Deepak Kinger, strategichef och medgrundare av EvoluteIQ – intervjuserie

Deepak Kinger, strategichef och medgrundare av EvoluteIQ, är en erfaren ledare inom teknik och näringsliv med mer än två decenniers erfarenhet av verksamhetstransformation, finansiella tjänster, automatisering och artificiell intelligens. På EvoluteIQ bidrar han till att forma företagets övergripande strategi och leder samtidigt viktiga teknikallianser, lösningspartnerskap, marknadsföring och analytikerrelationer. Innan Kinger var med och grundade EvoluteIQ 2019 hade han ledande befattningar på GALE Partners, Virtusa, Sapient, Headstrong, Wipro och Mphasis. Där omfattade hans ansvarsområden allt från att leda verksamheter inom finansiella tjänster i Asien och Stillahavsområdet och ge råd till företagsledningar om digital transformation till att bygga upp nya affärsområden och leda storskaliga teknikprojekt. Hans erfarenhet omfattar strategi, affärsutveckling, kundrelationshantering, resultatansvar, verksamhetsledning och ny teknik, däribland AI, maskininlärning, robotiserad processautomation, blockkedjor och datavetenskap.

EvoluteIQ är ett företag inom AI för företag och intelligent automatisering som fokuserar på att hjälpa organisationer att automatisera och samordna komplexa affärsprocesser från början till slut. Företagets EIQ-plattform samlar agentisk AI, generativ AI, process- och beslutsautomatisering, intelligent RPA, händelsehantering, data fabric, analys, företagskopplingar och utveckling av applikationer för flera kanaler i en miljö där lösningar kan byggas med lite eller ingen kod. Plattformen är utformad för att göra det möjligt för företag att koppla samman befintliga system, bygga och driftsätta AI-agenter och automatiserade arbetsflöden, följa upp resultaten och skala upp automatiseringen inom områden som kundupplevelse, ekonomi, verksamhet, försäljning och hantering av leveranskedjan. EvoluteIQ grundades 2019 och har breddat sin inriktning mot agentisk automatisering av företag genom teknik som AI Workbench och Agentic Mesh Architecture. År 2025 tillkännagav företaget en tillväxtinvestering på 53 miljoner dollar mot en minoritetsandel, ledd av Baird Capital, för att stödja global expansion och ytterligare investeringar i företagets forsknings- och utvecklingsverksamhet i Bengaluru.

Innan du var med och grundade EvoluteIQ 2019 arbetade du i två decennier inom finansiella tjänster, företagsteknik och digital transformation. Vilka återkommande problem såg du i stora organisationer som till slut övertygade dig om att det fanns en möjlighet att bygga EvoluteIQ, och vad ville du göra annorlunda?

Innan EvoluteIQ arbetade jag med konsultverksamhet i 25 år, till stor del med att hjälpa stora finansinstitut med omvandlingsprojekt. Det omfattade tidiga satsningar på digital bankverksamhet samt handel, riskhantering och bredare transformation från början till slut. Med tiden såg jag en växande efterfrågan på automatisering, och vi hjälpte företag att införa plattformar från några av de största leverantörerna.

Det som till slut motiverade oss att starta EvoluteIQ var möjligheten att gå från att införa någon annans teknik till att själva bygga något. Vi såg en möjlighet att skapa ett mer integrerat sätt att arbeta med automatisering, i stället för att företag skulle behöva sammanföra flera olika tekniker, licenser och integrationslager. Det blev en del av drivkraften bakom att starta EvoluteIQ 2019.

I vår tidigare intervju med Unite.AI diskuterade din medgrundare Sameet Gupte EvoluteIQ:s bredare vision om att hjälpa företag att gå från uppgiftsbaserad automatisering till AI-baserad, heltäckande autonom drift. Hur visar hanteringen av regeländringar varför det är nödvändigt att gå från att automatisera enskilda uppgifter till att samordna hela affärsprocesser?

Regeländringar påverkar sällan bara en enskild uppgift. År 2020 byggde vi en lösning för övergången från LIBOR. Bankerna stod inför en omfattande förändring som påverkade befintliga avtal och krävde att driftspersonal, biträdande jurister och affärsteam granskade och åtgärdade dem. Många institutioner försökte i praktiken lösa problemet genom att sätta in mer personal. Lärdomen från LIBOR var att den specifika regleringen förändras, men att den grundläggande utmaningen återkommer. Regeländringar och regelefterlevnad är löpande krav i verksamheten.

