Deepak Kinger, director de strategie și cofondator al EvoluteIQ – Seria de interviuri

Deepak Kinger, director de strategie și cofondator al EvoluteIQ, este un lider cu experiență în tehnologie și afaceri, cu peste două decenii de activitate în domenii precum transformarea întreprinderilor, serviciile financiare, automatizarea și inteligența artificială. La EvoluteIQ, contribuie la definirea strategiei generale a companiei și conduce, în același timp, alianțele tehnologice esențiale, parteneriatele pentru soluții, activitățile de marketing și relațiile cu analiștii. Înainte de a coînființa EvoluteIQ în 2019, Kinger a deținut funcții de conducere superioară la GALE Partners, Virtusa, Sapient, Headstrong, Wipro și Mphasis, unde responsabilitățile sale au variat de la gestionarea afacerilor din domeniul serviciilor financiare în regiunea Asia-Pacific și consilierea directorilor executivi cu privire la transformarea digitală, până la dezvoltarea unor noi linii de afaceri și conducerea unor proiecte tehnologice de mare amploare. Experiența sa acoperă strategia, dezvoltarea afacerilor, gestionarea relațiilor cu clienții, gestionarea profitului și pierderilor (P&L), operațiunile și tehnologiile emergente, inclusiv IA, învățarea automată, automatizarea robotică a proceselor, blockchain și știința datelor.

EvoluteIQ este o companie specializată în IA pentru întreprinderi și automatizare inteligentă, care ajută organizațiile să automatizeze și să orchestreze procese de afaceri complexe, cap-coadă. Platforma EIQ reunește IA agentică, IA generativă, automatizarea proceselor și a deciziilor, RPA inteligentă, procesarea evenimentelor, o infrastructură unificată de date, analize, conectori pentru întreprinderi și dezvoltarea de aplicații multicanal, într-un mediu cu puțin sau fără cod. Platforma este concepută pentru a permite întreprinderilor să conecteze sistemele existente, să creeze și să implementeze agenți IA și fluxuri de lucru automatizate, să monitorizeze rezultatele și să extindă automatizarea în domenii precum experiența clienților, finanțele, operațiunile, vânzările și gestionarea lanțului de aprovizionare. Înființată în 2019, EvoluteIQ și-a orientat tot mai mult activitatea către automatizarea agentică la nivel de întreprindere, prin tehnologii precum AI Workbench și Agentic Mesh Architecture, iar în 2025 a anunțat o investiție minoritară de creștere în valoare de 53 de milioane de dolari, condusă de Baird Capital, pentru a sprijini expansiunea globală și investițiile suplimentare în operațiunile sale de cercetare și dezvoltare din Bengaluru.

Înainte de a coînființa EvoluteIQ în 2019, ați petrecut două decenii lucrând în domeniul serviciilor financiare, al tehnologiei pentru întreprinderi și al transformării digitale. Ce probleme recurente ați observat în cadrul marilor organizații, care v-au convins în cele din urmă că exista o oportunitate de a crea EvoluteIQ și ce ați vrut să abordați diferit?

Înainte de EvoluteIQ, am lucrat 25 de ani în consultanță, mare parte din timp ajutând instituții financiare mari în cadrul unor inițiative de transformare. Acestea au inclus primele programe de servicii bancare digitale, precum și tranzacționare, gestionarea riscurilor și transformări mai ample, cap-coadă. În timp, am observat o cerere tot mai mare de automatizare, iar noi ajutam întreprinderile să implementeze platforme oferite de unii dintre cei mai mari furnizori.

Ceea ce ne-a motivat în cele din urmă să înființăm EvoluteIQ a fost oportunitatea de a trece de la implementarea tehnologiei altcuiva la crearea unei soluții proprii. Am văzut posibilitatea de a adopta o abordare mai integrată a automatizării, în loc să le cerem întreprinderilor să combine mai multe tehnologii, licențe și niveluri de integrare. Acesta a fost unul dintre motivele pentru care am înființat EvoluteIQ în 2019.

