Andrej Jonovic, director general al XBP Global – serie de interviuri

Andrej Jonovic este directorul general al XBP Global, o companie multinațională de tehnologie și servicii specializată în fluxuri de lucru esențiale pentru operațiunile întreprinderilor. XBP Global aplică IA agentică în medii reglementate, inclusiv în domeniul sănătății, în sectorul public și în serviciile financiare, unde precizia, securitatea, suveranitatea datelor și posibilitatea de audit sunt esențiale. În acest interviu, Jonovic vorbește despre orchestrarea adaptivă a proceselor, modelele cu ponderi deschise, procesarea inteligentă a documentelor, evaluarea umană și ce este necesar pentru a transforma IA dintr-o capacitate tehnică în rezultate operaționale măsurabile.

Ți-ai început cariera ca avocat specializat în tranzacții, apoi ai trecut la fuziuni și achiziții și la transformarea corporativă, iar în cele din urmă ai ajuns să conduci XBP Global. Cum ți-a influențat acest parcurs modul în care evaluezi guvernanța, riscul comercial și impactul organizațional al implementării inteligenței artificiale în fluxuri de lucru esențiale pentru operațiunile întreprinderilor?

În general, încep prin a analiza IA din perspectiva modelului operațional. Experiența în tranzacții și transformare te obișnuiește să te întrebi dacă structura rezistă cu adevărat după ce treci de prezentare și începi implementarea.

Acest aspect devine foarte important în cazul IA, deoarece un model poate avea rezultate excelente atunci când este evaluat izolat și, cu toate acestea, poate duce la rezultate operaționale slabe. În domeniul sănătății, în sectorul public și în sectorul bancar, precizia procesării, conformitatea cu reglementările și posibilitatea de audit sunt nenegociabile. Trebuie să înțelegi unde sunt stocate datele, ce are voie să facă sistemul, cum sunt controlate deciziile și care sunt costurile atunci când fluxul de lucru este rulat la scară mare.

Guvernanța trebuie integrată în arhitectură încă din faza de proiectare. Vreau să știu unde rulează modelul, ce informații trec dincolo de limitele întreprinderii, ce se consemnează în jurnalul de audit și ce se întâmplă când fluxul de lucru ajunge la o decizie care necesită un nivel diferit de control.

Probabil că aici are experiența mea cel mai mare impact. În general, mă interesează mai puțin ce poate face tehnologia într-o demonstrație controlată. Vreau să știu dacă o poți integra într-un proces esențial pentru operațiunile companiei și dacă te poți baza pe ea.

XBP Global descrie IA agentică drept o evoluție dincolo de automatizarea convențională bazată pe reguli și de automatizarea robotică a proceselor. Ce se schimbă din punct de vedere tehnic atunci când un flux de lucru trece de la urmarea unor instrucțiuni prestabilite la utilizarea unor agenți IA capabili să facă inferențe, să ia decizii și să coordoneze mai multe sarcini?

Arhitectura devine mult mai adaptivă.

Automatizarea tradițională a fluxurilor de lucru este deterministă. Există reguli, se știe ce urmează la pasul următor și se adaugă logică programată pe măsură ce procesul devine mai complex. Această abordare funcționează foarte bine pentru activitățile previzibile. Dificultățile apar atunci când numărul regulilor devine uriaș sau când procesul se schimbă mai repede decât poate fi reconstruit sistemul.

Ceea ce facem acum este orchestrarea adaptivă a proceselor. Se pot păstra motoarele de reguli deterministe acolo unde precizia și conformitatea o impun, apoi se pot introduce modele inteligente în acele părți ale fluxului de lucru în care inferența aduce valoare. Agenții pot coordona sarcini, accesa informații și selecta următoarea acțiune fără ca cineva să fie nevoit să programeze în avans fiecare rută posibilă prin proces.

O altă schimbare este că modelul de bază devine mai ușor de înlocuit. Vedem modele cu ponderi deschise, de nivel enterprise, care se îmbunătățesc foarte repede. Dacă fluxul de procesare este proiectat corect, se poate integra un model mai performant pe măsură ce ecosistemul evoluează, fără a reconstrui întregul proces operațional în jurul lui.

Așadar, cred că activul tehnic tot mai important devine fluxul de lucru în sine: orchestrarea, cunoștințele de domeniu, controalele și datele din jurul modelului.

Multe companii experimentează cu IA, dar întâmpină dificultăți în trecerea de la proiecte-pilot la producție. Care sunt cele mai frecvente bariere arhitecturale sau organizaționale care împiedică întreprinderile să implementeze fluxuri de lucru agentice la scară largă? 

