Ankur Dhingra, VD för ProHance – Intervjuserie

Ankur Dhingra, VD för ProHance, är en erfaren teknolog- och driftchef med mer än två decennier av ledarskap inom företagsproduktivitet, finansiella tjänster och globala affärsverksamheter. Han har lett ProHance sedan 2020 och fokuserar på att bygga en enhetlig plattform för att observera, styra och förbättra produktiviteten hos mänskliga arbetare, leverantörer och AI‑system. Innan han blev VD var Dhingra partner på FutureIP, där ProHance utvecklades som en plattform för verksamhetshantering och analys. Tidigare tillbringade han över åtta år på American Express, där han tjänstgjorde som vice VD och general manager för Global Back Office Operations samt tidigare ledde kundengagemangsverksamheter som omfattade storskalig telefoni, chatt, regulatoriska och affärssäkerhetsfunktioner. Hans karriär inkluderar även seniora ledarskapsroller på Genpact, där han ansvarade för en bankverksamhet med 1 100 anställda och en P&L på 35 miljoner dollar, samt på GE Capital, där han ledde finansiella tjänster i Indien.

ProHance är ett företag för företagsintelligens och produktivitetsanalys som ger organisationer realtidsinsyn i hur arbete utförs av anställda, externa leverantörer, AI‑kopiloter och autonoma agenter. Plattformen, som positioneras som ett “Productivity Control Room”, kombinerar arbetskraftsanalys, kapacitetsplanering, intelligent arbetsfördelning, produktivitetsmätning och styrningsverktyg för att hjälpa företag identifiera operativa flaskhalsar, optimera resursutnyttjande och förstå AI:s påverkan på organisatorisk prestation. ProHance uppger att deras teknik används av mer än 450 000 användare i 220 företag i 55 länder, med tillämpningar inom bank‑ och finanssektorn, affärsprocess‑outsourcing, globala kompetenscenter, sjukvård och informationsteknik.

Du har mer än två decennier i ledande roller för storskalig drift på GE Capital, Genpact och American Express innan du blev VD för ProHance. Vad har dessa erfarenheter lärt dig om begränsningarna i traditionell arbetskrafts‑ och produktivitetshantering, och hur har dessa lärdomar format sättet du bygger ProHance för ett AI‑först företag?

Min erfarenhet från GE Capital, Genpact och American Express har visat mig att en av de största luckorna i traditionell arbetskraftshantering inte nödvändigtvis ligger i front‑office, utan i back‑office.

På American Express hade jag tidigare arbetat med kundservice, där kontaktcentret hade tillgång till relativt sofistikerad teknik för att mäta produktivitet – var folk spenderade sin tid, utnyttjandegrad, interaktionsvolymer och hur processer kunde optimeras. Men när jag gick över till att leda back‑office‑verksamheter såg jag en helt annan verklighet.

En enorm mängd arbete i stora företag sker bakom kulisserna – transaktionsbehandling, ärendehantering, datainmatning och andra processdrivna aktiviteter – men det fanns väldigt lite meningsfull mätning av hur detta arbete faktiskt utfördes. Den teknik och insyn som fanns för front‑office hade helt enkelt inte överförts till back‑office.

Jag blev nästan irrationellt besatt av problemet. Jag började undersöka tillgängliga teknologier och prata med etablerade aktörer, men det jag fann var antingen för klumpigt, för dyrt eller helt enkelt inte designat för back‑office‑verksamheters verklighet. Jag tänkte hela tiden: detta är en bransch på över 150 miljarder dollar, och ett problem som har funnits i åratal. Någon måste väl lösa det bättre.

Den sökningen ledde mig så småningom till ProHance, där Rajesh Sharma och Kishore Reddy (medgrundare av ProHance) redan hade byggt teknik som adresserade många av de utmaningar jag identifierat som en avancerad användare av dessa system. Jag visste exakt vad tekniken behövde göra – fånga aktivitet automatiskt, fungera över olika operativsystem, mäta tid både på och bortom systemet, samt ge en pålitlig bild av hur arbetet faktiskt sker.

Den erfarenheten har format hur jag tänker på ProHance idag. Lärdomen är att du inte kan bygga ett AI‑först företag enbart genom att lägga till AI på befintliga arbetskraftshanteringsverktyg. Du behöver först en pålitlig, granular förståelse av själva arbetet. AI kan sedan omvandla hur detta arbete analyseras, optimeras och slutligen omdesignas.

För mig handlar ProHance om att föra den samma nivån av insyn och intelligens som företag historiskt haft i front‑office till hela organisationen – och använda AI för att få en bättre mätning av produktiviteten, vilket i grund och botten förbättrar hur arbete utförs.

