Deepak Kinger, dyrektor ds. strategii i współzałożyciel EvoluteIQ — wywiad

Deepak Kinger, dyrektor ds. strategii i współzałożyciel EvoluteIQ, jest doświadczonym liderem w dziedzinie technologii i biznesu, który ma ponad dwudziestoletnie doświadczenie obejmujące transformację przedsiębiorstw, usługi finansowe, automatyzację i sztuczną inteligencję. W EvoluteIQ współtworzy ogólną strategię firmy, a jednocześnie kieruje kluczowymi sojuszami technologicznymi, partnerstwami w zakresie rozwiązań, marketingiem i relacjami z analitykami. Zanim w 2019 roku współzałożył EvoluteIQ, Kinger zajmował wysokie stanowiska kierownicze w GALE Partners, Virtusa, Sapient, Headstrong, Wipro i Mphasis. Do jego obowiązków należało między innymi zarządzanie przedsiębiorstwami z sektora usług finansowych w regionie Azji i Pacyfiku, doradzanie członkom kierownictwa najwyższego szczebla w sprawach transformacji cyfrowej, tworzenie nowych obszarów działalności oraz kierowanie dużymi projektami technologicznymi. Jego doświadczenie obejmuje strategię, rozwój biznesu, zarządzanie relacjami z klientami, zarządzanie rachunkiem zysków i strat, operacje oraz nowe technologie, w tym sztuczną inteligencję, uczenie maszynowe, zrobotyzowaną automatyzację procesów, blockchain i data science.

EvoluteIQ to firma zajmująca się sztuczną inteligencją dla przedsiębiorstw i inteligentną automatyzacją, która pomaga organizacjom automatyzować i koordynować złożone, kompleksowe procesy biznesowe. Jej platforma EIQ łączy w środowisku niskokodowym/bezkodowym agentową sztuczną inteligencję, generatywną sztuczną inteligencję, automatyzację procesów i decyzji, inteligentną RPA, przetwarzanie zdarzeń, integrację danych, analitykę, łączniki dla przedsiębiorstw oraz tworzenie aplikacji wielokanałowych. Platforma ma umożliwiać przedsiębiorstwom łączenie istniejących systemów, tworzenie i wdrażanie agentów AI oraz zautomatyzowanych przepływów pracy, monitorowanie wyników i skalowanie automatyzacji w takich obszarach jak obsługa klienta, finanse, operacje, sprzedaż i zarządzanie łańcuchem dostaw. Założona w 2019 roku firma EvoluteIQ rozszerzyła działalność o automatyzację przedsiębiorstw opartą na agentach, rozwijając między innymi technologie AI Workbench i Agentic Mesh Architecture. W 2025 roku ogłosiła pozyskanie inwestycji wzrostowej w wysokości 53 mln dolarów za mniejszościowy udział, której głównym inwestorem był Baird Capital. Środki mają wesprzeć globalną ekspansję oraz dalsze inwestycje w działalność badawczo-rozwojową firmy w Bengaluru.

Zanim w 2019 roku współzałożył pan EvoluteIQ, przez dwie dekady pracował pan w sektorach usług finansowych i technologii dla przedsiębiorstw oraz przy transformacji cyfrowej. Jakie powtarzające się problemy dostrzegał pan w dużych organizacjach, które ostatecznie przekonały pana, że warto stworzyć EvoluteIQ? Co chciał pan zrobić inaczej?

Zanim powstało EvoluteIQ, przez 25 lat pracowałem w doradztwie, w dużej mierze pomagając dużym instytucjom finansowym w realizacji inicjatyw transformacyjnych. Obejmowały one zarówno wczesne programy bankowości cyfrowej, jak i handel, zarządzanie ryzykiem oraz szerszą transformację kompleksową. Z czasem dostrzegłem rosnące zapotrzebowanie na automatyzację, a my pomagaliśmy przedsiębiorstwom wdrażać platformy największych dostawców.

Ostatecznie do założenia EvoluteIQ skłoniła nas możliwość odejścia od wdrażania cudzych technologii i stworzenia własnego rozwiązania. Dostrzegliśmy szansę na bardziej zintegrowane podejście do automatyzacji, które nie wymagałoby od przedsiębiorstw łączenia wielu technologii, licencji i warstw integracyjnych. To była jedna z motywacji do założenia EvoluteIQ w 2019 roku.

