Gautam Singh, Global Business Unit Head of Analytics, Data and AI, WNS Analytics – Intervju-serie

Gautam Singh är Business Unit Head för WNS Analytics och medgrundare och VD för The Smart Cube, ett WNS-företag. Han tillbringade 20 år med att etablera och växa The Smart Cube (en ledande forsknings- och analytiker) innan det förvärvades av WNS. Dessförinnan arbetade han i 10 år med managementkonsulting och riskkapital i Europa och USA. Gautam har haft olika roller, inklusive positioner på Coven Partners (London), A.T. Kearney (London), Mitsubishi Motors (Indien) och Cummins Engines (USA). Han har en MBA från University of Michigan, Ann Arbor, USA och en kandidatexamen i maskinteknik från IIT Bombay, Indien.

WNS Analytics hjälper företag att omvandla sina data till strategiskt värde genom “beslutsintelligens” – en kombination av robust datainfrastruktur, AI/GenAI/agentic-AI-teknologier och branschspecifik expertis. De erbjuder tjänster inom olika branscher, inklusive försäkring, bank och finansiella tjänster, detaljhandel, CPG, tillverkning, hälsovård, energi och logistik. Deras kapacitet omfattar dataingenjörskap och styrning, deskriptiv och prediktiv analys, AI/ML-verktyg och visualisering – allt designat för att möjliggöra snabbare, mer självsäkra beslut och kontinuerlig innovation.

Du började din karriär inom toppmanagementkonsulting, sedan grundade du The Smart Cube och ledde det i över två decennier innan det förvärvades av WNS. Vad motiverade din övergång från konsulting till entreprenörskap, och senare till att leda ett globalt dataanalys- och AI-företag?

Jag tillbringade tio år inom managementkonsulting och såg en tydlig marknadslucka: företag satt på berg av data men utnyttjade inte dess fulla värde. För 20 år sedan var analys fortfarande grundläggande – vi arbetade med Excel-ark.

Beslutet att lämna det korporativa livet berodde på självförtroende. Jag såg en möjlighet att hjälpa organisationer att verkligen utnyttja sina data, så jag grundade The Smart Cube med den visionen.

Efter 20 år med att bygga The Smart Cube var anslutningen till WNS inte en avvikelse, utan en utveckling. Jag har burit fram det entreprenöriella sinnet, men nu med mycket större resurser och räckvidd. Detta möjliggör att vi kan tackla problem i en skala som jag aldrig kunde ha levererat i ett mindre företag. Det viktigaste är att jag insåg kraften i att införliva och blanda data och analys i kärnprocesser, snarare än att behandla dem som separata ingrepp. Den sömlösa integrationen av branschexpertis och processomvandling är central för WNS DNA – och det är vad som motiverade mig att förvärvas och nu leda den här affärsenheten på WNS.

I dina 20+ år inom analytics, hur har du sett rollen för data och AI inom finansiella tjänster utvecklas – från tidig tillämpning till dagens storskaliga, företagsomfattande integration?

I slutet av 90-talet betydde analys att man tittade på historiska data och gjorde statistiska prognoser. Förvandlingen har varit remarkabel.

Början av 2000-talet inledde digitaliseringen och mer avancerade prediktiva modeller. Vid 2010 hade realtidsbaserad handelsanalys blivit standard. För nästan ett decennium sedan började maskinlärning driva en verklig förändring, och mer nyligen har Generative AI (Gen AI) tagit centrum.

I dag behandlar finansiella institutioner data som en strategisk tillgång. Frågan har gått från “kan vi använda AI?” till “hur kan vi införliva AI i varje beslut?”

Effekten är påtaglig: kundregistrering som tidigare tog dagar slutförs nu på timmar med AI-baserad verifikation. Kreditriskbedömningar utvärderar hundratals realtidsdatapunkter utöver traditionella poäng. Riskberäkningar som tidigare krävde nattliga batchkörningar är nu omedelbara. Och bedrägeridetektering reagerar inte längre efteråt – den blockerar misstänkt aktivitet i realtid.

Hur använder företag som ser framåt AI-drivna data sjöar och styrningsramar för att förbättra realtidsbeslut, regelefterlevnad och transparens inom finansiella operationer?

Att bygga monolitiska datahus och hoppas på insikter fungerar inte längre. Institutioner behöver designa intelligenta dataekosystem.

Finansiella tjänster står inför en unik utmaning: de är kundorienterade, hanterar känsliga data och måste ändå leverera personlig och realtidsrespons. Detta kräver modulära data sjöar byggda på flexibla ramverk.

Inom denna arkitektur skapar organisationer specialiserade data dammar för prisanalys, riskbedömning och regelefterlevnad. Varje damm fungerar oberoende samtidigt som den matar in i det större ekosystemet, levererar omedelbart värde samtidigt som den bevarar säkerhetsgränser.

Trenden med noll ETL är särskilt relevant här, eftersom den eliminerar komplexa Extract-Transform-Load-processer genom att möjliggöra direktfrågor över system. Detta tillåter AI att komma åt och analysera data i realtid utan att flytta den, vilket minskar latency och bevarar styrning.