Med de mer aktuella ändringsförslagen från FinCen om bekämpning av penningtvätt och finansiering av terrorism (AML/CFT) ser vi en rörelse bort från en mycket detaljerad regelefterlevnadsmodell där man bara bockar av rutor. Det höjer i själva verket kraven på regelefterlevnad i stället för att göra arbetet enklare, eftersom institutionerna måste tolka reglerna, formulera vilka risker de själva står inför och avgöra vad riskerna innebär för deras verksamhetsmodell. Den här förändringen berör ofrånkomligen olika avdelningar och funktioner i en organisation, inte bara regelefterlevnads- och revisionsteamen.

Du har hävdat att banker bör sluta behandla varje större regeländring som ett nytt omvandlingsprojekt och i stället göra hanteringen av regeländringar till en permanent förmåga i verksamheten. Hur skulle en sådan verksamhetsmodell se ut i praktiken, och varför har finansinstitut historiskt haft svårt att bygga upp den?

Den nya verksamhetsmodellen skulle utgå från att förändring är kontinuerlig – det handlar inte längre om en process som behöver införas varje kvartal eller när revisorerna knackar på. Arbetet med att ta fram en lösning för LIBOR visade oss att även om en enskild regeländring till slut kan genomföras, försvinner inte behovet av anpassning. Att förstå förändringen, omsätta den i operativa krav och uppdatera processerna kommer att behövas även vid nästa regeländring.

Den nya verksamhetsmodellen får inte heller vara isolerad till regelefterlevnadsfunktionen. I en mer riskbaserad modell kan regelefterlevnadsfunktionen fortfarande ha det yttersta ansvaret för efterlevnaden, men verksamheten, juridikfunktionen och i vissa fall även hanteringen av motpartsrisk blir allt viktigare. Ett misstag som organisationer kan göra är att underskatta hur brett regeländringar påverkar organisationen.

Historiskt sett har det varit svårt eftersom företag har byggt upp fragmenterade teknikmiljöer och stuprörsorganiserade verksamhetsmodeller. När olika affärsenheter använder separata plattformar för RPA, BPM, rapportering och annat blir det i sig ett integrationsprojekt att svara på ett nytt krav.

När en ny förordning införs kan en bank behöva avgöra vilka kunder, produkter, avtal, system och processer som berörs. Var kan AI påtagligt förbättra konsekvensanalysen, och vilka delar av processen kräver fortfarande deterministiska regler eller mänskligt omdöme?

AI kan avsevärt minska mängden manuellt arbete som krävs för att förstå och genomföra regeländringar. Mer specifikt kan AI hjälpa till att analysera och kategorisera stora informationsmängder och ringa in var mänsklig uppmärksamhet bör riktas. EvoluteIQ:s funktioner för att hantera regeländringar kan till exempel kategorisera och prioritera avtal utifrån kund och tillgångstyp, koppla den informationen till företagssystem och externa datakällor och sedan samordna det efterföljande arbetet inom juridik, riskhantering och verksamhet. Det ger organisationer möjlighet att gå från att identifiera vad som kan påverkas till att faktiskt hantera de förändringar som följer genom hela processen.

Mänsklig kontroll och tillsyn är fortfarande avgörande. I vissa delar av en reglerad process behöver organisationen tydligt definierade affärsregler, villkor, undantag och eskaleringsvägar. Den modell vi tror på kombinerar AI:s anpassningsförmåga med deterministisk automatisering och mänskligt omdöme där det är lämpligt. AI kan hjälpa till att tolka och lyfta fram sådant som kan kräva åtgärder, deterministiska regler kan styra hur definierade beslut genomförs och undantag eller beslut som kräver omdöme kan eskaleras till rätt person.

Genomförandet av regelverk omfattar ofta team inom juridik, regelefterlevnad, riskhantering, verksamhet, data och teknik. Hur kan AI och processorkestrering hjälpa dessa grupper att utgå från en gemensam tolkning av en förordning i stället för att skapa separata arbetsflöden och potentiellt motstridiga affärsregler?

En av de viktigaste följderna av en mer riskbaserad modell för regelefterlevnad är att ansvaret fördelas över fler delar av organisationen. Det yttersta ansvaret kan fortfarande ligga hos regelefterlevnadsfunktionen, men verksamheten, juridikfunktionen och teamen för motpartsrisk har alla en viktig roll. Därför måste organisationer undvika att behandla genomförandet som något som regelefterlevnadsfunktionen kan sköta på egen hand.