În interviul nostru anterior cu Unite.AI, cofondatorul dumneavoastră Sameet Gupte a discutat despre viziunea mai amplă a EvoluteIQ, care urmărește să ajute întreprinderile să treacă de la automatizarea bazată pe sarcini la operațiuni autonome, cap-coadă, concepute nativ pentru IA. Cum arată gestionarea schimbărilor de reglementare de ce este necesară trecerea de la automatizarea sarcinilor individuale la orchestrarea unor procese de afaceri întregi?

Schimbările de reglementare afectează rareori o singură sarcină izolată. În 2020, am creat o soluție pentru tranziția de la LIBOR. Băncile se confruntau cu o schimbare de amploare, care afecta contractele existente și impunea echipelor operaționale, specialiștilor juridici și echipelor de afaceri să le analizeze și să le remedieze. Multe instituții răspundeau, în esență, alocând mai mulți oameni problemei. Lecția pe care am desprins-o din tranziția de la LIBOR a fost că reglementările specifice se schimbă, dar provocarea fundamentală se repetă. Schimbările de reglementare și conformitatea sunt cerințe operaționale permanente.

În urma celor mai recente modificări propuse de FinCen privind combaterea spălării banilor și a finanțării terorismului (AML/CFT), observăm o îndepărtare de modelul de conformitate extrem de prescriptiv, bazat pe bifarea unor căsuțe. În realitate, acest lucru ridică ștacheta în materie de conformitate, în loc să ușureze sarcina, deoarece instituțiile trebuie să interpreteze reglementările, să-și definească propriile riscuri și să stabilească ce înseamnă acestea pentru modelul lor operațional. Această schimbare implică în mod inerent diverse departamente și funcții din cadrul unei organizații, nu doar echipele de conformitate și audit.

Ați susținut că băncile ar trebui să nu mai trateze fiecare schimbare majoră de reglementare ca pe un nou proiect de transformare și, în schimb, să facă din gestionarea schimbărilor de reglementare o capacitate operațională permanentă. Cum ar arăta în practică un astfel de model operațional și de ce le-a fost atât de greu, în mod tradițional, instituțiilor financiare să-l dezvolte?

Noul model operațional ar porni de la premisa că schimbarea este continuă; nu mai este un proces care trebuie implementat trimestrial sau doar atunci când auditorii bat la ușă. Dezvoltarea unei soluții pentru LIBOR ne-a arătat că, deși o schimbare de reglementare poate fi implementată în cele din urmă, nevoia de adaptare nu dispare. Înțelegerea schimbării, transpunerea ei în cerințe operaționale și actualizarea proceselor vor fi necesare și pentru următoarea schimbare de reglementare.

Noul model operațional nu trebuie nici să fie izolat în cadrul funcției de conformitate. Într-un model mai bine adaptat la nivelul de risc, funcția de conformitate poate rămâne, în cele din urmă, responsabilă de respectarea cerințelor, dar operațiunile, departamentul juridic și, în unele cazuri, gestionarea riscului de contraparte devin, toate, mai importante. Una dintre greșelile pe care le pot face instituțiile este să subestimeze amploarea efectelor schimbărilor de reglementare asupra organizației.

Din punct de vedere istoric, acest lucru a fost dificil, deoarece întreprinderile și-au construit infrastructuri tehnologice fragmentate și modele operaționale izolate. Când diferite unități de business se bazează pe platforme separate de automatizare robotică a proceselor (RPA), de gestionare a proceselor de business (BPM), de raportare și pe alte platforme, răspunsul la o nouă cerință devine, în sine, un proiect de integrare.

Atunci când este introdusă o nouă reglementare, o bancă poate fi nevoită să stabilească ce clienți, produse, contracte, sisteme și procese sunt afectate. În ce privințe poate AI să îmbunătățească substanțial această analiză a impactului și ce părți ale procesului necesită în continuare reguli deterministe sau judecată umană?

