Vijay Vijayasankar, Globalny Oficer ds. Agentic AI w Genpact – Wywiad

Vijay Vijayasankar, Globalny Oficer ds. Agentic AI w Genpact, kieruje globalną produktyzacją rozwiązań Agentic AI, ze szczególnym uwzględnieniem przesunięcia tworzenia wartości przedsiębiorstw z tradycyjnych, opartych na zasobach ludzkich modeli w kierunku modeli opartych na wynikach. W swojej roli pomaga kształtować podejście Genpact do skalowania AI w całej firmie, tworząc modele organizacyjne wokół zarówno twórców AI, którzy projektują zaawansowane warstwy orchestracji, jak i praktyków AI, którzy wprowadzają ekspertyzę branżową do workflow zasilanych przez autonomiczne agenty. Przed dołączeniem do Genpact Vijayasankar pełnił wysokie stanowiska kierownicze w IBM, w tym Managing Partnera ds. Usług Finansowych, CTO IBM Services North America oraz Generalnego Menadżera ds. Kognitywnych, IoT, Analityki i Watson Health w GBS North America, a także wcześniej pełnił funkcje wykonawcze w MongoDB (MDB ) i SAP.

Genpact to firma oferująca zaawansowane technologie i rozwiązania agentic AI, pomagająca dużym przedsiębiorstwom w nowoczesnym zarządzaniu operacjami poprzez inteligencję procesów, sztuczną inteligencję, dane i transformację cyfrową. Firma działa w obszarach takich jak finanse i rachunkowość, obsługa klienta, zarządzanie ryzykiem i zgodnością, źródła i zakupy, łańcuch dostaw, technologia oraz zaufanie i bezpieczeństwo, a jej usługi Data i AI koncentrują się na pomocy organizacjom w wykorzystaniu zaawansowanej analityki, AI i autonomicznych agentów do przekształcania złożonych danych w mierzone wyniki biznesowe.

Masz ponad dwie dekady doświadczenia w firmach takich jak IBM, MongoDB, SAP i obecnie Genpact, gdzie pełnisz funkcję Globalnego Oficera ds. Agentic AI. Patrząc wstecz na ewolucję od dużych danych i analityki do dzisiejszych systemów agentic AI, jakie lekcje najbardziej ukształtowały Twoje podejście do transformacji AI w przedsiębiorstwach?

Obejrzałem ten sam film już trzy razy. Duże dane były srebrną kulą dla podejmowania decyzji. Chmura była natychmiastowym przełącznikiem dla agilności organizacyjnej. Teraz agentic AI jest lekarstwem na operacje. W każdym cyklu firmy, które generowały wartość, koncentrowały się na swoich modelach operacyjnych, procesach i ludziach. Te, które się nie powiodły, i wiele z nich nadal się nie powiodło, traktowały technologię samej w sobie jako transformację.

Co jest fundamentalnie różne w przypadku agentic AI, to jego położenie. Znajduje się ono na warstwie wykonania, a nie warstwie wglądu. Starsze narzędzia generowały wykresy i rekomendacje. Agenci podejmują działania. Zły dashboard analityczny produkuje zły wykres, który analityk ludzki łapie przed tym, jak trafia on na biurko CEO. Zły agent wykonuje złą transakcję w skali przed tym, jak ktokolwiek zdaje sobie z tego sprawę, że się to wydarzyło. To zmienia całkowicie profil ryzyka i zmusza do poziomu dyscypliny operacyjnej, którego większość firm nie potrzebowała wcześniej. Nauczyłem się być podejrzliwy wobec własnego entuzjazmu. Agentic AI jest fascynujący, ale to jest właśnie moment, kiedy trzeba zwolnić i przesłuchać fundamenty.

Nowy raport Genpact i HFS Research szacuje, że nierozwiązany dług przedsiębiorstw uwięził prawie 18 bilionów dolarów potencjalnej wartości na świecie. Co najbardziej zaskoczyło Cię w tych wynikach, i dlaczego uważasz, że tak wiele organizacji nadal nie docenia wpływu długu procesowego, danych, technologii i talentów?

Co było oczywiste, to skala wartości uwięzionej za nieefektywnymi procesami, fragmentowanymi danymi, starzejącą się technologią i wyzwaniami gotowości siły roboczej, mierzoną w bilionach dolarów.