Det är därför en integrerad plattform är avgörande. I en stor organisation måste olika registersystem och affärsregler integreras i den här nya modellen, samtidigt som hänsyn måste tas till säkerhetskomplexiteten. Ett enhetligt tillvägagångssätt kan minska risken för att olika delar av organisationen genomför samma förändring med helt separata teknikplattformar.

Generativ AI kan tolka komplexa regelverk, men banker har inte råd med hallucinationer eller inkonsekventa tolkningar när beslut om regelefterlevnad fattas. Vilka skyddsåtgärder bör byggas in i AI-system som används för att hantera regeländringar, och var bör mänskliga experter finnas kvar i beslutsprocessen?

För det första bör AI-agenter inte införas isolerat, eftersom det kan leda till en okontrollerad spridning av agenter utan lämplig styrning.

För det andra begränsas vad en organisation kan automatisera inte bara av dess tekniska förmåga, utan också av regelverk, integritet och vilka data som lagligen får delas.

Den grundläggande designprincipen är att AI ska påskynda tolkningsarbetet utan att fatta beslutet. Namngivna personer behåller ansvaret för regelefterlevnaden, vilket tillsynsmyndigheterna förväntar sig. Skyddsåtgärderna faller i två grupper: kontroller av vad AI producerar och noggrant utplacerade mänskliga beslutspunkter. Varje resultat som AI producerar måste vara förankrat i en auktoritativ källa, och skyddsräcken för indata och utdata måste finnas på plats i AI-systemet.

Slutligen bör det för varje resultat finnas ett revisionsspår med källklausuler, modell- och promptversioner, konfidens, granskare, beslut och motivering.

Revisionsbarhet är särskilt viktig inom finansiella tjänster. Om AI hjälper till att tolka ett regelverk, ta fram affärsregler, identifiera berörda kunder och initiera arbetsflöden, hur kan organisationer bevara ett tydligt bevisspår som visar tillsynsmyndigheterna exakt hur och varför varje beslut fattades?

I starkt reglerade branscher måste spårbarheten gå längre än att dokumentera det slutliga beslutet. Det är betydligt mer värdefullt att kunna se en återskapad kedja som ledde fram till beslutet: vilken information som användes, vilka regler som tillämpades, vilka beslut som fattades, vilka ändringar som gjordes under processens gång, när människor ingrep och vad de godkände.

När flera agenter, affärsregler och arbetsflöden samverkar blir spårbarheten ännu viktigare. Möjligheten att granska och följa upp bör byggas in i orkestreringslagret. Beslutsspår kan dokumentera beslut, regeländringar och motiven bakom dem, medan spårbarhet för agenter från början till slut ger insyn i en kedja av autonoma åtgärder.

Om en tillsynsmyndighet frågar varför en viss kund, ett visst avtal eller en viss transaktion hanterades på ett visst sätt bör finansinstitutet kunna spåra utfallet tillbaka genom de data, regler, AI-drivna beslut, godkännanden och åtgärder som ledde fram till det. Det är så förklarbarhet går från att vara en fråga på modellnivå till att bli en operativ förmåga.

Stora banker verkar med årtionden av äldre infrastruktur, och viktiga kund- och transaktionsdata är utspridda i många olika system. Hur kan de bygga ett återanvändbart, AI-drivet efterlevnadslager utan att försöka genomföra ett kostsamt utbyte av den underliggande teknikmiljön? 

Varje ny förmåga för företag måste fungera inom den befintliga infrastrukturen. Det är orimligt att förvänta sig något annat. Konsolidering är också viktig, eftersom vi allt oftare hör från kunder att de har flera RPA-plattformar eller ett äldre BPM-system med flera separata rapporteringslösningar i hela företaget. Våra kunder är allt tydligare med att de vill fokusera på verktyg och system som ger avkastning på investeringen, i stället för att hitta en ersättare. Ett återanvändbart efterlevnadslager måste därför fungera i den befintliga miljön, snarare än utgå från att allt underliggande ska ersättas.

Du har arbetat med finansinstitut under flera teknikgenerationer, från traditionella kärnsystem till robotiserad processautomation, maskininlärning och nu agentbaserad AI. Vad är i grunden annorlunda med den pågående AI-omställningen, och var tror du att finansinstitut riskerar att upprepa misstag från tidigare automatiseringsvågor?

