidentyfikować wzorce wymagające uwagi, ale nie powinna być traktowana jako ostateczny decydent.

Wyjaśnialność jest równie ważna. Jeśli system sygnalizuje potencjalne ryzyko, menedżerowie powinni móc zrozumieć czynniki stojące za tym sygnałem i zastosować własny osąd. Gdy technologia jest wykorzystywana do informowania o decyzjach dotyczących ludzi, niezbędna jest przejrzystość i nadzór ludzki.

Istnieje zrozumiałe zaniepokojenie pracowników, gdy organizacje wprowadzają technologię zdolną do analizowania wzorców pracy, użycia aplikacji, czasu bezczynności lub wydajności. Gdzie przedsiębiorstwa powinny wyznaczyć granicę między uzyskaniem przydatnej widoczności operacyjnej a tworzeniem kultury nadzoru?

Granica jest w dużej mierze określana przez intencję, przejrzystość i sposób wykorzystania danych. Pracownicy są zrozumiale niekomfortowo, gdy technologia jest wprowadzana bez jasności, co jest mierzone i dlaczego.

Celem powinno być zrozumienie pracy na poziomie organizacyjnym i operacyjnym, a nie ciągłe obserwowanie jednostek. Jeśli dane o sile roboczej pomagają zidentyfikować nadmierne obciążenia, wąskie gardła lub nieefektywne procesy, mogą faktycznie poprawić doświadczenie pracowników.

Przedsiębiorstwa powinny także jasno określić, czego nie zamierzają robić. Technologia powinna pomagać menedżerom prowadzić lepsze rozmowy z zespołami, a nie zastępować te rozmowy ani tworzyć systemu ciągłej obserwacji.

Asystenci AI i autonomiczne agenty coraz częściej stają się częścią samej siły roboczej. Czy uważasz, że platformy inteligencji siły roboczej w końcu będą musiały mierzyć produktywność ludzi i agentów AI razem, i jak może wyglądać znacząca miara produktywności człowiek‑AI?

Tak, uważam, że będzie to coraz ważniejsze. Gdy agenci AI zaczynają przejmować części przepływów pracy, mierzenie wyłącznie ludzkiej aktywności da przedsiębiorstwom niepełny obraz tego, jak praca jest wykonywana.

Jednak nie sądzę, że skończymy na pojedynczej ocenie „człowiek kontra AI”. Bardziej użyteczne podejście polegałoby na zrozumieniu łącznego wyniku ludzi, narzędzi AI i agentów w ramach przepływu pracy.

Przedsiębiorstwa mogą przyjrzeć się, ile czasu AI usuwa z zadań powtarzalnych, jak szybko procesy postępują, jakości wyników i gdzie nadal wymagana jest interwencja ludzka. Prawdziwe pytanie brzmi: jak efektywnie ludzie i AI współpracują?

ProHance mówi o przejściu od surowego pomiaru produktywności do inteligencji operacyjnej, w tym analizy obciążenia, prognozowania, optymalizacji procesów i przydziału zasobów. Jak dużą część przyszłości tej kategorii będzie stanowić AI, które proaktywnie rekomenduje, co menedżerowie powinni zmienić, zamiast po prostu prezentować im pulpity nawigacyjne?

Myślę, że tak właśnie ProHance widzi kierunek rozwoju tej kategorii. Pulpity nawigacyjne są przydatne, ale nadal pozostawiają menedżerom odpowiedzialność za interpretację informacji i decyzję, co zrobić dalej.

Kolejnym etapem jest, aby platformy identyfikowały wzorzec i pomagały odpowiedzieć „co powinniśmy z tym zrobić?”. Może to oznaczać wskazanie przeciążonego zespołu, zidentyfikowanie niewykorzystanego zestawu umiejętności, prognozowanie luki pojemnościowej lub zasugerowanie, gdzie proces można ulepszyć.

Dla ProHance wartość będzie coraz bardziej wynikać z przejścia od widoczności do działania. AI powinno pomagać menedżerom podejmować lepsze decyzje, pozostawiając samą decyzję osobie, która rozumie biznes i kontekst.

