Ajay Vasal, Global Ledare för Data & AI, Genpact – Intervjuer

Ajay Vasal, Global Ledare för Data & AI, Genpact, är en veteran inom teknik och strategi med mer än två decenniers erfarenhet inom artificiell intelligens, datastrategi, digital transformation, fusioner och förvärv samt företagskonsulting. I sin nuvarande roll på Genpact leder han initiativ som fokuserar på att hjälpa företag att skala upp AI-användning och gå från assisterande AI till mer autonoma, operativt införda system. Innan han gick med i Genpact tillbringade Vasal nästan nio år på Accenture, där han hade flera seniora ledarroller, inklusive Global Data & AI Lead för konsumentindustrier och Global Chef för Centre for Data & Insights. Under hela sin karriär har han fokuserat på att hjälpa organisationer att låsa upp mätbara affärsvärden från data genom operativ effektivitet, intäktsökning och riskminskning, samtidigt som han lett strategiska investeringar, M&A-initiativ och AI-drivna transformationsprogram över hela branschen.

Genpact är ett globalt företag inom professionella tjänster och digital transformation som specialiserar sig på data, AI, analyser, intelligent automation och operativ modernisering för stora företag. Ursprungligen grundat inom General Electric (GE.TO ) innan det blev ett oberoende företag, servar Genpact nu organisationer över hela branschen, inklusive finansiella tjänster, hälsovård, tillverkning, detaljhandel och konsumentvaror. Företaget har alltmer positionerat sig runt AI-driven företagstransformation, som kombinerar analyser, automation och branschkompetens för att hjälpa företag modernisera arbetsflöden, förbättra beslutsfattning och distribuera storskaliga AI-system på ett ansvarsfullt sätt.

Du har tillbringat år på Accenture och format data- och AI-strategi över hela branschen innan du gick in i din nuvarande roll på Genpact. Hur har den erfarenheten påverkat din syn på varför företag fortfarande kämpar för att extrahera verkligt värde från AI-investeringar idag?

En av de största lärdomarna från att arbeta över hela branschen är att de flesta organisationer inte misslyckas för att tekniken är svag. Verkligheten är att de kämpar för att de försöker lägga till AI på operativa modeller som aldrig varit utformade för autonom utförande. Resultaten från vår senaste forskning förstärker den punkten tydligt. Medan företag flyttar aggressivt in i AI-användning, kämpar många fortfarande för att omforma de operativa modellerna som behövs för att stödja autonom utförande i stor skala. Det gapet betonar hur många företag fortfarande arbetar med frågor runt styrning, ansvar och organisatorisk beredskap.

Vi ser också att organisationer flyttar snabbt innan de har rätt mätningsramar på plats. 71 procent av cheferna tror att agensbaserad AI kommer att leverera ROI snabbare än någon tidigare våg av teknik, men 67 procent förlitar sig fortfarande på produktivitetsmått som byggdes för tidigare automationsmodeller. Min erfarenhet har visat att lyckad AI-användning aldrig bara handlar om att distribuera modeller. Det handlar om att omforma arbetsflöden, anpassa teknik med affärsprioriteter och hjälpa människor att förstå hur deras roller utvecklas bredvid alltmer autonoma system.

Din senaste rapport, Autonomi kräver förtroende för AI, visar att de flesta cheferna tror att agensbaserad AI kommer att förändra affärsverksamheternas grund, men de flesta system förblir övervakade. Vad är den största diskonsekvensen mellan tro och utförande?

Diskonsekvensen är helt och hållet centrerad kring förtroende. Cheferna tror tydligt att agensbaserad AI kommer att omforma hur arbetet utförs, men förtroende för tekniken översätts inte automatiskt till komfort med att överlämna beslutsfattande myndighet. Vår forskning fann att endast 22 procent av organisationerna är bekväma med att tillåta AI-system att operera med domänbaserad eller bred autonomi.

De flesta företagen är fortfarande bekväma med att använda AI som en assistent som kan rekommendera, sammanfatta eller stödja arbetsflöden. Tveksamheten börjar när AI-system förväntas agera autonomt på sätt som påverkar verksamhet, kunder, efterlevnad eller finansiella resultat. Den tveksamheten tvingar många företag att hålla människor tätt involverade i godkännande- och tillsynsprocesser, även när de trycker på mot mer autonoma operativa modeller.