Clienții au trecut de etapa experimentării. Au văzut demonstrațiile și au auzit promisiuni foarte îndrăznețe privind rentabilitatea investiției. La un moment dat, cineva trebuie să integreze tehnologia într-un proces real și să o facă să funcționeze.

Aici arhitectura devine dificilă. Un flux de lucru de producție trebuie să se conecteze la mediul pe care compania îl are deja. Este posibil ca informațiile sensibile să trebuiască să rămână într-un cloud privat sau în infrastructura locală. Trebuie să se poată accesa în continuare sistemele existente. Cerințele de reglementare trebuie respectate. De asemenea, modelul economic trebuie să rămână viabil la volumul unei întreprinderi.

Am câștigat recent un proiect privind ciclul de întreținere al flotei unei companii aeriene globale. Fiecare element legat de întreținere va fi transformat în vectori și stocat într-o bază de date vectorială privată, în cloudul privat al clientului. Infrastructura agentică gestionează accesul la aceste informații și permite reproducerea înregistrărilor atunci când aeronavele ies din leasing sau sunt vândute.

Este o problemă cu totul diferită de a demonstra că un model poate răspunde la o întrebare despre o înregistrare referitoare la o aeronavă. Este vorba despre un întreg mediu operațional, cu controale asupra datelor și un proces care trebuie să funcționeze în mod repetat.

Din punct de vedere organizațional, problema este de obicei lipsa unui responsabil clar. Cineva trebuie să înțeleagă procesul suficient de bine pentru a defini ce presupune, de fapt, operarea în producție. Fără această disciplină operațională, proiectul-pilot poate rămâne impresionant multă vreme, fără să devină util.

XBP Global îmbină automatizarea cu supravegherea umană în proces, mai ales în cazul deciziilor cu consecințe majore. Cum stabiliți ce decizii poate executa autonom un sistem de inteligență artificială și în ce situații judecata umană trebuie să rămână parte a procesului? 

Concepem rolul oamenilor în jurul soluționării cazurilor.

Într-un flux de lucru cu consecințe majore, de obicei există un volum mare de activități care pot parcurge fluxul cu un grad ridicat de încredere. Apoi apar cazuri-limită în care informațiile sunt incomplete, circumstanțele sunt neobișnuite sau consecințele unui răspuns greșit sunt prea grave.

Când fluxul ajunge la unul dintre aceste cazuri, tranzacția este direcționată către un expert în domeniu. Acesta soluționează cazul, iar judecata sa poate fi apoi reintrodusă în sistem, astfel încât modelul să continue să se îmbunătățească.

Consider că acest circuit de feedback este important. Supravegherea umană este mai valoroasă atunci când contribuie la îmbunătățirea fluxului de lucru în timp. Expertul aduce cunoștințe de specialitate în cazurile în care modelul încă are nevoie de ele.

Pragul de autonomie depinde în mare măsură și de context. Evaluarea cererilor în domeniul sănătății, evidențele sectorului public și procesele financiare reglementate au cerințe diferite față de o activitate internă cu consecințe minore. Nivelul de încredere acceptabil trebuie să reflecte efectele concrete ale deciziei odată ce sistemul acționează în baza ei.

Clienții dumneavoastră activează în industrii reglementate și în sectorul public, unde suveranitatea datelor, securitatea și posibilitatea de auditare sunt esențiale. Cum pot organizațiile să implementeze modele lingvistice mari în medii protejate, fără a compromite capabilitățile care fac aceste sisteme utile? 

Modelele cu ponderi deschise schimbă considerabil răspunsul la această întrebare.

Multă vreme, s-a presupus că obținerea celor mai bune performanțe ale unui model presupune trimiterea informațiilor într-un mediu care aparține altcuiva. Acest lucru creează o problemă evidentă atunci când datele trebuie să rămână în perimetrul companiei.

Acum putem integra modele cu ponderi deschise, de nivel enterprise, în fluxuri de lucru agentice implementate, păstrând în același timp datele în mediul clientului. În funcție de cerințe, acest lucru poate presupune o infrastructură în cloud privat sau locală. Organizația beneficiază în continuare de progresele din ecosistemul mai larg al modelelor, păstrând totodată controalele necesare pentru a asigura suveranitatea datelor.

Arhitectura trebuie, de asemenea, să permită schimbări. Nu există niciun motiv să presupunem că modelul de astăzi va rămâne cel mai bun pentru o anumită sarcină. Protocoalele noastre de instruire sunt concepute astfel încât să putem integra rapid modele noi într-un flux de lucru existent.