Allteftersom generativ AI och AI‑agenter tar över en växande andel av kunskapsarbete, kan traditionella produktivitetsindikatorer som arbetade timmar eller programvaruanvändning bli mindre meningsfulla. Hur bör företag omdefiniera produktivitet när en människa kan åstadkomma på 30 minuter vad som tidigare tog flera timmar?

Produktivitet måste gå från att mäta aktivitet till att mäta resultat. Om AI gör det möjligt för någon att slutföra på 30 minuter vad som tidigare tog tre timmar, är tre‑timmarsmåttet inte längre relevant. Fokus bör ligga på vad som uppnåtts, kvaliteten på resultatet och hur effektivt tid och färdigheter använts.

Det innebär också att företag måste förstå var AI verkligen eliminerar repetitivt arbete och var mänskligt omdöme fortfarande är kritiskt. Produktivitet bör i allt högre grad spegla resultat, kapacitet, kvalitet och affärspåverkan, snarare än timmar vid ett skrivbord eller programvaruanvändning.

Du har beskrivit arbetskraftsintelligens som allt viktigare i ett AI‑först företag. Vad betyder “arbetskraftsintelligens” i praktiken, och hur skiljer det sig från de medarbetarövervaknings‑ och arbetskraftsanalysverktyg som företag historiskt använt?

Arbetskraftsintelligens handlar i huvudsak om att ge en organisation en tydligare förståelse för hur arbete faktiskt sker. Det samlar signaler kring arbetsbelastning, kapacitet, utnyttjande, processer och resultat för att hjälpa ledare identifiera var team är överbelastade, var kapacitet finns och var arbete fastnar.

Det skiljer sig från traditionell medarbetarövervakning, som ofta fokuserade på individuell aktivitet. Arbetskraftsintelligens bör verka på en mycket bredare nivå. Målet är inte att fråga ”Vad gör den här medarbetaren varje minut?” utan snarare ”Hur flödar arbetet genom organisationen, och vad kan vi göra för att förbättra det?”

ProHance kombinerar i allt högre grad deterministisk arbetskraftsdata med maskininlärning för att generera prediktiva insikter, bland annat för att identifiera potentiell frånkoppling och risk för personalomsättning. Hur säkerställer du att dessa AI‑modeller skiljer meningsfulla mönster från normala variationer i medarbetarbeteende, och hur viktig är förklarbarhet när chefer fattar beslut om människor?

På ProHance tror vi att kvaliteten och kontexten för den underliggande datan är avgörande. Medarbetarbeteende varierar naturligt beroende på projekt, arbetsbelastning, team, säsonger och affärscykler. En förändring i aktivitet i sig indikerar inte nödvändigtvis frånkoppling eller risk för omsättning.

Metoden är att leta efter mönster över flera signaler och över tid, snarare än att dra slutsatser från ett enskilt beteende. AI kan hjälpa till att identifiera mönster som kan kräva uppmärksamhet, men den bör inte betraktas som den slutgiltiga beslutsfattaren.

Förklarbarhet är lika viktig. Om ett system flaggar en potentiell risk bör chefer kunna förstå faktorerna bakom signalen och tillämpa eget omdöme. När teknik används för att informera beslut om människor är transparens och mänsklig tillsyn väsentliga.

Det finns förståelig oro bland medarbetare när organisationer inför teknik som kan analysera arbetsmönster, programvaruanvändning, inaktivitetstid eller prestation. Var bör företag dra gränsen mellan att få användbar operativ insyn och att skapa en övervakningskultur?

Gränsen bestäms i stor utsträckning av avsikt, transparens och hur datan används. Medarbetare blir naturligtvis obekväma när teknik införs utan klarhet kring vad som mäts och varför.

Målet bör vara att förstå arbete på en organisatorisk och operativ nivå, snarare än att ständigt bevaka individer. Om arbetskraftsdata hjälper till att identifiera överdriven arbetsbelastning, flaskhalsar eller ineffektiva processer kan det faktiskt förbättra medarbetarupplevelsen.

Företag bör också vara tydliga med vad de inte försöker göra. Tekniken ska hjälpa chefer att ha bättre samtal med sina team, inte ersätta dessa samtal eller skapa ett system för ständig observation.

AI‑kopiloter och autonoma agenter blir i allt högre grad en del av själva arbetskraften. Anser du att plattformar för arbetskraftsintelligens så småningom måste mäta produktiviteten hos både människor och AI‑agenter tillsammans, och hur kan en meningsfull människa‑till‑AI‑produktivitetssiffra se ut?

Ja, jag tror att detta blir allt viktigare. När AI‑agenter börjar ta över delar av arbetsflöden ger enbart mätning av mänsklig aktivitet en ofullständig bild av hur arbete utförs.

Men jag tror inte att vi kommer att sluta med ett enda “människa mot AI”‑produktivitetspoäng. Ett mer användbart tillvägagångssätt är att förstå den kombinerade leveransen av personer, AI‑verktyg och agenter i ett arbetsflöde.

