Виджай Виджаясанкар, глобальный офицер Agentic AI в Genpact – Интервью

Виджай Виджаясанкар, глобальный офицер Agentic AI в Genpact, возглавляет глобальную продуктизацию решений Agentic AI, с фокусом на сдвиге создания стоимости предприятий от традиционных моделей, основанных на рабочей силе, к моделям, основанным на результатах, с более высокими маржами. В своей роли он помогает формировать подход Genpact к масштабированию ИИ во всей компании, создавая организационные модели вокруг как разработчиков ИИ, которые проектируют продвинутые слои оркестровки, так и практиков ИИ, которые привносят экспертизу в области в рабочие процессы, управляемые автономными агентами. До прихода в Genpact Виджаясанкар занимал руководящие должности в IBM, включая должность управляющего партнера по финансовым услугам, технического директора IBM Services North America и генерального менеджера по когнитивным, IoT, аналитическим и здравоохранительным решениям в GBS North America, а также ранее занимал исполнительные должности в MongoDB (MDB ) и SAP.

Genpact – это компания, предоставляющая агентные и продвинутые технологические решения, которая помогает крупным предприятиям модернизировать свои операции с помощью процессного интеллекта, искусственного интеллекта, данных и цифровой трансформации. Компания работает в таких областях, как финансы и бухгалтерский учет, обслуживание клиентов, риск и соблюдение требований, закупки и поставки, цепочка поставок, технологии и доверие и безопасность, а ее услуги в области данных и ИИ направлены на помощь организациям в использовании продвинутой аналитики, ИИ и автономных агентов для превращения сложных данных в измеримые бизнес-результаты.

Вы провели более двух десятилетий в компаниях, включая IBM, MongoDB, SAP и теперь Genpact, где вы служите глобальным офицером Agentic AI. Оглядываясь на эволюцию от больших данных и аналитики к современным агентным системам ИИ, какие уроки наиболее сформировали ваше представление о том, как предприятиям следует подходить к трансформации ИИ?

Я смотрел этот же фильм три раза. Большие данные были серебряной пулей для принятия решений. Облако было мгновенным переключением для организационной гибкости. Теперь агентный ИИ – это лекарство от операций. В каждом цикле компании, которые генерировали ценность, фокусировались на своих операционных моделях, процессах и людях. Те, кто боролся, и многие все еще борются, рассматривали технологию сама по себе как трансформацию.

Что фундаментально отличается в агентном ИИ, так это его местоположение. Он находится на уровне выполнения, а не на уровне洞察. Старые инструменты генерировали графики и рекомендации. Агенты выполняют действия. Плохой аналитический داشборд производит плохой график, который человеческий аналитик обнаруживает до того, как он попадет на стол генерального директора. Плохой агент выполняет плохую транзакцию в масштабе до того, как кто-либо осознает, что это произошло. Это изменяет профиль риска полностью и заставляет уровень операционной дисциплины, который большинство компаний не нуждались раньше. Я научился быть подозрительным к своему собственному энтузиазму. Агентный ИИ fascinates, но именно тогда, когда вам нужно замедлить и проверить основы.

Новый отчет Genpact с HFS Research оценивает, что нерешенная корпоративная задолженность ловит почти 18 триллионов долларов потенциальной ценности во всем мире. Что удивило вас больше всего в результатах, и почему вы считаете, что многие организации продолжают недооценивать влияние задолженности процессов, данных, технологий и талантов?

Что было открытием, так это масштаб ценности, запертой за неэффективными процессами, фрагментированными данными, устаревшими технологиями и проблемами готовности рабочей силы, измеряемыми триллионами долларов.

Что имеет значение больше, чем общая сумма, так это то, как структурируется проблема. Большинство лидеров смотрят на эти проблемы как на отдельные силосы. Проблему данных, проблему процесса, проблему технологии, проблему навыков, каждая из которых рассматривается отдельно. Они не отдельны. Плохие данные заставляют людей изобретать ручные обходы. Эти обходы создают сложность процесса. Эта сложность выгорает ваших лучших людей и делает ваши операции хрупкими. Когда инициатива ИИ прибывает, она сталкивается со всем этим одновременно. ИИ обвиняется в неудаче, которая была запечатлена в бизнесе decade назад. Мы говорим об корпоративной задолженности как о бремени затрат, но это более точно ростовое ограничение. Это различие имеет значение, потому что оно меняет, кто владеет проблемой и что исправление ее стоит.

Отчет показал, что 85% руководителей считают, что корпоративная задолженность ограничивает реализацию ценности ИИ. Почему вы думаете, что предприятия продолжают инвестировать значительные средства в ИИ, часто пренебрегая основными проблемами, которые мешают этим инвестициям приносить доход?

Потому что ИИ виден, а основы невидимы. Каждый совет директоров хочет увидеть стратегию ИИ. Каждый генеральный директор нуждается в истории, которую можно рассказать. Развертывание блестящей новой модели – это заголовок. Перепроектирование основного процесса цепочки поставок – это thankless, невидимая работа, пока она наконец не заработает.