AI poate reduce semnificativ volumul de muncă manuală necesar pentru a înțelege și implementa schimbările de reglementare. Mai precis, AI poate contribui la analizarea și clasificarea unor volume mari de informații și la identificarea domeniilor asupra cărora ar trebui să se concentreze atenția oamenilor. De exemplu, funcționalitățile EvoluteIQ de răspuns la reglementări pot clasifica și prioritiza contractele în funcție de client și de tipul activului, pot conecta aceste informații cu sistemele întreprinderii și cu surse externe de date, apoi pot orchestra activitățile ulterioare în domeniile juridic, al riscului și al operațiunilor. Astfel, instituțiile pot trece de la identificarea elementelor care ar putea fi afectate la gestionarea efectivă a schimbărilor rezultate pe parcursul întregului proces.

Controlul și supravegherea umană rămân esențiale. În anumite părți ale unui proces reglementat, instituția are nevoie de reguli de business, condiții, excepții și căi de escaladare clar definite. Modelul pe care îl susținem combină adaptabilitatea AI cu automatizarea deterministă și judecata umană, acolo unde este cazul. AI poate contribui la interpretarea informațiilor și la evidențierea aspectelor care ar putea necesita acțiuni; regulile deterministe pot stabili modul de executare a deciziilor definite, iar excepțiile sau deciziile care necesită discernământ pot fi escaladate către persoana potrivită.

Implementarea reglementărilor implică adesea echipele juridice, de conformitate, de risc, de operațiuni, de date și de tehnologie. Cum pot AI și orchestrarea proceselor să ajute aceste grupuri să lucreze pornind de la o interpretare comună a unei reglementări, în loc să creeze fluxuri de lucru separate și reguli de business potențial contradictorii?

Una dintre cele mai importante implicații ale unui model de conformitate mai bine adaptat la nivelul de risc este distribuirea responsabilităților la un nivel mai larg în organizație. Răspunderea finală poate reveni în continuare funcției de conformitate, dar echipele de operațiuni, juridice și de gestionare a riscului de contraparte au toate un rol important. Prin urmare, instituțiile trebuie să evite să trateze implementarea ca pe o activitate pe care funcția de conformitate o poate desfășura în mod izolat.

De aceea, o platformă integrată este esențială. Într-o organizație mare, în acest nou model trebuie integrate diverse sisteme de evidență și reguli de business, însă trebuie luate în considerare și complexitățile legate de securitate. O abordare unificată poate reduce riscul ca diferite părți ale organizației să implementeze aceeași schimbare folosind stive tehnologice complet separate.

AI generativă poate interpreta documente de reglementare complexe, dar băncile nu își pot permite halucinații sau interpretări inconsecvente atunci când sunt implicate decizii de conformitate. Ce măsuri de protecție ar trebui implementate pentru sistemele AI utilizate în gestionarea schimbărilor de reglementare și în ce etape ale procesului decizional ar trebui să rămână implicați experții umani?

În primul rând, nu implementați agenți AI în mod izolat, deoarece aceștia pot duce la proliferarea necontrolată a agenților în lipsa unei guvernanțe adecvate.

În al doilea rând, ceea ce poate automatiza o organizație nu este limitat doar de capacitățile sale tehnice, ci și de reglementări, de protecția vieții private și de datele care pot fi partajate în mod legal.

Principiul fundamental de proiectare care trebuie respectat este că AI ar trebui să accelereze activitatea de interpretare, fără a fi responsabilă de decizie. Răspunderea pentru conformitate le revine unor persoane desemnate, așa cum se așteaptă autoritățile de reglementare. Măsurile de protecție se împart în două categorii: controale asupra rezultatelor generate de AI și stabilirea deliberată a punctelor în care este necesară o decizie umană. Fiecare rezultat generat de AI trebuie să se bazeze pe o sursă autorizată, iar în cadrul sistemului AI trebuie stabilite măsuri de protecție pentru intrări și ieșiri.