Många företag investerar tungt i AI men lyckas inte demonstrera meningsfulla avkastningar. Vilka är de vanligaste misstagen organisationer gör när de försöker mäta AI-drivna värden?

En stor misstag är att många organisationer fortfarande använder produktivitetsmått som utformats för tidigare vågor av automation. Data visar att 67 procent av företagen fortfarande förlitar sig på produktivitetsbaserade mått som inte kan fullt ut fånga värdet av adaptiva, beslutsdrivna system. Det skapar en verklig diskonsekvens mellan förväntningar och hur värde faktiskt mäts.

En annan fråga är att många organisationer ännu inte har definierat AI-nativa framgångsmått. Endast en liten procent av företagen mäter saker som autonomt arbetsflödesutförande, minskad eskalering eller autonom undantagshantering. Om företagen fortsätter att fokusera bara på kostnadsreducering eller timmar sparade, kommer de att missa den bredare operativa påverkan som agensbaserad AI är utformad för att skapa.

Rapporten föreslår att organisationsberedskap är en större barriär än tekniken i sig. Vilka specifika strukturella förändringar behöver företag göra för att låsa upp det fulla potentialen av agensbaserad AI?

Organisationer behöver omdefiniera hur ansvar, ägarskap och beslutsfattande fungerar över hela verksamheten. En av de tydligaste slutsatserna från forskningen är att organisationsberedskap blir en större barriär än tekniken i sig. Faktum är att 33 procent av företagen identifierade att affärsprocesser inte var redo för agensbaserad integration som den främsta hindret för antagande.

De företag som gör den största framstegen omformar arbetsflöden från början till slut så att autonoma system kan operera inom tydligt definierade gränser och tillsynsstrukturer. Vi fann också att 44 procent av företagen förväntar sig att agensbaserad AI kommer att platta till ledningsstrukturer när system absorberar samordningstyper som traditionellt hanteras av mellanchefer. Anställda behöver mycket större tydlighet runt tillsynsansvar, ingripandepunkter och var mänsklig bedömning passar in i en alltmer autonom miljö.

Endast en liten procent av organisationer är bekväma med att ge AI-agenter verklig autonomi. Vad kommer det att ta för företag att lita på AI-system med beslutsfattande myndighet?

Förtroende för agensbaserad AI kommer slutligen ner till ansvar och kontroll. Företag är fortfarande försiktiga med att överlämna beslutsfattande myndighet eftersom ledare vill ha förtroende för att autonoma system kan operera inom tydliga räcken och styrningsstrukturer.

De företag som flyttar framåt designar system där eskalationsvägar, ingripandetrigger och styrningskontroller är inbyggda i den operativa modellen. De flesta organisationer ger autonomi stegvis baserat på affärscontext och risktolerans snarare än att göra ett plötsligt språng till full autonomi. När företag vinner förtroende genom lyckade distributioner, växer förtroendet eftersom ledare tydligt kan se hur beslut fattas, var ansvar ligger och hur mänsklig tillsyn upprätthålls.

Företag förväntar sig att skala agensbaserad AI snabbt, men många förlitar sig fortfarande på föråldrade produktivitetsmått. Hur ska mer effektiva, AI-nativa prestandamått se ut?

AI-nativa mått behöver mäta utförande och resultat snarare än aktivitet. Traditionella produktivitetsmått fokuserar på om människor arbetar snabbare, men agensbaserad AI förändrar ekvationen eftersom systemet i sig börjar bära en del av den operativa arbetsbördan. Det är viktigt eftersom många organisationer fortfarande mäter agensbaserad AI genom en produktivitetslins som utformats för tidigare automationsvågor snarare än autonom utförande.

Mer effektiva mått bör fokusera på autonomt arbetsflödesutförande, minskad eskalering, snabbare beslutsutförande och hur effektivt system hanterar undantag med begränsad mänsklig inblandning. Dessa mått ger en mycket tydligare bild av om AI verkligen förbättrar utförandet i stor skala.

Du betonar att processomformning är den ledande barriären för antagande. Varför är arbetsflödesomvandling viktigare än modellprestanda i denna nästa fas av AI?

