Vijay Vijayasankar, Oficial Global de Agentic AI da Genpact – Série de Entrevistas

Vijay Vijayasankar, Oficial Global de Agentic AI da Genpact, lidera a productização global de soluções de Agentic AI da empresa, com foco em mudar a criação de valor das empresas de modelos baseados em mão de obra tradicional para frameworks baseados em resultados de maior margem. Em seu papel, ele está ajudando a moldar a abordagem da Genpact para escalonar a IA em toda a empresa, construindo modelos organizacionais em torno de Construtores de IA, que projetam camadas de orquestração avançadas, e Praticantes de IA, que trazem expertise de domínio para fluxos de trabalho impulsionados por agentes autônomos. Antes de se juntar à Genpact, Vijayasankar ocupou cargos de liderança sênior na IBM, incluindo Parceiro Gerente de Serviços Financeiros, CTO dos Serviços da IBM na América do Norte, e Gerente Geral de Cognitivo, IoT, Análise e Watson Health na GBS da América do Norte, além de cargos executivos anteriores na MongoDB (MDB ) e SAP.

Genpact é uma empresa de soluções de tecnologia avançada e agentic que ajuda grandes empresas a modernizar operações por meio de inteligência de processos, inteligência artificial, dados e transformação digital. A empresa atua em áreas como finanças e contabilidade, atendimento ao cliente, risco e conformidade, sourcing e compras, cadeia de suprimentos, tecnologia e confiança e segurança, enquanto seus serviços de Dados e IA se concentram em ajudar organizações a usar análise avançada, IA e agentes autônomos para transformar dados complexos em resultados de negócios mensuráveis.

Você passou mais de duas décadas em empresas como IBM, MongoDB, SAP e agora Genpact, onde atua como Oficial Global de Agentic AI. Olhando para a evolução desde big data e análise até os sistemas de agentic AI de hoje, quais lições mais moldaram sua visão de como as empresas devem abordar a transformação da IA?

Eu assisti ao mesmo filme três vezes agora. Big data era a bala de prata para a tomada de decisões. Nuvem era o interruptor instantâneo para a agilidade organizacional. Agora, agentic AI é a cura para operações. Em cada ciclo, as empresas que geraram valor se concentraram em seus modelos operacionais, processos e pessoas. As que lutaram, e muitas ainda lutam, trataram a tecnologia em si como a transformação.

O que é fundamentalmente diferente sobre agentic AI é sua localização. Ele está sentado na camada de execução, não na camada de insight. Ferramentas mais antigas geravam gráficos e recomendações. Agentes tomam ações. Um painel de análise ruim produz um gráfico ruim que um analista humano pega antes que ele chegue à mesa do CEO. Um agente ruim executa uma transação ruim em escala antes que alguém perceba que aconteceu. Isso muda completamente o perfil de risco, e exige um nível de disciplina operacional que a maioria das empresas não precisou antes. Eu aprendi a desconfiar do meu próprio entusiasmo. Agentic AI é fascinante, mas é exatamente quando você precisa desacelerar e auditar os fundamentos.

O relatório recente da Genpact com a HFS Research estima que a dívida empresarial não resolvida está armazenando quase $18 trilhões em valor potencial global. O que mais o surpreendeu sobre as descobertas, e por que você acredita que tantas organizações continuam a subestimar o impacto da dívida de processos, dados, tecnologia e talentos?

O que foi surpreendente foi a escala do valor armazenado atrás de processos ineficientes, dados fragmentados, tecnologia envelhecida e desafios de prontidão da força de trabalho sendo medidos em trilhões de dólares.

O que importa mais do que o total da figura é como o problema está estruturado. A maioria dos líderes olha para esses problemas como silos separados. Um problema de dados, um problema de processos, um problema de tecnologia, um problema de habilidades, cada um tratado independentemente. Eles não são separados. Dados ruins forçam as pessoas a inventar soluções manuais. Essas soluções criam complexidade de processos. Essa complexidade queima os melhores funcionários e torna as operações frágeis. Quando uma iniciativa de IA chega, ela atinge tudo isso simultaneamente. A IA é culpada por uma falha que foi assada no negócio há uma década. Falamos sobre dívida empresarial como um fardo de custo, mas é mais precisamente uma restrição de crescimento. Essa distinção importa porque muda quem possui o problema e o que consertá-lo vale.

O relatório descobriu que 85% dos executivos acreditam que a dívida empresarial está limitando a realização do valor da IA. Por que você acredita que as empresas continuam investindo pesadamente em IA enquanto frequentemente negligenciam os problemas fundamentais que impedem que esses investimentos produzam retornos?

Porque a IA é visível e os fundamentos são invisíveis. Todo conselho de administração quer ver uma estratégia de IA. Todo CEO precisa de uma história para contar. Implantar um modelo brilhante é uma manchete. Redesenhar um processo de cadeia de suprimentos fundamental é um esforço invisível e ingrato até que finalmente funcione.