Co jest ważniejsze niż całkowita kwota, to to, jak problem jest ustrukturyzowany. Większość liderów patrzy na te problemy jako na oddzielne słoje. Problem danych, problem procesu, problem technologiczny, problem umiejętności, każdy traktowany niezależnie. Nie są one oddzielne. Słaba jakość danych zmusza ludzi do wymyślania ręcznych obejść. Te obejścia tworzą złożoność procesu. Ta złożoność wypala Twoich najlepszych ludzi i sprawia, że Twoje operacje stają się kruche. Gdy inicjatywa AI przychodzi, wpada na wszystko to jednocześnie. AI zostaje obwinięte za porażkę, która była wbudowana w biznes dekadę temu. Mówimy o długu przedsiębiorstwa jako o ciężarze kosztów, ale jest to bardziej dokładnie ograniczenie wzrostu. Ta różnica ma znaczenie, ponieważ zmienia, kto jest odpowiedzialny za problem i co jest wart naprawienia.

Raport wykazał, że 85% dyrektorów wykonawczych uważa, iż dług przedsiębiorstwa ogranicza realizację wartości AI. Dlaczego uważasz, że przedsiębiorstwa nadal inwestują dużo w AI, często zaniedbując podstawowe problemy, które uniemożliwiają tym inwestycjom przynoszenie zwrotu?

Ponieważ AI jest widoczne, a fundamenty są niewidoczne. Każda rada nadzorcza chce zobaczyć strategię AI. Każdy CEO potrzebuje historii do opowiedzenia. Wdrożenie nowego modelu to nagłówek. Przebudowa podstawowego procesu łańcucha dostaw to bezimienna, niewidoczna walka, aż wreszcie działa.

Widziałem organizacje, które spędziły sześć miesięcy na wyborze modelu i sześć dni na zbadaniu procesu, który miał być przez ten model poprawiony. To proporcja jest odwrotna, i odkrywają to w bolesny sposób. Wąskie gardło nie jest nigdy AI. Są to niekonsekwentne procesy, rozłączone systemy i dane, za które nikt nie był odpowiedzialny od lat. AI nie rozwiązuje tych rzeczy. Ono je eksponuje szybciej. Struktury zachęt nie nagradzają za naprawianie fundamentów. Nie ma demo dla czyszczenia zarządzania danymi. Dyrektorzy wykonawczy, którzy to robią cicho, zakładają, że zdrowie operacyjne kumuluje się z czasem, ale większość rad nadzorczych nie mierzy tego.

Dług danych wynurzył się jako największy blokujący AI w badaniach. Jakie praktyczne kroki powinny przedsiębiorstwa podjąć dzisiaj, aby przesunąć się od fragmentowanych, niskiej jakości środowisk danych do fundamentów danych, które mogą wspierać agentic AI w skali?

Przestań próbować uruchomić ogromny, scentralizowany program zarządzania. To jest odpowiedź technologiczna na problem odpowiedzialności. W większości dużych organizacji nikt nie jest odpowiedzialny za dokładność informacji, która prowadzi biznes.

Punktem wyjścia jest wybranie garści wysoko-wartościowych procesów i pracy wstecz. Jakie decyzje muszą zostać podjęte? Jakie dane są wymagane przez te decyzje? Kto jest odpowiedzialny za te dane? Jak często one są błędne? To ćwiczenie ujawnia luki odpowiedzialności natychmiast. I musimy to zrobić dobrze, ponieważ agenci zawodzą cicho. Analityk ludzki widzi, że dwa systemy nie zgadzają się, i podejmuje decyzję. Agent arbitruje między sprzecznymi danymi i wykonuje z całkowitą pewnością. Jeśli różne części Twojej organizacji definiują klienta lub transakcję inaczej, agent podejmuje pewne decyzje z błędnych danych, i nic w Twojej organizacji nie łapie tego. To jest nowa kategoria ryzyka operacyjnego, której większość organizacji jeszcze nie w pełni wyceniła.

Agenci nie radzą sobie z niejasnością w taki sam sposób, jak ludzie. Dlatego też powodzenie rozwiązania agentic AI jest mniej uzależnione od inteligencji modeli, a bardziej od jakości barier bezpieczeństwa wdrożonych w miejscu.

Uważasz, że nie ma AI bez inteligencji procesów. Dlaczego wierzysz, że projektowanie procesów jest często ważniejsze niż sam model AI, gdy organizacje próbują zautomatyzować złożone operacje biznesowe?

Ponieważ model działa tak dobrze, jak proces, w który jest wbudowany, a nie lepiej. Organizacje obsesjonują się wyborem modelu, ponieważ tam jest widoczna innowacja, ale proces jest tam, gdzie tworzy się wartość.