AI-agenter utvecklas också bortom avvikelseupptäckt. De flaggar inte bara misstänkta transaktioner utan rekommenderar också åtgärder och utför svar inom styrningsparametrar. I regelefterlevnad övervakar AI kontinuerligt transaktioner, genererar rapporter och identifierar problem innan myndigheterna gör det.

Syntetisk data marknadsförs ofta som ett säkert sätt att träna AI-modeller utan att exponera känslig information. Kan du dela exempel på hur syntetisk data tillämpas effektivt inom bedrägeridetektering, riskanalys och modellvalidering?

På WNS Analytics använder vi avancerad syntetisk data generering för att skapa högtroget, sekretesskyddade dataset som accelererar AI-modellträning, särskilt i data-skarva domäner. Våra syntetiska dataset imiterar realvärldsscenarier samtidigt som de återger samma statistiska mönster, beteenden och korrelationer som faktiska finansiella data – transaktionsflöden, bedrägeritrender, kundbeteenden – utan att exponera någon känslig personlig information (PII) eller kunddata.

Denna kapacitet förvandlar finansiella tjänster över områden som riskanalys, bedrägeridetektering, kreditscoring, stress-testning och regelefterlevnadsmodellering. Dessa syntetiska dataset möjliggör för organisationer att snabbt starta AI-lösningsutveckling samtidigt som de säkerställer både data sekretess och regelefterlevnad.

En särskilt innovativ tillämpning innebär att använda PII-maskad data för att skapa liknande modeller. Detta tillåter företag att pusha riktade erbjudanden till konsumenter, möjliggörande personlig marknadsföring samtidigt som de bevarar fullständig sekretess.

Intelligent automatisering och AI-agenter införlivas alltmer i affärsprocesser. Vilka är de mest omvälvande användningsfallen du sett inom finansiella tjänster, och hur förbättrar de operativ motståndskraft och prestanda?

Intelligent automatisering som använder AI-agenter accelererar företagsprocesser, möjliggör organisationer att strömlinjeforma operationer och fatta snabbare, mer informerade beslut. Dessa agenter kombinerar automatisering med avancerad resonemang för att leverera motståndskraft, skalbarhet och prestandaförbättringar.

På WNS Analytics tillämpar vi GAIN-ramverket (vårt egna ramverk för Agentic AI-implementering) för att bedöma rätt nivåer av autonomi för agentic AI. Vi tillhandahåller också återanvändbara, mikrotjänstbaserade komponenter för hyperspecialiserade agenter genom vår prisbelönta AI-Utilities Hub.

I försäkring har vi förvandlat flera processer genom agentic AI. I motorfordonsanspråk har vår Gen AI-drivna tredjepartsåtervinningsdetektering, driven av autonoma agenter, uppnått 85% noggrannhet, dubblat återvinningsvolymen och förbättrat årliga återvinningar med cirka 49% – låser upp miljontals möjligheter som tidigare försummades.

I underwriting använder vår agentic AI-drivna forskningsassistent flera specialiserade agenter för att bryta ned komplexa frågor, extrahera data från flera källor och generera insikter med 99% noggrannhet samtidigt som den minskar omsättningstiden med 85%.

För en ledande bank minskade vår Gen AI-lösning den negativa mediegranskningstiden med 60% och minskade falska positiva med 12-15%.

Vi har också en Gen AI-driven kunskapsförvaltningslösning – designad som en horisontell plattform – för att omdefiniera hur företag hämtar, resonerar genom och kontextualiserar omfattande ostrukturerad data. Genom att leverera precisa, regelefterlevande och konsekventa insikter i realtid förbättrar den beslutsfattandet, förbättrar effektiviteten och stärker den operativa motståndskraften över branscher.

Dessa lösningar kompletterar mänsklig bedömning, skapar snabbare och mer precisa system.

För företag som syftar till att skala upp AI-initiativ, vad är de största hindren – tekniska, kulturella eller strategiska – och hur kan ledare övervinna dem?

Det största hindret för att skala upp AI är inte tekniken – det är organisatorisk beredskap.

För det första finns det datasilor över legacy-system. Fullständig ersättning är inte alltid praktiskt; i stället bör fokus ligga på att bygga intelligenta broar. På WNS har vi skapat “broteam” som parar legacy-administratörer med molningeningenjörer, accelererar implementation samtidigt som de bevarar kritiska affärsregler.

För det andra finns det en kompetensgap. Företag behöver rätt mix av branschexperter, dataingenjörer, dataforskare och översättare som kan koppla tekniska insikter till affärsnytta.

För det tredje är takten i teknisk förändring. Vår WNS AI Lab möjliggör för organisationer att experimentera med nya tekniker och bygga beviskoncept innan de genomför fullskalig distribution.

På den kulturella fronten beror framgång på effektiv förändringshantering. Vi designar ramverk som hjälper anställda att se AI som ett komplement snarare än ett ersättningssystem. Att etablera en AI-råd är också ett smart drag, som tillhandahåller styrning, tvärfunktionell samordning och en strukturerad väg för att gå från piloter till företagsomfattande skala.