Porównałeś inteligencję produktywności do corocznego raportu zdrowotnego organizacji. Jakie są najważniejsze sygnały, na które powinni zwracać uwagę dyrektorzy, aby określić, czy ich siła robocza jest naprawdę zdrowa, produktywna i skutecznie adaptuje się do AI?

Patrzyłbym na kombinację sygnałów, a nie jedną liczbę produktywności. Pojemność i obciążenie pracą są oczywistymi punktami wyjścia, ale dyrektorzy powinni także rozumieć, czy praca jest efektywnie rozdzielona, gdzie pojawiają się wąskie gardła, jak zespoły adaptują się do AI i czy ludzie spędzają zbyt dużo czasu na działaniach o niskiej wartości.

Kolejnym ważnym sygnałem jest zrównoważenie. Zespół osiągający wyjątkowe wyniki, ponieważ ludzie stale pracują ponad rozsądną pojemność, niekoniecznie jest zdrowy ani produktywny w dłuższej perspektywie.

Zdrowa siła robocza to taka, w której pojemność, obciążenie pracą i wyniki są rozsądnie zrównoważone, ludzie mają możliwość skupienia się na pracy o wyższej wartości, a organizacja potrafi dostosować się do zmieniającej się natury pracy.

„Produktywność” nabrała negatywnych skojarzeń wśród wielu pracowników, ponieważ może sugerować robienie większej ilości pracy przy mniejszej liczbie osób. Jak organizacje mogą odzyskać to pojęcie i wykorzystać inteligencję produktywności opartą na AI, aby poprawić doświadczenie pracowników, zmniejszyć wypalenie i wyeliminować pracę o niskiej wartości, zamiast po prostu zwiększać wyniki?

Organizacje muszą odejść od definiowania produktywności jedynie jako „więcej wyników przy mniejszej liczbie osób”. Takie określenie jest zbyt wąskie, szczególnie w środowisku pracy wspieranym przez AI.

AI powinno idealnie zwracać ludziom czas, który obecnie pochłaniają powtarzalne czynności administracyjne, ręczne procesy i zadania o niskiej wartości. Szansą jest wykorzystanie tego czasu na rozwiązywanie problemów, interakcję z klientami, innowacje i pracę wymagającą ludzkiego osądu.

Jeśli inteligencja produktywności jest wykorzystywana do identyfikacji, gdzie ludzie są przeciążeni lub marnują czas, może stać się narzędziem poprawiającym doświadczenie pracowników. Celem powinno być ulepszenie pracy, a nie jedynie przyspieszenie tempa pracy ludzi.

Patrząc w przyszłość, gdy AI zostaje wbudowane w prawie każdy przepływ pracy w przedsiębiorstwie, co Twoim zdaniem odróżni organizacje, które skutecznie wzbogacają swoją siłę roboczą o AI, od tych, które wdrażają technologię, ale nie przekształcają jej w znaczące zyski produktywności?

Organizacje, które najwięcej skorzystają z AI, będą tymi, które spojrzą poza samo wdrożenie technologii. Dostęp do narzędzia AI nie gwarantuje automatycznie wzrostu produktywności.

Liderzy będą rozumieć, gdzie AI zmienia przepływy pracy, jak role się ewoluują i czy organizacja rzeczywiście uzyskuje lepsze wyniki dzięki technologii. Będą także nieustannie mierzyć, co działa, i wprowadzać odpowiednie korekty.

Ostatecznie, udane organizacje potraktują przyjęcie AI jako zmianę w sposobie wykonywania pracy, a nie jedynie kolejne wdrożenie technologiczne. Połączą AI z odpowiednimi procesami, umiejętnościami, widocznością siły roboczej i praktykami zarządzania. To zdecyduje, czy AI stanie się prawdziwą przewagą produktywności, czy jedynie kolejną warstwą technologii.

Dziękujemy za wspaniały wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić ProHance.