În cele din urmă, pentru fiecare rezultat trebuie păstrată o pistă de audit care să cuprindă clauzele-sursă, versiunile modelului și ale promptului, nivelul de încredere, persoana care a făcut verificarea, decizia și justificarea acesteia.

Posibilitatea de a audita este deosebit de importantă în serviciile financiare. Dacă AI contribuie la interpretarea unei reglementări, la generarea regulilor de business, la identificarea clienților afectați și la inițierea fluxurilor de lucru, cum pot instituțiile păstra o pistă clară de dovezi care să le arate autorităților de reglementare exact cum și de ce a fost luată fiecare decizie?

În industriile puternic reglementate, trasabilitatea trebuie să depășească documentarea deciziei finale. Este mult mai util să poți reconstitui traseul care a condus la acea decizie, arătând ce informații au fost folosite, ce reguli s-au aplicat, ce decizii s-au luat, ce modificări au fost făcute pe parcursul procesului, precum și unde au intervenit oamenii și ce au aprobat.

Pe măsură ce mai mulți agenți, reguli de afaceri și fluxuri de lucru interacționează, trasabilitatea devine și mai importantă. Auditabilitatea ar trebui integrată în stratul de orchestrare. Jurnalele deciziilor pot urmări deciziile, modificările regulilor și justificarea acestora, în timp ce trasabilitatea agenților de la un capăt la altul oferă vizibilitate asupra unui lanț de acțiuni autonome.

Dacă un organism de reglementare întreabă de ce un anumit client, contract sau tranzacție a fost gestionat într-un anumit fel, instituția financiară ar trebui să poată reconstitui traseul de la acel rezultat, trecând prin datele, regulile, deciziile bazate pe IA, aprobările și acțiunile care l-au generat. Astfel, explicabilitatea nu mai este doar o chestiune care ține de model, ci devine o capacitate operațională.

Băncile mari funcționează pe baza unor infrastructuri vechi de zeci de ani, iar datele esențiale despre clienți și tranzacții sunt dispersate în numeroase sisteme. Cum pot construi un strat reutilizabil de conformitate bazat pe IA fără să încerce o înlocuire costisitoare a întregii infrastructuri tehnologice? 

Orice nouă capacitate la nivelul unei întreprinderi trebuie să funcționeze în infrastructura existentă. Nu este rezonabil să ne așteptăm la altceva. Consolidarea este, de asemenea, importantă, deoarece auzim tot mai des de la clienți că folosesc mai multe platforme RPA sau un sistem BPM vechi, cu mai multe tehnologii de raportare distincte în cadrul întreprinderii. Clienții noștri vorbesc tot mai deschis despre concentrarea asupra instrumentelor și sistemelor care generează rentabilitatea investiției, în loc să caute un înlocuitor. Prin urmare, un strat reutilizabil de conformitate trebuie să funcționeze în infrastructura existentă, nu să pornească de la presupunerea că tot ce se află dedesubt va fi înlocuit.

Ați colaborat cu instituții financiare de-a lungul mai multor generații de tehnologii, de la sistemele de bază tradiționale la automatizarea robotică a proceselor, învățarea automată și, acum, IA agentică. Ce este fundamental diferit în actuala tranziție către IA și unde credeți că riscă instituțiile financiare să repete greșelile din ciclurile anterioare de automatizare?

Primele generații de automatizare erau destinate unor activități deja bine definite. Sistemele bancare de bază codificau înregistrări și tranzacții. RPA automatiza apăsările de taste pe diferite ecrane. Învățarea automată făcea predicții punctuale, precum scoruri de fraudă și riscuri de credit, pe baza unor date structurate, cu o precizie măsurabilă. În toate cazurile, un om sau o regulă fixă decidea ce urma să se întâmple, iar tehnologia urma un traseu cunoscut.