Jeśli workflow ma zbędne zatwierdzenia, powtarzalną pracę lub niejasną własność, AI nie naprawia tych rzeczy. Ono je przyspiesza. Ludzie często myślą, że gruntowna przebudowa procesu spowalnia ich, ale rzeczywistość jest dokładnie odwrotna. Zapisujesz osiemnaście miesięcy, które byś spędził na rozplątywaniu złego wdrożenia. Pomyśl o tym jak o pojeździe: możesz włożyć najlepszy silnik kiedykolwiek zbudowany do samochodu z kołami, które są nieprawidłowo wyalignowane, i nadal będzie on ciągnął w lewo.

Wiele organizacji eksperymentuje z agentami AI, ale stosunkowo niewiele z nich skutecznie wdrożyło ich w rdzeniowe funkcje biznesowe. Co odróżnia przedsiębiorstwa, które przechodzą poza pilotaż od tych, które pozostają utknęte w trybie proof-of-concept?

Pilotaż jest zaprojektowany, aby odnieść sukces. Wybierasz najlepszy proces, najczystsze dane i najbardziej zmotywowany zespół. Skalowanie oznacza uderzenie w rzeczywiste środowisko, gdzie żadne z tych warunków nie obowiązuje.

Organizacje, które skalują, przestają tworzyć sztuczne warunki od samego początku. Wybierają prawdziowy problem operacyjny, przydzielają właściciela, który jest odpowiedzialny za wynik biznesowy, a nie za technologię, i wbudowują zarządzanie w projekt od samego początku. Mamy klientów, którzy uruchamiają agenci w produkcji w całym łańcuchu dostaw i monitorowaniu transakcji. Liczby produktywności są tam, ale prawdziwa zmiana jest strukturalna. Stan końcowy to zasadniczo inny workflow, w którym ludzie są wolni, aby robić strategiczną pracę, na którą nigdy nie mieli czasu wcześniej. Skalowanie agentów to wyzwanie przywódcze, a nie wyzwanie oprogramowania.

Raport wskazuje, że tylko 6% przedsiębiorstw pomyślnie rozwiązało swoje główne wyzwania długu. Co robią te organizacje inaczej, i jakie powszechne błędy widzisz wśród firm, które mają trudności z robieniem znaczących postępów?

Traktują to jako problem biznesowy, a nie program IT. Jest to związane z patronatem wykonawczym i mierzalnymi wynikami biznesowymi. Rozumieją, że zdrowie operacyjne nie jest oddzielne od strategii wzrostu. To jest strategia wzrostu.

Pozostałe 94% gonią objawy. Wdrożenie narzędzia, aby naprawić problem procesu, lub uruchomienie inicjatywy AI, aby zrekompensować słabą jakość danych. To daje krótkoterminowy wzrost, ale podstawowy problem pozostaje, a dług nadal kumuluje się. Liderzy, którzy łamią ten cykl, są skłonni powiedzieć to, czego większość dyrektorów wykonawczych nie powie: ten proces był złamany przez piętnaście lat, zbudowaliśmy całe modele operacyjne wokół jego niepowodzeń, i będziemy to rozbić i odbudować od podstaw. To przyznanie jest niewygodne. Zaproponuje pytania o to, dlaczego nie zostało to naprawione wcześniej. Ci, którzy podejmują tę decyzję, są tymi, którzy robią prawdziwe postępy.

Mówiłeś o różnicy między „twórcami AI” a „praktykami AI”. Jak widzisz ewolucję siły roboczej przedsiębiorstw w ciągu najbliższych pięciu lat, i jakie umiejętności staną się najcenniejsze, gdy ludzie będą coraz częściej pracować obok autonomicznych agentów?

Najcenniejszą umiejętnością będzie wiedza, jak sformułować problem. Gdy AI zajmuje się większą częścią wykonania, jakość wyniku zależy od jakości pytania i osądu zastosowanego do wyjścia. Musisz umieć rozpoznać, kiedy coś wygląda dobrze, ale jest strukturalnie błędne.

Ponadto chciałbym podkreślić trzy konkretnych rzeczy. Po pierwsze, głębokość dziedziny. Ogólne możliwości AI stają się szybko komodyfikowane, więc ogólni specjaliści tracą przewagę. Premia pójdzie do głębokich specjalistów branżowych, którzy łączą prawdziwą ekspertyzę branżową z umiejętnością zastosowania AI w tym kontekście. Po drugie, obsługa wyjątków. Potrzebujesz ludzi, którzy wiedzą, co zrobić, gdy agent uderzy w ścianę lub gdy stawki finansowe są za wysokie, aby zautomatyzować, co wymaga mądrości instytucjonalnej, a nie danych szkoleniowych. Po trzecie, projektowanie workflow, czyli umiejętność strukturyzowania pracy tak, aby ludzie i inteligentne systemy robili to, do czego są najlepiej przystosowani, i rozpoznawania, kiedy ta podział musi się zmienić. To nie jest jeszcze ustalony termin w branży, ale umiejętność jest rzeczywista i obecnie niedoceniana.