Pentru clienții din industrii reglementate, această flexibilitate este extrem de valoroasă, deoarece fluxul de lucru poate continua să se îmbunătățească, în timp ce datele rămân în perimetrul protejat. Tot astfel se pot aborda cerințe precum cele prevăzute de Regulamentul UE privind inteligența artificială, fără a trata conformitatea ca pe un element adăugat după implementarea tehnologiei.

O mare parte din informațiile companiilor rămâne blocată în documente, imagini, sisteme vechi și arhive fizice. Cum evoluează procesarea inteligentă a documentelor și ce rol are în transformarea datelor fragmentate în informații pe care agenții de inteligență artificială le pot utiliza în mod fiabil?

Consider că procesarea inteligentă a documentelor devine o componentă a infrastructurii pentru fluxurile de lucru agentice.

În trecut, procesarea documentelor se baza adesea pe șabloane. Știai cum arată documentul, știai ce câmp te interesează, iar sistemul extrăgea informația din el. Informațiile companiilor rareori sunt atât de bine structurate. Numai în domeniul sănătății pot apărea explicații ale prestațiilor (EOB-uri), corespondență complexă, informații despre cereri și documente în formate diferite.

Abordarea mai nouă ține mult mai mult cont de context. Poți prelua informații nestructurate, poți identifica ce este relevant și le poți transforma în rezultate structurate pe care sistemele din aval le pot folosi efectiv. Acest lucru este important, deoarece un agent nu poate coordona activitățile în mod fiabil dacă informațiile pe care se bazează sunt incomplete sau interpretate greșit.

Amploarea schimbă și ea problema. Operăm medii care procesează volume uriașe de imagini, cereri, tranzacții de plată și alte documente. La această scară, o mică diferență în calitatea extragerii informațiilor devine o problemă operațională majoră.

Prin urmare, procesarea inteligentă a documentelor (IDP) se află tot mai des la începutul fluxului de lucru inteligent. Ea transformă informațiile fragmentate în date utilizabile, oferă următoarei etape a procesului informații fiabile pe care să se bazeze și creează fundamentul pentru automatizarea suplimentară a etapelor ulterioare.

XBP Global a vorbit despre migrarea proceselor vechi, bazate pe reguli, către fluxuri de lucru de inteligență artificială agentică și despre obținerea unor rate mai mari de soluționare din prima. Ce trebuie să înțeleagă un sistem de inteligență artificială despre procesele, excepțiile și cunoștințele instituționale ale unei organizații înainte de a putea oferi rezultate fiabile?

O mare parte din cunoștințele instituționale nu a fost niciodată consemnată într-o documentație clară a proceselor.

Este încorporată în sisteme vechi, seturi de reguli și în judecata oamenilor care au gestionat procesul ani la rând. Ei știu ce informații contează, ce regulă se aplică într-o anumită situație și ce consecințe apar în etapele următoare dacă se ia decizia greșită.

Când migrați această activitate, trebuie să păstrați cunoștințele operaționale. În domeniul nostru, asta înseamnă adesea să combinăm logica deterministă cu IA, în loc să presupunem că toate regulile ar trebui eliminate imediat. În anumite etape ale unui flux de lucru reglementat, un motor de reguli este extrem de util, deoarece cerința este precisă. În altele, un model inteligent poate gestiona variațiile mult mai eficient.

Expertiza în domeniu vă arată unde se potrivește fiecare.

De aceea, rezolvarea din prima nu poate fi evaluată doar prin scorul modelului. Fluxul de lucru trebuie să producă un rezultat care să se mențină în etapa următoare a procesului. Dacă generează o altă escaladare într-o etapă ulterioară, ați mutat problema, nu ați rezolvat-o.

Sistemul trebuie să înțeleagă procesul suficient de bine pentru a ști cum arată o tranzacție reușită, de la început până la sfârșit.

XBP Global aplică automatizarea nu doar operațiunilor pentru clienți, ci și propriei tranziții către un model operațional bazat în primul rând pe IA. Ce ați învățat folosind compania ca mediu de testare intern și cum echilibrați creșterea productivității cu dezvoltarea forței de muncă și gestionarea schimbării?

Am aplicat automatizarea internă destul de agresiv, pentru că, în opinia mea, înveți foarte repede când rezultatul are un impact direct asupra propriilor indicatori economici.

Se estimează că inițiativele noastre de automatizare bazate în primul rând pe IA vor genera economii operaționale anualizate de 65–75 de milioane de dolari, din care aproximativ 35 de milioane de dolari sunt așteptate în 2026. Veniturile per angajat au ajuns la aproximativ 89.000 de dolari în al doilea trimestru, față de circa 82.000 de dolari în trimestrul precedent, iar până la sfârșitul anului ne așteptăm să se apropie de 100.000 de dolari.