Företag kan titta på hur mycket tid AI tar bort från repetitiva uppgifter, hur snabbt processer rör sig, kvaliteten på resultat och var mänsklig inblandning fortfarande krävs. Den egentliga frågan blir: hur effektivt arbetar människor och AI tillsammans?

ProHance talar om att gå bortom rå produktivitetsmätning mot operativ intelligens, inklusive arbetsbelastningsanalys, prognostisering, processoptimering och resursallokering. Hur mycket av framtiden för denna kategori kommer att handla om att AI proaktivt rekommenderar vad chefer bör förändra snarare än att bara presentera dem med instrumentpaneler?

Jag tror att det är dit ProHance ser kategorin gå. Instrumentpaneler är användbara, men de lämnar fortfarande chefer med ansvaret att tolka informationen och besluta vad som ska göras härnäst.

Det nästa steget är att plattformar identifierar ett mönster och hjälper till att svara på ”vad bör vi göra åt det?” Det kan innebära att lyfta fram ett överbelastat team, identifiera en underutnyttjad kompetens, prognostisera en kapacitetsbrist eller föreslå var en process kan förbättras.

För ProHance kommer värdet i allt högre grad att komma från att gå från insyn till handling. AI bör hjälpa chefer att fatta bättre beslut samtidigt som själva beslutet förblir hos den person som förstår verksamheten och kontexten.

Du har jämfört produktivitetsintelligens med en årlig hälsorapport för en organisation. Vilka är de viktigaste signalerna som ledare bör titta på för att avgöra om deras arbetskraft verkligen är frisk, produktiv och framgångsrikt anpassar sig till AI?

Jag skulle titta på en kombination av signaler snarare än ett enskilt produktivitetsmått. Kapacitet och arbetsbelastning är uppenbara startpunkter, men ledare bör också förstå om arbetet fördelas effektivt, var flaskhalsar uppstår, hur team anpassar sig till AI och om människor spenderar för mycket tid på lågvärdesaktiviteter.

En annan viktig signal är hållbarhet. Ett team som levererar exceptionellt resultat för att människor konsekvent arbetar bortom rimlig kapacitet är inte nödvändigtvis hälsosamt eller produktivt på lång sikt.

En sund arbetskraft är en där kapacitet, arbetsbelastning och resultat är rimligt balanserade, där människor har utrymme att fokusera på högvärdesarbete, och där organisationen kan anpassa sig när arbetets natur förändras.

“Produktivitet” har fått negativa associationer för många medarbetare eftersom det kan innebära att göra mer arbete med färre personer. Hur kan organisationer återta begreppet och använda AI‑driven produktivitetsintelligens för att förbättra medarbetarupplevelsen, minska utbrändhet och eliminera lågvärdesarbete snarare än att bara öka produktionen?

Organisationer måste gå bort från att definiera produktivitet enbart som ”mer output från färre personer”. Den definitionen är för snäv, särskilt i en AI‑driven arbetsmiljö.

AI bör i idealfallet ge människor tillbaka tid som idag går åt till repetitiv administration, manuella processer och lågvärdesuppgifter. Möjligheten är att använda den tiden för problemlösning, kundinteraktion, innovation och arbete som kräver mänskligt omdöme.

Om produktivitetsintelligens används för att identifiera var människor är överbelastade eller slösar tid ineffektivt, kan den faktiskt bli ett verktyg för medarbetarupplevelsen. Målet bör vara att göra arbetet bättre, inte bara få människor att arbeta snabbare.

Framåt, när AI blir inbäddat i nästan varje företagsarbetsflöde, vad tror du kommer särskilja de organisationer som framgångsrikt förstärker sin arbetskraft med AI från de som implementerar tekniken men misslyckas med att omvandla den till meningsfulla produktivitetsvinster?

De organisationer som får mest nytta av AI blir de som ser bortom själva teknikimplementeringen. Att ha tillgång till ett AI‑verktyg skapar inte automatiskt produktivitetsvinster.

Ledarna kommer att förstå var AI förändrar arbetsflöden, hur roller utvecklas och om organisationen faktiskt får bättre resultat av tekniken. De kommer också kontinuerligt att mäta vad som fungerar och justera därefter.

I slutändan kommer framgångsrika organisationer att betrakta AI‑adoption som en förändring i hur arbete utförs, snarare än bara en ytterligare teknikimplementation. De kommer att kombinera AI med rätt processer, kompetenser, insyn i arbetskraften och ledningspraxis. Det är det som avgör om AI blir en genuin produktivitetsfördel eller bara ett ytterligare lager av teknik.

Tack för den fantastiska intervjun. Läsare som vill lära sig mer bör besöka ProHance.