IA agentică schimbă acest lucru în câteva privințe:

• Gestionează mai eficient activitățile nestructurate, care presupun un anumit grad de judecată. Băncile nu mai automatizează doar sarcini, ci deleagă rezultate, iar sistemul își alege singur traseul.
• Poate eșua fără să dea semne evidente. Când o bancă modifica aspectul unui ecran, un robot RPA se defecta în mod evident și cineva îl repara. Un model lingvistic care greșește oferă un răspuns fluent, plauzibil și sigur pe sine. Asta este o problemă.
• Comportamentul său este probabilistic, așa că ancorarea lui în contextul întreprinderii, pentru a evita halucinațiile, este extrem de importantă.
• În cele din urmă, dezvoltarea cu ajutorul IA a devenit ieftină, iar utilizatorii din mediul de afaceri pot acum crea agenți funcționali într-o după-amiază. Înainte, capacitatea IT era factorul care limita automatizarea; acum, factorul limitativ este capacitatea de guvernanță.

Instituțiile financiare ar trebui, de asemenea, să se asigure că nu uită lecțiile învățate în perioada automatizării tradiționale. Iată câteva exemple:

• Automatizarea proceselor defectuoase. Cea mai mare moștenire a RPA a fost miile de roboți suprapuși peste procese pe care nimeni nu le reproiectase. Acest lucru a creat o datorie tehnică fragilă, a cărei întreținere continuă să le coste bani băncilor. Adăugarea agenților peste aceleași fluxuri de lucru fragmentate repetă greșeala, de această dată la un nivel mai sofisticat. Băncile ar trebui mai întâi să reproiecteze activitatea și abia apoi să decidă ce să delege.
• Urmărirea indicatorilor de vanitate: proiectele demonstrative stagnează dacă nu există un parcurs finanțat către implementarea în producție. Numărarea agenților implementați repetă obiceiul RPA de a număra roboții în loc să măsoare rezultatele concrete pentru afacere.
• Investiții insuficiente în fundamentele datelor. Învățarea automată ne-a arătat că nivelul de calitate al unui model este limitat de calitatea datelor. Agenții care extrag informații din politici învechite, documente duplicate sau surse contradictorii vor raționa cu încredere pornind de la premise greșite.

Privind spre viitor, credeți că respectarea reglementărilor va evolua către o formă de conformitate continuă sau chiar parțial autonomă, în care sistemele de IA detectează modificările de reglementare, le evaluează impactul, actualizează fluxurile de lucru și semnalează doar excepțiile care necesită judecată umană? Ce ar trebui să se întâmple înainte ca băncile și autoritățile de reglementare să se simtă confortabil cu un asemenea nivel de autonomie?

Da, dar autonomia va apărea treptat. Detectarea, trierea, cartografierea impactului și actualizarea fluxurilor de lucru pentru modificări bine definite vor deveni în mare măsură continue și automatizate. Judecarea regulilor ambigue, acceptarea riscurilor și stabilirea pozițiilor de reglementare vor rămâne în sarcina oamenilor. Un rezultat final realist este „autonomia supravegheată”, în care mașinile gestionează ciclul în mod implicit, iar oamenii intervin pentru a gestiona excepțiile.

Pentru ca acest lucru să se întâmple, autoritățile de reglementare trebuie, de asemenea, să publice reguli în formate structurate și cu versiuni, bazându-se pe inițiative precum activitatea FCA și a Băncii Angliei privind raportarea digitală în scopuri de reglementare.

De asemenea, va fi necesar să existe posibilitatea revenirii asupra modificărilor și mecanisme de oprire de urgență integrate în sistemele de execuție, astfel încât modificările autonome ale fluxurilor de lucru să poată fi anulate cu ușurință atunci când sunt detectate anomalii, rate de eroare sau modificări ale modelului. Supervizorii se vor simți mai repede în largul lor atunci când vor folosi ei înșiși instrumente similare. Astfel se creează un limbaj comun pentru testare și, eventual, în timp, posibilitatea supervizării directe de la o mașină la alta.

Vă mulțumim pentru interviul excelent. Cititorii care doresc să afle mai multe pot vizita EvoluteIQ.