Я видел организации, которые тратят шесть месяцев на выбор модели и шесть дней на изучение процесса, который эта модель должна улучшить. Это соотношение обратное, и они обнаруживают это трудным путем. Бутылочное горлышко почти никогда не является ИИ. Это несовместимые процессы, несвязанные системы и данные, за которые никто не был ответственен в течение многих лет. ИИ не решает эти проблемы. Он их обнажает быстрее. Структуры стимулов не вознаграждают исправление основ. Нет демонстрации для очистки управления данными. Руководители, которые это делают тихо, делают ставку на то, что операционное здоровье складывается с течением времени, но большинство советов директоров не измеряют это.

Долг данных появился как крупнейший блокатор ИИ в исследовании. Какие практические шаги должны предпринять предприятия сегодня, чтобы перейти от фрагментированных, низкокачественных сред данных к основам данных, которые могут поддерживать агентный ИИ в масштабе?

Перестаньте пытаться запустить огромную, централизованную программу управления. Это технологический ответ на проблему подотчетности. В большинстве крупных организаций никто не владеет точностью информации, которая управляет бизнесом.

Практическая отправная точка – выбрать горстку высокоценных процессов и работать назад. Какие решения нужно принять? Какие данные требуются для этих решений? Кто владеет этими данными? Как часто они неверны? Этот упражнение сразу же выявляет пробелы в подотчетности. И нам нужно это сделать правильно, потому что агенты терпят неудачу тихо. Человеческий аналитик видит два системы, которые не согласуются, и принимает решение. Агент арбитрирует между конфликтующими данными и выполняет с полной уверенностью. Если разные части вашей организации определяют клиента или транзакцию по-разному, агент принимает уверенные решения из плохих входных данных, и ничего в вашей организации не обнаруживает это. Это новая категория операционного риска, с которой большинство организаций еще не полностью ознакомились.

Агенты не обрабатывают неоднозначность так, как люди. Это также причина, по которой успех агентного решения зависит менее от интеллекта моделей и более от качества ограничений, установленных на месте.

Вы утверждали, что нет ИИ без интеллекта процессов. Почему вы считаете, что перепроектирование процесса часто более важно, чем сама модель ИИ, когда организации пытаются автоматизировать сложные бизнес-операции?

Потому что модель работает так же хорошо, как процесс, в который она встроена, а не лучше. Организации одержимы выбором модели, потому что там виден инновационный процесс, но процесс – это то место, где создается ценность.

Если рабочий процесс имеет избыточные утверждения, дублирующую работу или неясную собственность, ИИ не исправляет эти вещи. Он ускоряет их. Вы получаете сломанный результат быстрее и в большем масштабе. Люди часто думают, что тщательное перепроектирование процесса замедляет их, но реальность является точной противоположностью. Вы экономите восемнадцать месяцев, которые вы бы потратили на исправление плохого развертывания. Подумайте об этом как о транспортном средстве: вы можете поставить лучший двигатель, когда-либо построенный, в машину с неправильно выровнеными колесами, и она все равно будет тянуть влево.

Многие организации экспериментируют с агентами ИИ, но относительно немногие успешно развернули их в основных бизнес-функциях. Что отличает предприятия, которые переходят за пределы пилотов от тех, кто остается в режиме доказательства концепции?

Пилоты предназначены для успеха. Вы выбираете лучший процесс, чистые данные и наиболее мотивированную команду. Масштабирование означает столкновение с реальной средой, где ни одно из этих условий не действует.

Организации, которые масштабируются, перестают создавать искусственные условия с самого начала. Они выбирают реальную операционную проблему, назначают владельца, который отвечает за бизнес-результат, а не за технологию, и включают управление в проект с самого начала. У нас есть клиенты, которые запускают агентов в производстве по всему миру, включая счета к оплате и мониторинг транзакций. Цифры производительности есть, но реальное изменение – это структура. Конечное состояние – это фундаментально другой рабочий процесс, где люди освобождаются для выполнения стратегической работы, которую они никогда не имели времени делать раньше. Масштабирование агентов – это вызов лидерства, а не программного обеспечения.

Отчет подчеркивает, что только 6% предприятий успешно решили свои основные проблемы с задолженностью. Что делают эти организации по-другому, и какие распространенные ошибки вы видите среди компаний, которые борются за достижение значительного прогресса?

Они рассматривают это как бизнес-проблему, а не как программу ИТ. Это связано с спонсорством руководства и измеримой бизнес-производительностью. Они понимают, что операционное здоровье неотделимо от стратегии роста. Это стратегия роста.

Остальные 94% преследуют симптомы. Они развертывают инструмент для исправления проблемы процесса или запускают инициативу ИИ, чтобы компенсировать плохие данные. Это производит краткосрочный толчок, но основная проблема остается, и задолженность продолжает накапливаться. Лидеры, которые нарушают цикл, готовы сказать то, что большинство руководителей не скажут: этот процесс был сломан в течение пятнадцати лет, мы построили целые операционные модели вокруг его неудач, и мы собираемся разрушить и перестроить все с нуля. Это признание неудобно. Оно приглашает вопросы о том, почему это не было исправлено раньше. Те, кто принимает это решение, – это те, кто делает реальный прогресс.