Eu vi organizações gastarem seis meses selecionando um modelo e seis dias examinando o processo que o modelo deve melhorar. Essa proporção está invertida, e elas descobrem do jeito difícil. O gargalo quase nunca é a IA. São processos inconsistentes, sistemas desconectados e dados que ninguém foi responsável por anos. A IA não resolve essas coisas. Ela as expõe mais rapidamente. As estruturas de incentivos não recompensam a correção dos fundamentos. Não há demonstração para limpar a governança de dados. Os executivos que o fazem em silêncio estão apostando que a saúde operacional se acumula com o tempo, mas a maioria dos conselhos de administração não está medindo isso.

A dívida de dados emergiu como o maior bloqueador de IA na pesquisa. Quais passos práticos as empresas devem tomar hoje para mudar de ambientes de dados fragmentados e de baixa qualidade para fundamentos de dados que possam apoiar a IA agentic em escala?

Deixe de tentar lançar um programa de governança maciço e de cima para baixo. Essa é uma resposta tecnológica para um problema de responsabilidade. Na maioria das grandes organizações, ninguém é dono da precisão das informações que executam o negócio.

O ponto de partida prático é escolher um punhado de processos de alto valor e trabalhar de trás para frente. Quais decisões precisam ser tomadas? Quais dados essas decisões exigem? Quem é dono desses dados? Quão frequentemente eles estão errados? Esse exercício revela as lacunas de responsabilidade imediatamente. E devemos acertar isso porque os agentes falham silenciosamente. Um analista humano vê dois sistemas discordando e toma uma decisão. Um agente arbitra entre os dados conflitantes e executa com confiança total. Se diferentes partes da sua organização definem um cliente ou uma transação de maneira diferente, o agente está tomando decisões confiantes a partir de entradas ruins e nada na sua organização pega isso. Isso é uma nova categoria de risco operacional que a maioria das organizações não avaliou completamente.

Os agentes não lidam com ambiguidade da maneira como os humanos fazem. É por isso que o sucesso de uma solução agentic é menos sobre a inteligência dos modelos e mais sobre a qualidade das barreiras colocadas no lugar.

Você argumentou que não há “IA sem inteligência de processos.” Por que você acredita que a redesign de processos é frequentemente mais importante do que o modelo de IA em si quando as organizações tentam automatizar operações de negócios complexas?

Porque o modelo se sai tão bem quanto o processo em que está embutido, não melhor. As organizações se obcecam com a seleção do modelo porque é onde a inovação visível está, mas o processo é onde o valor é criado ou perdido.

Se um fluxo de trabalho tem aprovações redundantes, trabalho duplicado ou propriedade não clara, a IA não conserta essas coisas. Ela as acelera. Você obtém um resultado quebrado mais rápido e em uma escala maior. As pessoas frequentemente pensam que uma redesign completa de processos os desacelera, mas a realidade é exatamente o oposto. Você economiza os dezoito meses que gastaria desenrolando uma má implantação. Pense nisso como um veículo: você pode colocar o melhor motor já construído em um carro com rodas mal alinhadas, e ele ainda vai puxar para a esquerda.

Muitas organizações estão experimentando agentes de IA, mas relativamente poucas implantaram-nos com sucesso em funções de negócios principais. O que separa as empresas que estão avançando além dos testes do que aquelas que permanecem presas no modo de prova de conceito?

Os testes são projetados para ter sucesso. Você escolhe o melhor processo, os dados mais limpos e a equipe mais motivada. Escalonar significa atingir o ambiente real onde nenhuma dessas condições se mantém.

As organizações que escalonam param de criar condições artificiais desde o início. Elas escolhem um problema operacional real, atribuem um proprietário que é responsável pelo resultado de negócios, não pela tecnologia, e incorporam a governança no design desde o início. Temos clientes executando agentes em produção em contas pagáveis e monitoramento de transações. Os números de produtividade estão lá, mas a mudança real é estrutural. O estado final é um fluxo de trabalho fundamentalmente diferente onde as pessoas são libertadas para fazer o trabalho estratégico que nunca tiveram tempo de lidar antes. Escalonar agentes é um desafio de liderança, não um desafio de software.

O relatório destaca que apenas 6% das empresas resolveram com sucesso seus principais desafios de dívida. O que essas organizações estão fazendo de maneira diferente, e quais erros comuns você vê entre as empresas que lutam para fazer progressos significativos?

Elas tratam como um problema de negócios, não como um programa de TI. Está ligado ao patrocínio executivo e ao desempenho de negócios mensurável. Elas entendem que a saúde operacional não é separada da estratégia de crescimento. É a estratégia de crescimento.

As outras 94% estão perseguindo sintomas. Elas implantam uma ferramenta para consertar um problema de processo ou lançam uma iniciativa de IA para compensar dados ruins. Isso produz um impulso de curto prazo, mas o problema subjacente permanece e a dívida continua se acumulando. Os líderes que quebram o ciclo estão dispostos a dizer o que a maioria dos executivos não diz: esse processo está quebrado há quinze anos, construímos modelos operacionais inteiros em torno de suas falhas, e vamos derrubá-lo e reconstruí-lo do zero. Essa admissão é desconfortável. Ela convida perguntas sobre por que não foi consertado antes. Os que fazem essa chamada são os que estão fazendo progressos reais.