Acești indicatori sunt utili, deoarece ne arată dacă modelul operațional devine cu adevărat mai productiv.

Consecințele asupra forței de muncă sunt reale. Estimăm o reducere de aproximativ 20% a numărului de angajați la nivel global până la sfârșitul lui 2026, pe măsură ce trecem la un model operațional mai productiv. Gestionarea schimbării trebuie să țină cont de faptul că sporirea productivității modifică necesarul de personal.

În același timp, oamenii care rămân implicați în aceste fluxuri de lucru trebuie să dobândească mai multe competențe. Avem nevoie de experți în domeniu, arhitecți și operatori care să poată structura activitatea, evalua rezultatele și să își asume responsabilitatea pentru decizii cu valoare mai mare.

Faptul că am desfășurat această transformare în propria companie a făcut discuția mult mai concretă. Îți dai seama foarte repede ce automatizări generează eficiență durabilă și ce activități constau doar în folosirea mai frecventă a IA de către cineva.

Proiectele de IA pentru întreprinderi sunt adesea promovate prin demonstrații, nu prin rezultate comerciale măsurabile. Ce indicatori ar trebui să folosească liderii pentru a evalua un flux de lucru inteligent și cum ar trebui să țină cont de acuratețe, rata excepțiilor, timpul de procesare, costurile operaționale și reducerea riscurilor?

Aș evalua fluxul de lucru la două niveluri.

La nivel operațional, vreau să cunosc acuratețea, rata de rezolvare din prima, timpul de procesare, volumul excepțiilor și costul procesării activității. Într-un mediu reglementat, mă interesează și dacă tranzacția poate fi auditată și dacă mecanismele de control funcționează în mod consecvent la volume mari.

Apoi vreau să văd dacă aceste îmbunătățiri se reflectă în indicatorii economici ai companiei.

La XBP, marja brută ajustată a ajuns la 24,9% în al doilea trimestru, cel mai ridicat nivel de până acum, iar veniturile per angajat au crescut la aproximativ 89.000 de dolari. Totodată, ne-am majorat ținta de eficiență operațională anualizată la 65–75 de milioane de dolari, după ce am identificat oportunități suplimentare de automatizare.

Acești indicatori vă spun altceva decât un scor de evaluare comparativă. Ei arată dacă tehnologia modifică structura costurilor operaționale.

Un flux de lucru poate avea o acuratețe excelentă a modelului și totuși să fie o implementare nereușită dacă este prea costisitor de operat sau generează prea multă muncă manuală suplimentară. Cred că liderii trebuie să urmărească rezultatul până la capăt. Tehnologia trebuie să aducă un beneficiu operațional care să se reflecte într-un indicator pe care îl puteți măsura efectiv.

Privind spre viitor, credeți că IA agentică va rămâne un nivel suplimentar peste sistemele de întreprindere existente sau va deveni principalul nivel de orchestrare prin care interacționează oamenii, software-ul, datele și procesele de afaceri?

Cred că o parte tot mai mare a fluxurilor de lucru va deveni agentică.

Întreprinderile vor continua să aibă sisteme, depozite de date și aplicații care îndeplinesc funcții specifice. Ceea ce se schimbă este modul în care se desfășoară activitatea între acestea. Un flux de lucru agentic poate extrage informații, coordona instrumente, declanșa acțiuni și determina când o tranzacție necesită un alt tip de intervenție.

Acest lucru se poate observa deja în exemplul companiei aeriene. Înregistrările de întreținere sunt stocate într-o bază de date vectorială privată din mediul clientului, în timp ce nivelul agentic gestionează accesarea și utilizarea informațiilor de-a lungul întregului ciclu de întreținere.

Mă aștept ca acest tip de orchestrare să devină mult mai răspândit.

Modelele de bază vor continua să se schimbe. Modelele cu ponderi deschise se îmbunătățesc rapid, iar după generația pe care o folosim astăzi va urma o alta. Din acest motiv, stratul de orchestrare devine tot mai important: întreprinderile au nevoie de ceva durabil în jurul acestor modele.

Dacă vă construiți fluxul în jurul procesului, al cunoștințelor despre domeniu, al cerințelor de securitate și al mecanismelor de control ale întreprinderii, puteți continua să profitați de modele mai bune pe măsură ce apar. Cred că aici se va concentra o mare parte din valoarea pe termen lung.

Vă mulțumesc pentru interviul excelent. Cititorii care doresc să afle mai multe pot vizita XBP Global.