W naszym poprzednim wywiadzie dla Unite.AIz pańskim współzałożycielem Sameetem Gupte omówił on szerszą wizję EvoluteIQ, zakładającą przejście przedsiębiorstw od automatyzacji zadań do natywnych dla AI, kompleksowych, autonomicznych operacji. Jak zarządzanie zmianami regulacyjnymi pokazuje, dlaczego konieczne jest przejście od automatyzowania poszczególnych zadań do koordynowania całych procesów biznesowych?

Zmiany regulacyjne rzadko dotyczą pojedynczego, odizolowanego zadania. W 2020 roku opracowaliśmy rozwiązanie związane z przejściem od LIBOR. Banki mierzyły się ze zmianą na dużą skalę, która wpływała na istniejące umowy i wymagała ich weryfikacji oraz korekty przez zespoły operacyjne, asystentów prawnych i zespoły biznesowe. Wiele instytucji w zasadzie próbowało rozwiązać problem, angażując do niego więcej osób. Wniosek, jaki wyciągnęliśmy z przejścia od LIBOR, był taki, że konkretne regulacje się zmieniają, ale leżące u ich podstaw wyzwanie powraca. Zmiany regulacyjne i zgodność z przepisami to nieustanne wymogi operacyjne.

W związku z niedawno zaproponowanymi przez FinCen zmianami dotyczącymi przeciwdziałania praniu pieniędzy i finansowaniu terroryzmu (AML/CFT) obserwujemy odejście od wysoce nakazowego modelu zgodności z przepisami, opartego na „odhaczaniu kolejnych punktów”. W rzeczywistości podnosi to poprzeczkę w zakresie zgodności, zamiast ułatwiać jej zapewnienie, ponieważ instytucje muszą interpretować regulacje, określać własne ryzyka i ustalać, co oznaczają one dla ich modelu operacyjnego. Ta zmiana nieuchronnie obejmuje różne działy i funkcje w organizacji, a nie tylko zespoły ds. zgodności i audytu.

Twierdził pan, że banki powinny przestać traktować każdą dużą zmianę regulacyjną jako nowy projekt transformacyjny, a zamiast tego trwale włączyć zarządzanie takimi zmianami do swoich zdolności operacyjnych. Jak taki model operacyjny wyglądałby w praktyce i dlaczego instytucjom finansowym od lat trudno go zbudować?

Nowy model operacyjny zakładałby, że zmiany są ciągłe — nie są już procesem, który trzeba wdrażać co kwartał ani dopiero wtedy, gdy audytorzy zapukają do drzwi. Prace nad rozwiązaniem dotyczącym LIBOR pokazały nam, że nawet jeśli dana zmiana regulacyjna zostanie w końcu wdrożona, potrzeba dostosowywania się nie znika. Zrozumienie kolejnej zmiany, przełożenie jej na wymagania operacyjne i aktualizacja procesów będą konieczne także przy następnej zmianie regulacyjnej.

Nowy model operacyjny nie może też być ograniczony wyłącznie do obszaru compliance. W modelu opartym w większym stopniu na ryzyku za zgodność nadal może ostatecznie odpowiadać dział compliance, ale większego znaczenia nabierają również operacje, dział prawny, a w niektórych przypadkach także zarządzanie ryzykiem kontrahenta. Jednym z błędów, jakie mogą popełniać instytucje, jest niedocenianie tego, jak szeroki wpływ na organizację mają zmiany regulacyjne.

Historycznie było to trudne, ponieważ przedsiębiorstwa stworzyły rozdrobnione środowiska technologiczne i silosowe modele operacyjne. Gdy różne jednostki biznesowe korzystają z odrębnych platform RPA, BPM, raportowania i innych, reagowanie na nowe wymogi samo w sobie staje się projektem integracyjnym.

Po wprowadzeniu nowego przepisu bank może potrzebować ustalić, których klientów, produktów, umów, systemów i procesów on dotyczy. W jakich obszarach AI może znacząco usprawnić analizę wpływu i które elementy procesu nadal wymagają deterministycznych reguł lub ludzkiej oceny?