Arbetsflödesomvandling är viktig eftersom även de mest avancerade AI-systemen inte kan skala effektivt inom trasiga eller fragmenterade processer. Vår forskning fann att 33 procent av företagen identifierade processberedskap som den ledande barriären för agensbaserad AI-antagande.

Det som gör denna nästa fas annorlunda är att agensbaserad AI är utformad för att utföras över arbetsflöden snarare än att bara assistera inom dem. Organisationer måste omforma processer runt autonom utförande genom att tydliggöra beslutsägarskap, ta bort onödiga överlämningar och införa styrning direkt i arbetsflöden. På många sätt är arbetsflödesomformning nu den sanna grunden för skalbar AI-användning.

Rapporten föreslår att AI kommer att platta till organisationsstrukturer när samordningstyper blir automatiserade. Hur ser du ledarskapsroller och mellanchefer utvecklas som ett resultat?

När agensbaserad AI tar på sig mer samordning och operativ tillsyn, är ledarskapsroller sannolikt att förändras från att hantera rutinmässig utförande till att vägleda strategi, bedömning och styrning. Vår forskning fann att många företag förväntar sig att agensbaserad AI kommer att reducera samordningslager över hela organisationen när autonoma system tar på sig mer operativ tillsynsansvar.

Mellanchefer har historiskt spelat en stor roll i att dirigera beslut och upprätthålla operativ kontinuitet över team. När autonoma system börjar hantera mer av dessa aktiviteter, behöver ledare fokusera mer på undantagshantering, ansvar och säkerställa att systemen är i linje med affärsmål. Mänskligt ledarskap kommer att bli ännu viktigare i områden där sammanhang, etik och bedömning fortfarande är viktigast.

Genpact positionerar sig som ett agensbaserat och avancerat teknikföretag. Hur närmar sig företaget agensbaserad AI annorlunda än traditionella konsult- eller teknikföretag?

Genpacts tillvägagångssätt är grundat i utförande och resultat och vad vi ofta beskriver som att lösa “sista milen”-problemet med AI-användning. Många organisationer har redan visat att AI-modeller kan generera insikter eller förbättra produktivitet, men den verkliga utmaningen är att införa dessa förmågor i liveaffärsarbetsflöden där arbetet faktiskt utförs. Det är där många AI-initiativ bromsar. Vår fokus ligger på att hjälpa kunder att operationalisera agensbaserad AI över den sista milen av utförande så att system kan driva mätbara resultat inom finans, leverantörskedja, kundservice och andra kärnaffärsfunktioner.

Det som skiljer vår tillvägagångssätt är kombinationen av djup processkompetens med data, teknik och AI-kapacitet. Vi distribuerar inte bara modeller eller bygger piloter. Vi omformar arbetsflöden, inför styrning i verksamheten och hjälper företag att skapa de ansvarsstrukturer som behövs för autonom utförande i stor skala. Eftersom vi också har infört agensbaserad AI i vår egen verksamhet, bringar vi praktisk erfarenhet av vad det tar att gå från experiment till företagsomfattande påverkan.

Om man ser framåt, tror du att agensbaserad AI kommer att öka gapet mellan ledande och efterföljande företag, och vad bör företag göra nu för att undvika att hamna efter?

Ja, jag tror att gapet kommer att öka eftersom agensbaserad AI ackumulerar värde på ett annat sätt än tidigare tekniktrender. De organisationer som framgångsrikt omformar arbetsflöden, etablerar ansvarsramar och bygger förtroende i autonoma system kommer att skapa operativa fördelar som blir svåra för konkurrenter att replikera. Det som är slående är hur snabbt denna förändring sker. 29 procent av företagen förväntar sig att agensbaserad AI kommer att skala över hela verksamheten inom de närmaste 12 månaderna.

För företag som vill stanna konkurrenskraftiga bör prioriteringen nu vara att förbereda den operativa modellen för autonom utförande. Det inkluderar att omforma arbetsflöden, definiera ägarskapsstrukturer, bygga AI-nativa mätningsramar och investera i arbetsstyrkeberedskap. De organisationer som flyttar tidigt på dessa grundvalar kommer att vara bättre positionerade än de som fortfarande närmar sig AI som en fristående teknikinitiativ.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka Genpact.