Istnieje ciągła debata na temat tego, czy AI zlikwiduje miejsca pracy, czy je przekształci. Twierdziłeś, że wiele obaw wynika z niezrozumienia, co AI robi dobrze. Jak widzisz rozwój relacji między ekspertyzą ludzką a agentami AI, gdy przyjęcie przyspiesza?

AI jest wspaniały w zadaniach, które są wyraźnie zdefiniowane, o wysokiej objętości i zależnych od wzorca, takich jak przetwarzanie faktur, monitorowanie anomalii handlowych i tworzenie rutynowych komunikatów. Robi to szybciej i w skali, której żaden zespół ludzki nie może dotknąć. Jednak AI nie może ponieść odpowiedzialności za rzeczywiste wyniki świata, ani nie może radzić sobie z rzeczami takimi jak nowość, niejasność i skomplikowane relacje międzyludzkie, dlatego ekspertyza ludzka pozostaje niezbędna.

Większość miejsc pracy to zbiór zadań, a nie pojedyncza aktywność, i AI pochłonie warstwę wykonania w czasie. To nie eliminuje potrzeby ludzi, to po prostu zmienia, gdzie tworzą wartość. Gdy praca rutynowa staje się zautomatyzowana, ekspertyza przesuwa się w kierunku rozwiązywania wyjątków, przebudowywania procesów i pomagania organizacjom w adaptacji, gdy technologia i potrzeby biznesowe ewoluują. Niektóre role będą się znacznie zmieniać, a liderzy mają odpowiedzialność za rozwiązanie, czy nowa praca, która jest tworzona, jest dostępna dla ludzi, których stara praca zniknęła. Odpowiedź zależy prawie całkowicie od wyborów, które organizacje podejmują w sprawie szkolenia i przejścia. To jest decyzja przywódcza, a nie wynik technologiczny. Firmy, których szanuję najbardziej, są szczerze wobec swoich zespołów co do tego, które role się zmieniają, w jakim czasie, gdzie ekspertyza ludzka pozostaje niezwykle cenna, i jak wyglądają realistyczne ścieżki do przodu. Większość z nich jeszcze nie ma tej rozmowy.

Spójrzając w przyszłość, co wygląda prawdziwe przedsiębiorstwo agentic AI w praktyce? Jeśli wrócimy do tej rozmowy za pięć lat, jakie zmiany w operacjach biznesowych, projekcie organizacyjnym i wdrożeniu AI oczekujesz, że staną się standardem w czołowych przedsiębiorstwach?

Przestaniemy mówić o AI jako o oddzielnym przedsięwzięciu, tak jak przestaliśmy mówić o tym, jak być cyfrowym. To po prostu będzie tym, jak praca jest robiona.

Strukturalna zmiana jest tym, co mnie najbardziej interesuje. Dużo z naszej obecnej hierarchii istnieje, ponieważ informacje były trudne do przeniesienia. Mamy łańcuchy zatwierdzeń i role koordynacyjne, ponieważ informacje musiały podróżować od miejsca, w którym zostały utworzone, do miejsca, w którym decyzje były podejmowane. Agenci skracają tę odległość. Gdy to robią, znaczna część infrastruktury koordynacyjnej staje się zbędna. Organizacje, które to rozpoznają wcześnie i przebudują wokół tego, będą miały przewagę szybkości, która się kumuluje.

Także zobaczymy zmianę w tym, jak AI jest kupowane i dostarczane. Firmy software budują produkty, ale nie biorą odpowiedzialności za wyniki. Firmy usługowe biorą odpowiedzialność, ale mają trudności z budowaniem skalowalnych produktów. Obie modele są niewystarczające. To, co budujemy w Genpact, to produktyzowany AI w określonych dziedzinach, dostarczany jako wynik. Kupujesz wynik, a my jesteśmy odpowiedzialni za niego. Uważam, że to stanie się standardem, ponieważ wyrównuje zachęty poprawnie. Dostawca, który sprzedaje tylko możliwości, nie ma udziału w tym, czy to działa w Twoim środowisku. Ci, którzy są odpowiedzialni za wynik, mają wszelki udział. Zwycięzcy tej ery nie zostaną zdefiniowani przez posiadanie najbardziej zaawansowanych modeli AI. Będą zdefiniowani przez opanowanie strukturalnej przebudowy między ludźmi, procesami i inteligentnymi systemami. Jesteśmy dopiero na pierwszym dniu tej zmiany.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Genpact.