AI może znacząco ograniczyć ilość pracy wykonywanej ręcznie, niezbędnej do zrozumienia i wdrożenia zmian regulacyjnych. Mówiąc konkretniej, AI może pomóc analizować i kategoryzować duże ilości informacji oraz wskazywać obszary, na których ludzie powinni się skupić. Na przykład rozwiązania EvoluteIQ do reagowania na zmiany regulacyjne mogą kategoryzować i ustalać priorytety umów według klienta i rodzaju aktywów, łączyć te informacje z systemami przedsiębiorstwa i zewnętrznymi źródłami danych, a następnie koordynować dalsze działania w obszarach prawnych, zarządzania ryzykiem i operacji. Dzięki temu instytucje mogą przejść od ustalenia, czego mogą dotyczyć zmiany, do faktycznego zarządzania wynikającymi z nich działaniami w całym procesie.

Ludzka kontrola i nadzór nadal mają zasadnicze znaczenie. W niektórych obszarach regulowanego procesu instytucja potrzebuje jasno określonych reguł biznesowych, warunków, wyjątków i ścieżek eskalacji. Model, który uważamy za właściwy, łączy elastyczność AI z automatyzacją opartą na deterministycznych regułach oraz ludzką oceną tam, gdzie jest ona potrzebna. AI może pomóc zinterpretować informacje i wskazać, co może wymagać działania; deterministyczne reguły mogą określać sposób realizacji zdefiniowanych decyzji; a wyjątki lub decyzje wymagające oceny można przekazać odpowiedniej osobie.

Wdrażanie regulacji często wymaga współpracy zespołów prawnych, compliance, zarządzania ryzykiem, operacji, danych i technologii. Jak AI i orkiestracja procesów mogą pomóc tym grupom korzystać ze wspólnej interpretacji regulacji zamiast tworzyć odrębne przepływy pracy i potencjalnie sprzeczne reguły biznesowe?

Jednym z najważniejszych skutków modelu compliance opartego w większym stopniu na ryzyku jest rozszerzenie odpowiedzialności na większą część organizacji. Ostateczna odpowiedzialność może nadal spoczywać na dziale compliance, ale istotną rolę odgrywają także zespoły operacyjne, prawne i zarządzające ryzykiem kontrahenta. Oznacza to, że instytucje nie mogą traktować wdrażania zmian jako zadania, które dział compliance jest w stanie wykonać samodzielnie.

Dlatego kluczowe znaczenie ma zintegrowana platforma. W dużej organizacji w ramach nowego modelu trzeba zintegrować różne systemy będące źródłem danych i reguły biznesowe, a zarazem uwzględnić złożone kwestie bezpieczeństwa. Zintegrowane podejście może ograniczyć ryzyko, że różne części organizacji będą wdrażać tę samą zmianę, korzystając z całkowicie odrębnych środowisk technologicznych.

Generatywna AI potrafi interpretować złożone dokumenty regulacyjne, ale banki nie mogą sobie pozwolić na halucynacje ani niespójne interpretacje w sytuacjach, w których podejmowane są decyzje dotyczące zgodności. Jakie zabezpieczenia należy wprowadzić w systemach AI wykorzystywanych do obsługi zmian regulacyjnych i na jakich etapach podejmowania decyzji powinni nadal uczestniczyć eksperci?

Po pierwsze, nie należy wdrażać agentów AI w odizolowaniu, ponieważ bez odpowiedniego nadzoru mogą doprowadzić do niekontrolowanego rozrostu ich liczby.

Po drugie, zakres automatyzacji w organizacji ograniczają nie tylko jej możliwości techniczne, lecz także przepisy, kwestie prywatności oraz to, jakie dane można zgodnie z prawem udostępniać.

Podstawowa zasada projektowa jest taka, że AI powinna przyspieszać interpretację, ale nie podejmować decyzji. Odpowiedzialność za zgodność z przepisami pozostaje po stronie konkretnych osób, czego oczekują organy nadzoru. Zabezpieczenia można podzielić na dwie grupy: kontrolę treści generowanych przez AI oraz celowe wyznaczenie punktów, w których decyzje podejmuje człowiek. Każdy wynik wygenerowany przez AI musi być oparty na wiarygodnym źródle, a w samym systemie AI należy wprowadzić zabezpieczenia dotyczące zarówno danych wejściowych, jak i wyników.