Med ökande granskning av AI-etik, bias och transparens, hur kan finansiella institutioner uppnå rätt balans mellan innovation och ansvarsfull AI-styrning?

Innovation och ansvar är inte motsatta val – ansvar måste byggas in i innovationen från början.

Finansiella institutioner behöver robusta AI-styrningsramar. På WNS implementerar vi ramverk som säkerställer att AI utvecklas på ett ansvarsfullt, etiskt och säkert sätt. Vår tillvägagångssätt inbygger kontroller för bias, rättvisa, anpassade KPI:er och övervakning av modellglid. Detta bygger förtroende, inte bara regelefterlevnad.

Transparens är särskilt kritisk inom finansiella tjänster. Om AI nekar ett lån förtjänar sökande tydliga och begripliga förklaringar.

Till slut är ansvarsfull AI en konkurrensfördel. Banker som demonstrerar rättvisa, transparens och säkerhet i sina AI-system vinner kundförtroende. De som behandlar styrning som en eftertanke riskerar regelefterlevnadsböter och rykteskador som är svåra att reparera.

Under de kommande 3-5 åren, vilka nya AI-kapaciteter eller datastrategier tror du kommer att ha den största påverkan på hur finansiella organisationer fungerar?

Tre utvecklingar kommer att omvandla finansiella tjänster under de kommande tre till fem åren.

För det första kommer agentic AI att flytta från experimentell till essentiell. Autonoma AI-agenter kommer att utföra komplexa arbetsflöden och orkestrera hela avdelningar tillsammans med mänskliga team.

För det andra kommer kontinuerliga lärningssystem att bli standard. AI kommer att anpassa sig från varje interaktion, möjliggörande riktigt personliga finansiella tjänster som utvecklas med varje kunds förändrade behov.

För det tredje kommer vi att se kraftfull teknisk konvergens: kvantberäkning för avancerad riskberäkning, blockchain för transparenta AI-beslutsloggar och edge computing för omedelbara lokala beslut. Tillsammans kommer dessa tekniker att låsa upp helt nya former av finansiella tjänster som vi bara börjar föreställa oss.

Med tanke på att du har navigerat entreprenörskap, förvärv och nu en global ledarroll, vilka riktlinjer har hjälpt dig att fatta beslut och leda team genom förändring?

Tre principer vägleder mig.

För det första, uthållighet över perfektion. När vi startade The Smart Cube hade vi inte alla svaren. Vi gjorde misstag, anpassade oss och fortsatte framåt. Beständighet med anpassningsförmåga har varit avgörande.

För det andra, bygga varaktigt värde, inte snabba utgångar. En professor från handelshögskolan rådde mig en gång – efter att jag hade grundat The Smart Cube – “Fokusera inte på utgången. Fokusera på att bygga ett framgångsrikt företag som kommer att bestå.” Den långsiktiga mentaliteten har format varje beslut jag har fattat.

För det tredje, njut av vad du gör. Jag har alltid trott att om jag inte har kul, kommer jag att gå vidare till något annat. Efter 30 år vaknar jag fortfarande med entusiasm, och den entusiasmen inspirerar teamen genom förändring.

Att leda genom förvärv bekräftade en annan sanning: förändring lyckas när du tar med människor. Teknisk integration är enkel; kulturell integration – att bygga en gemensam vision – är där riktigt ledarskap betyder allt.

För proffs som vill forma framtiden för AI inom finans, vilka färdigheter, attityder eller erfarenheter tror du kommer att vara mest värdefulla?

Framtiden tillhör de som kan brottas mellan världar. Rent tekniska färdigheter eller branschexpertis ensam kommer inte att räcka.

För det första, utveckla systemtänkande. Börja med marknadsbehovet – ett tydligt användningsfall – och arbeta bakåt. AI inom finans kräver att se hur allt hänger samman: hur en förändring i riskmodeller påverkar kundupplevelse eller hur automatisering öppnar upp nya möjligheter.

För det andra, odla disciplinerad praktik över idealism. Var entusiastisk över nya tekniker, men rigorös i att utvärdera dem. Inte alla problem kräver AI – ibland kan enkla analyser eller till och med kalkylblad göra jobbet.

För det tredje, bygg översättningsfärdigheter. Detta är avgörande. Att kunna förklara komplexa AI-koncept för styrelsemedlemmar och översätta affärsbehov för dataforskare är ovärderligt. De starkaste AI-ledarna kopplar teknologi till affärsstrategi.

Slutligen, omfamna kontinuerligt lärande. Verktyg som var spjutspets för fem år sedan är redan föråldrade. Att vara nyfiken, ödmjuk och engagerad i lärande kommer att öppna dörrar till möjligheter som vi ännu inte kan föreställa oss i skärningspunkten mellan AI och finans.

Tack för det underbara samtalet, läsare som vill lära sig mer kan besöka WNS Analytics.