Вы говорили о различии между “строителями ИИ” и “практиками ИИ”. Как вы видите эволюцию рабочей силы предприятий в течение следующих пяти лет, и какие навыки станут наиболее ценными, когда люди все чаще работают вместе с автономными агентами?

Самый ценный навык будет заключаться в том, чтобы знать, как сформулировать проблему. Когда ИИ обрабатывает больше выполнения, качество результата зависит от качества вопроса и суждения, примененного к выходным данным. Вам нужно уметь распознавать, когда что-то выглядит правильно, но является структурно неправильным.

Помимо этого, я бы подчеркнул три конкретных вещи. Первое – глубина области. Общие возможности ИИ быстро становятся коммодитизированными, поэтому общая экспертиза теряет рычаг. Премиум будет идти глубоким экспертам по области, которые сочетают настоящую функциональную экспертизу с возможностью применения ИИ в этом контексте. Второе – обработка исключений. Вам нужны люди, которые знают, что делать, когда агент сталкивается со стеной или финансовые ставки слишком высоки, чтобы автоматизировать, что требует институциональной мудрости, а не данных для обучения. Третье – проектирование рабочего процесса, то есть способность структурировать работу так, чтобы люди и интеллектуальные системы делали то, для чего они лучше всего подходят, и распознавать, когда это разделение нужно изменить. Это не термин, который отрасль еще не установила, но навык реален и в настоящее время недооценен.

Существует продолжающийся спор о том, будет ли ИИ устранять рабочие места или преобразовывать их. Вы утверждали, что большая часть беспокойства возникает из-за недопонимания того, что ИИ действительно хорошо делает. Как вы видите развитие отношений между человеческой экспертизой и агентами ИИ, когда внедрение ускоряется?

ИИ великолепен в задачах, которые четко определены, имеют высокий объем и зависят от шаблонов, таких как обработка счетов, мониторинг торговых аномалий и составление обычных коммуникаций. Он делает эти вещи быстрее и в масштабе, которого человеческая команда не может достичь. Однако ИИ не может нести ответственность за реальные результаты, ни обрабатывать такие вещи, как новизна, неоднозначность и запутанные человеческие отношения, поэтому человеческая экспертиза остается важной.

Большинство рабочих мест представляют собой коллекцию задач, а не одну деятельность, и ИИ будет поглощать слой выполнения с течением времени. Это не устраняет потребность в людях, это просто меняет то место, где они создают ценность. Когда рутинная работа автоматизируется, экспертиза смещается в сторону решения исключений, перепроектирования процессов и помощи организациям адаптироваться, когда технологические и бизнес-потребности развиваются. Некоторые роли изменятся значительно, и лидеры несут ответственность за решение вопроса о том, является ли новая работа, создаваемая для людей, чья старая работа исчезает, доступной. Ответ зависит почти полностью от выбора, который делают организации о обучении и переходе. Это решение лидерства, а не технологический результат. Компании, которых я больше всего уважаю, честны со своими командами о том, какие роли меняются, по какому графику, где человеческая экспертиза остается чрезвычайно ценной, и какие реалистичные пути вперед выглядят. Большинство из них еще не ведут этот разговор.

Оглядываясь вперед, какой видит真正ая агентная компания в практике? Если мы вернемся к этому разговору через пять лет, какие изменения в бизнес-операциях, организационном дизайне и развертывании ИИ, вы ожидаете, станут стандартными в ведущих предприятиях?

Мы перестанем говорить об ИИ как о отдельной инициативе, как мы перестали говорить о том, чтобы стать цифровыми. Это просто то, как работа выполняется.

Структурное изменение – это то, что меня больше всего интересует. Большинство нашей текущей иерархии существует, потому что информация была трудно передаваема. У нас есть цепочки утверждений и координационные роли, потому что информация должна была путешествовать от того места, где она была создана, до того места, где принимались решения. Агенты сокращают это расстояние. Когда они это делают, значительная часть координационной инфраструктуры становится излишней. Организации, которые признают это рано и перепроектируют вокруг этого, будут иметь преимущество в скорости, которое складывается.

Мы также увидим сдвиг в том, как ИИ покупается и доставляется. Компании программного обеспечения строят продукты, но не несут ответственности за результаты. Компании услуг берут на себя ответственность, но борются с созданием масштабируемых продуктов. Обе модели неадекватны. То, что мы строим в Genpact, – это продуктизированный ИИ в конкретных областях, доставляемый как результат. Вы покупаете результат, и мы несём ответственность за него. Я думаю, что это станет стандартом, потому что оно правильно выравнивает стимулы. Поставщик, который продает только возможность, не имеет заинтересованности в том, чтобы это работало в вашей среде. Те, кто несет ответственность за результат, имеют каждый стимул. Победители этой эры не будут определяться наличием самых совершенных моделей ИИ. Они будут определяться освоением структурного перепроектирования между людьми, процессами и интеллектуальными системами. Мы только находимся на первом дне этого сдвига. Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Genpact.