Você falou sobre a distinção entre “Construtores de IA” e “Praticantes de IA.” Como você vê a força de trabalho das empresas evoluindo nos próximos cinco anos, e quais habilidades se tornarão mais valiosas à medida que os humanos trabalham cada vez mais ao lado de agentes autônomos?

A habilidade mais valiosa será saber como enquadrar um problema. À medida que a IA lida com mais execução, a qualidade do resultado depende da qualidade da pergunta e do julgamento aplicado à saída. Você precisa ser capaz de reconhecer quando algo parece certo, mas está estruturalmente errado.

Além disso, eu destacaria três coisas específicas. Primeiro é a profundidade do domínio. As capacidades de IA gerais estão se tornando comoditizadas rapidamente, então os generalistas estão perdendo alavancagem. O prêmio irá para especialistas de domínio profundos que combinam expertise funcional genuína com a capacidade de aplicar IA dentro desse contexto. Segundo é o tratamento de exceções. Você precisa de pessoas que saibam o que fazer quando o agente atinge uma parede ou as apostas financeiras são altas demais para automatizar, o que requer sabedoria institucional em vez de dados de treinamento. Terceiro é o design de fluxo de trabalho, significando a capacidade de estruturar o trabalho para que os humanos e os sistemas inteligentes façam o que são mais adequados para cada um, e reconhecer quando essa divisão precisa mudar. Não é um termo que a indústria tenha estabelecido ainda, mas a habilidade é real e atualmente subestimada.

Há um debate contínuo sobre se a IA eliminará empregos ou os transformará. Você argumentou que grande parte da preocupação vem de uma má compreensão do que a IA realmente faz bem. Como você vê a relação entre a expertise humana e os agentes de IA se desenvolvendo à medida que a adoção se acelera?

A IA é espetacular em tarefas que são claramente definidas, de alto volume e dependentes de padrões, como processar faturas, monitorar anomalias de comércio e redigir comunicações rotineiras. Ela faz essas coisas mais rápido e em uma escala que nenhuma equipe humana pode alcançar. No entanto, a IA não pode ser responsabilizada por resultados do mundo real, nem pode lidar com coisas como novidade, ambiguidade e relacionamentos humanos complicados, o que é por que a expertise humana permanece essencial.

A maioria dos empregos é uma coleção de tarefas, não uma atividade única, e a IA absorverá a camada de execução com o tempo. Isso não elimina a necessidade de pessoas, apenas muda onde elas criam valor. À medida que o trabalho rotineiro é automatizado, a expertise se desloca para resolver exceções, redesenhar processos e ajudar as organizações a se adaptar à medida que as necessidades de tecnologia e negócios evoluem. Alguns papéis mudarão significativamente, e os líderes têm a responsabilidade de abordar se o novo trabalho criado é acessível às pessoas cujo antigo trabalho some. A resposta depende quase inteiramente das escolhas que as organizações fazem sobre treinamento e transição. Isso é uma decisão de liderança, não um resultado de tecnologia. As empresas que mais respeito estão sendo honestas com suas equipes sobre quais papéis estão mudando, sobre qual cronograma, onde a expertise humana permanece extremamente valiosa e quais caminhos realistas para a frente parecem.

Olhando para o futuro, como uma empresa verdadeiramente agentic parece na prática? Se revisitarmos essa conversa daqui a cinco anos, quais mudanças nas operações de negócios, design organizacional e implantação de IA você espera que se tornarão padrão em empresas líderes?

Paramos de falar sobre IA como uma iniciativa separada, assim como paramos de falar sobre ir digital. Ela simplesmente será como o trabalho é feito.

A mudança estrutural é o que mais me interessa. Grande parte da nossa hierarquia atual existe porque a informação era difícil de mover. Temos correntes de aprovação e papéis de coordenação porque a informação tinha que viajar de onde foi criada para onde as decisões eram tomadas. Os agentes colapsam essa distância. Quando o fazem, uma quantidade significativa de infraestrutura de coordenação se torna redundante. As organizações que reconhecem isso cedo e redesenham em torno disso terão uma vantagem de velocidade que se acumula.

Também veremos uma mudança na forma como a IA é comprada e entregue. Empresas de software constroem produtos, mas não assumem responsabilidade pelos resultados. Empresas de serviços assumem responsabilidade, mas lutam para construir produtos escaláveis. Ambos os modelos são inadequados. O que estamos construindo na Genpact é IA productizada em domínios específicos, entregue como resultado. Você compra o resultado e estamos presos a ele. Acho que isso se tornará o padrão porque alinha os incentivos corretamente. O fornecedor que só vende capacidade não tem participação nos resultados. Os que são responsáveis pelo resultado têm todo o interesse. Os vencedores desta era não serão definidos por ter os modelos de IA mais sofisticados. Eles serão definidos por dominar a redesign estrutural entre humanos, processos e sistemas inteligentes. Estamos apenas no dia um dessa mudança.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Genpact.