Na koniec należy prowadzić ścieżkę audytową dla każdego wyniku, obejmującą źródłowe zapisy, wersje modelu i promptu, poziom pewności, osobę weryfikującą, podjętą decyzję i jej uzasadnienie.

Możliwość przeprowadzenia audytu ma szczególne znaczenie w usługach finansowych. Jeśli AI pomaga interpretować regulacje, tworzyć reguły biznesowe, identyfikować klientów, których dotyczą zmiany, i inicjować przepływy pracy, jak instytucje mogą zachować przejrzystą ścieżkę dowodową, która pokaże organom nadzoru dokładnie, jak i dlaczego podjęto każdą decyzję?

W branżach podlegających ścisłym regulacjom nie wystarczy dokumentować wyłącznie ostatecznej decyzji — trzeba móc prześledzić cały proces. Znacznie cenniejszy jest wgląd w odtworzoną ścieżkę prowadzącą do tej decyzji: wykorzystane informacje, zastosowane reguły, podjęte decyzje, zmiany wprowadzane w trakcie procesu oraz momenty interwencji człowieka i zatwierdzone przez niego działania.

Gdy wiele agentów, reguł biznesowych i przepływów pracy współdziała ze sobą, możliwość prześledzenia ich działań staje się jeszcze ważniejsza. Audytowalność należy uwzględnić już na poziomie warstwy orkiestracji. Ścieżki decyzyjne mogą rejestrować decyzje, zmiany reguł i ich uzasadnienie, a możliwość śledzenia działań agentów od początku do końca zapewnia wgląd w łańcuch autonomicznych działań.

Jeśli organ nadzoru zapyta, dlaczego w określony sposób potraktowano konkretnego klienta, umowę lub transakcję, instytucja finansowa powinna móc prześledzić tę decyzję wstecz — od jej skutku przez dane, reguły, decyzje oparte na AI, zatwierdzenia i działania, które do niego doprowadziły. Dzięki temu wyjaśnialność przestaje być kwestią dotyczącą wyłącznie modelu, a staje się zdolnością operacyjną.

Duże banki działają w oparciu o infrastrukturę technologiczną, której elementy mają nawet kilkadziesiąt lat; kluczowe dane o klientach i transakcjach są rozproszone w wielu systemach. Jak mogą stworzyć wielokrotnego użytku warstwę zgodności opartą na AI, nie podejmując kosztownej wymiany całego zaplecza technologicznego? 

Każda nowa funkcjonalność dla przedsiębiorstwa musi działać w ramach istniejącej infrastruktury. Trudno oczekiwać czegoś innego. Ważna jest również konsolidacja, ponieważ coraz częściej słyszymy od klientów, że korzystają z wielu platform RPA albo ze starszego systemu BPM oraz kilku odrębnych technologii raportowania w całej organizacji. Nasi klienci coraz otwarciej mówią, że chcą skupić się na narzędziach i systemach przynoszących zwrot z inwestycji (ROI), a nie szukać rozwiązań zastępczych. Wielokrotnego użytku warstwa zgodności musi więc działać w ramach istniejącego środowiska, zamiast zakładać, że cała jego infrastruktura zostanie wymieniona.

Pracował Pan z instytucjami finansowymi w kolejnych generacjach technologii — od tradycyjnych systemów podstawowych, przez robotyczną automatyzację procesów i uczenie maszynowe, aż po agentową AI. Co zasadniczo różni obecną transformację związaną z AI i w jakich obszarach instytucje finansowe mogą, Pana zdaniem, powtórzyć błędy popełnione w poprzednich cyklach automatyzacji?

Wcześniejsze generacje automatyzacji służyły do realizacji zadań, których przebieg był już dobrze określony. Systemy bankowości podstawowej porządkowały zapisy i transakcje. RPA odtwarzało sekwencje naciśnięć klawiszy na ekranach. Uczenie maszynowe umożliwiło formułowanie wąskich prognoz, takich jak ocena ryzyka nadużyć czy ryzyka kredytowego, na podstawie danych ustrukturyzowanych, z mierzalną dokładnością. W każdym przypadku o dalszym przebiegu decydował człowiek albo z góry ustalona reguła, a technologia realizowała znaną ścieżkę.