De tidigare generationerna av automatisering användes för arbete som redan var väldefinierat. Kärnbanksystem kodifierade poster och transaktioner. RPA programmerade tangenttryckningar över skärmbilder. Maskininlärning gjorde avgränsade förutsägelser, exempelvis bedömningar av bedrägeririsk och kreditrisk, utifrån strukturerade data med mätbar träffsäkerhet. I samtliga fall avgjorde en människa eller en fast regel vad som skulle hända härnäst, och tekniken följde en känd process.

Agentbaserad AI förändrar detta på några sätt:

• Den hanterar ostrukturerat arbete som kräver omdöme bättre. Banker automatiserar inte längre bara uppgifter. De delegerar resultat, och systemet väljer själv hur det ska nå dem.
• Den fallerar i det tysta. När en bank ändrade layouten på en skärm slutade en RPA-bot att fungera på ett tydligt sätt, och någon åtgärdade felet. En språkmodell som har fel ger ett välformulerat, trovärdigt och självsäkert svar. Det är ett problem.
• Eftersom dess beteende är probabilistiskt är det oerhört viktigt att förankra den i företagets kontext för att undvika hallucinationer.
• Slutligen har det blivit billigt att utveckla med AI, och affärsanvändare kan nu skapa fungerande agenter på en eftermiddag. Tidigare var IT-kapaciteten en flaskhals för automatisering; nu är flaskhalsen styrningskapaciteten.

Finansinstitut bör också se till att lärdomarna från den traditionella automatiseringseran inte glöms bort. Några exempel är:

• Automatisering av bristfälliga processer. RPA:s främsta arv var tusentals botar ovanpå processer som ingen hade omarbetat. Det skapade skör teknisk skuld som bankerna fortfarande betalar för att underhålla. Att lägga agenter ovanpå samma splittrade arbetsflöden upprepar misstaget på en mer sofistikerad nivå. Bankerna bör först omarbeta arbetet och sedan bestämma vad som ska delegeras.
• Att jaga ytliga mätetal: Koncepttester stannar av om det saknas en finansierad väg till produktionssättning. Att räkna antalet driftsatta agenter upprepar RPA-erans vana att räkna botar i stället för att mäta verkliga affärsresultat.
• Att investera för lite i datagrunden. Maskininlärning visade att modellkvaliteten begränsas av datakvaliteten. Agenter som hämtar information från inaktuella riktlinjer, duplicerade dokument eller motstridiga källor kommer att resonera självsäkert utifrån felaktiga premisser.

Ser du framför dig att regelefterlevnaden utvecklas mot en form av kontinuerlig eller till och med delvis autonom regelefterlevnad, där AI-system upptäcker regeländringar, bedömer deras konsekvenser, uppdaterar arbetsflöden och endast eskalerar de undantag som kräver mänskligt omdöme? Vad måste hända innan banker och tillsynsmyndigheter känner sig trygga med den graden av autonomi?

Ja, men autonomin kommer stegvis. Upptäckt, prioritering, konsekvenskartläggning och uppdatering av arbetsflöden vid väldefinierade förändringar kommer i stor utsträckning att ske kontinuerligt och automatiskt. Bedömningar av tvetydiga regler, risktolerans och regulatoriska ståndpunkter kommer även fortsättningsvis att göras av människor. Ett realistiskt slutläge är ”övervakad autonomi”, där maskiner som standard sköter hela förloppet och människor ingriper vid undantag.

För att detta ska bli möjligt behöver tillsynsmyndigheterna också publicera regler i strukturerade format med versionshantering, med utgångspunkt i initiativ som FCA:s och Bank of Englands arbete med digital rapportering av regelverk.

Det kommer också att behövas reversibilitet och nödstopp inbyggda i exekveringssystemen, så att autonoma ändringar i arbetsflöden enkelt kan återställas när avvikelser, felfrekvenser eller modellförändringar upptäcks. Tryggheten kommer att öka snabbare när tillsynsansvariga själva använder liknande verktyg. Det skapar ett gemensamt språk för testning och kanske med tiden möjliggör direkt maskin-till-maskin-övervakning.

Tack för en mycket givande intervju! Läsare som vill veta mer kan besöka EvoluteIQ.