Agentowa AI zmienia to na kilka sposobów:

• Skuteczniej radzi sobie z nieustrukturyzowanymi zadaniami wymagającymi pewnego osądu. Banki nie ograniczają się już do automatyzacji zadań — delegują osiąganie określonych rezultatów, a system sam wybiera sposób ich realizacji.
• Może zawodzić po cichu. Gdy bank zmienił układ ekranu, bot RPA przestawał działać w widoczny sposób i ktoś naprawiał problem. Gdy model językowy się myli, generuje płynną, wiarygodną i pewną siebie odpowiedź. To problem.
• Jego działanie ma charakter probabilistyczny, dlatego osadzenie go w kontekście przedsiębiorstwa, aby uniknąć halucynacji, ma kluczowe znaczenie.
• Wreszcie tworzenie rozwiązań z wykorzystaniem AI stało się tanie, a użytkownicy biznesowi mogą teraz stworzyć działających agentów w ciągu jednego popołudnia. Wcześniej wąskim gardłem automatyzacji były możliwości działu IT; teraz jest nim zdolność do sprawowania nadzoru.

Instytucje finansowe powinny również zadbać o to, by nie zapomnieć wniosków z tradycyjnej ery automatyzacji. Oto kilka przykładów:

• Automatyzowanie wadliwych procesów. Największym dziedzictwem RPA były tysiące botów nałożonych na procesy, których nikt wcześniej nie przeprojektował. W ten sposób powstał kruchy dług techniczny, którego utrzymanie banki wciąż opłacają. Umieszczanie agentów na tych samych rozdrobnionych przepływach pracy powtarza ten błąd na bardziej zaawansowanym poziomie. Banki powinny najpierw przeprojektować pracę, a dopiero potem zdecydować, co delegować.
• Pogoń za wskaźnikami próżności: projekty weryfikujące koncepcję utkną w miejscu, jeśli nie ma finansowanego planu wdrożenia produkcyjnego. Liczenie wdrożonych agentów powiela nawyk z czasów RPA, kiedy liczono boty zamiast mierzyć rzeczywiste wyniki biznesowe.
• Niedoinwestowanie w fundamenty danych. Uczenie maszynowe pokazało, że jakość modelu ogranicza jakość danych. Agenci korzystający z nieaktualnych procedur, zduplikowanych dokumentów lub sprzecznych źródeł będą wyciągać wnioski z błędnych przesłanek z dużą pewnością siebie.

Czy uważa Pan, że w przyszłości zgodność z przepisami będzie ewoluować w kierunku ciągłego, a nawet częściowo autonomicznego procesu, w którym systemy AI wykrywają zmiany regulacyjne, oceniają ich wpływ, aktualizują przepływy pracy i przekazują dalej tylko te wyjątki, które wymagają ludzkiego osądu? Co musiałoby się wydarzyć, zanim banki i organy nadzoru zaakceptują taki poziom autonomii?

Tak, ale autonomia będzie wprowadzana etapami. Wykrywanie, wstępna analiza, mapowanie wpływu i aktualizowanie przepływów pracy w reakcji na jasno określone zmiany będą w dużej mierze odbywać się w sposób ciągły i zautomatyzowany. Ocena niejednoznacznych przepisów, akceptacja ryzyka i określanie stanowisk w sprawach regulacyjnych pozostaną domeną ludzi. Realistycznym celem jest „autonomia pod nadzorem”, w której maszyny domyślnie realizują cały cykl, a ludzie sprawują nadzór nad wyjątkami.

Aby to się stało, organy regulacyjne muszą również publikować przepisy w ustrukturyzowanych formatach z kontrolą wersji, rozwijając inicjatywy takie jak prace FCA i Banku Anglii nad cyfrową sprawozdawczością regulacyjną.

Konieczne będzie również wbudowanie możliwości cofania zmian i wyłączników awaryjnych w systemy realizacji, tak aby zmiany wprowadzane autonomicznie w przepływach pracy można było łatwo cofnąć po wykryciu anomalii, wzrostu liczby błędów lub zmian w modelach. Zaufanie będzie rosło szybciej, gdy osoby nadzorujące same będą korzystać z podobnych narzędzi. Stworzy to wspólny język testowania, a z czasem być może także umożliwi bezpośredni nadzór maszyn nad maszynami.

Dziękujemy za świetny wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, mogą odwiedzić stronę EvoluteIQ.