Vijay Vijayasankar, global chef för agentbaserad AI på Genpact – Intervjuserie

Vijay Vijayasankar, global chef för agentbaserad AI på Genpact, leder företagets globala produktifiering av agentbaserade AI-lösningar. Arbetet fokuserar på att flytta företagens värdeskapande från traditionella, personalbaserade modeller till modeller med högre marginaler där betalningen knyts till resultat. I sin roll bidrar han till att utforma Genpacts metod för att skala AI i hela företaget genom att bygga organisationsmodeller kring både AI-byggare, som utformar avancerade orkestreringslager, och AI-praktiker, som för in domänkunskap i arbetsflöden som drivs av självständiga agenter. Före Genpact hade Vijayasankar ledande befattningar på IBM, bland annat Managing Partner för Financial Services, teknikchef för IBM Services North America samt General Manager för Cognitive, IoT, Analytics och Watson Health inom GBS North America. Dessförinnan hade han chefsroller på MongoDB (MDB ) och SAP.

Genpact levererar agentbaserade och avancerade tekniklösningar som hjälper stora företag att modernisera sin verksamhet genom processintelligens, artificiell intelligens, data och digital omställning. Företaget arbetar inom bland annat ekonomi och redovisning, kundservice, risk och regelefterlevnad, inköp, leveranskedjor, teknik samt tillit och säkerhet. Genpacts data- och AI-tjänster hjälper organisationer att använda avancerad analys, AI och självständiga agenter för att omvandla komplexa data till mätbara affärsresultat.

Du har arbetat i mer än två decennier på företag som IBM, MongoDB, SAP och nu Genpact, där du är global chef för agentbaserad AI. Vilka erfarenheter från utvecklingen från stordata och analys till dagens agentbaserade AI-system har främst format din syn på hur företag bör genomföra en AI-omställning?

Jag har sett samma film tre gånger nu. Stordata var mirakellösningen för beslutsfattande. Molnet var snabbknappen till en smidigare organisation. Nu framställs agentbaserad AI som botemedlet för verksamheten. I varje cykel var det de företag som fokuserade på sina verksamhetsmodeller, processer och människor som skapade värde. De som fick problem – och många har det fortfarande – behandlade själva tekniken som om den vore omställningen.

Det som i grunden skiljer agentbaserad AI är var den befinner sig. Den ligger i genomförandelagret, inte i insiktslagret. Äldre verktyg skapade diagram och rekommendationer. Agenter vidtar åtgärder. En dålig analysöversikt ger ett dåligt diagram som en mänsklig analytiker upptäcker innan det når vd:n. En dålig agent genomför en dålig transaktion i stor skala innan någon inser att det har hänt. Det förändrar hela riskprofilen och kräver en nivå av operativ disciplin som de flesta företag inte har behövt tidigare. Jag har lärt mig att vara misstänksam mot min egen entusiasm. Agentbaserad AI är fascinerande, men just därför måste man sakta ner och granska grunderna.

Genpacts nya rapport tillsammans med HFS Research uppskattar att olösta verksamhetsskulder låser in närmare 18 biljoner dollar i potentiellt värde globalt. Vad överraskade dig mest i resultaten, och varför fortsätter så många organisationer att underskatta effekten av skulder i processer, data, teknik och kompetens?

Det mest uppseendeväckande var omfattningen. Värdet som sitter fast bakom ineffektiva processer, splittrade data, åldrande teknik och bristande beredskap i personalen mäts i biljoner dollar.

Viktigare än totalsumman är problemets struktur. De flesta ledare ser frågorna som separata silor: ett dataproblem, ett processproblem, ett teknikproblem och ett kompetensproblem, som alla behandlas var för sig. Men de är inte separata. Dåliga data tvingar människor att hitta på manuella kringlösningar. Kringlösningarna skapar processkomplexitet. Komplexiteten sliter ut de bästa medarbetarna och gör verksamheten skör. När ett AI-initiativ till sist kommer möter det allt detta på samma gång. AI:n får skulden för ett misslyckande som byggdes in i företaget för tio år sedan. Vi talar om verksamhetsskuld som en kostnadsbörda, men den är snarare en begränsning av tillväxten. Skillnaden spelar roll eftersom den förändrar vem som äger problemet och vad det är värt att lösa det.

Rapporten visade att 85 procent av cheferna anser att verksamhetsskulder begränsar möjligheten att skapa AI-värde. Varför fortsätter företag att investera stort i AI men försummar ofta de grundproblem som hindrar investeringarna från att ge avkastning?

För att AI syns och grunderna är osynliga. Varje styrelse vill se en AI-strategi. Varje vd behöver en berättelse att berätta. En glänsande ny modell blir en rubrik. Att göra om en central process i leveranskedjan är ett otacksamt och osynligt slit tills den till slut fungerar.

Jag har sett organisationer lägga sex månader på att välja modell och sex dagar på att undersöka processen som modellen ska förbättra. Den proportionen är bakvänd, och de får lära sig det den hårda vägen. Flaskhalsen är nästan aldrig AI:n. Det är inkonsekventa processer, frånkopplade system och data som ingen har tagit ansvar för på flera år. AI löser inte dessa problem, utan blottlägger dem snabbare. Incitamenten belönar inte arbete med grunderna. Det går inte att demonstrera upprensad datastyrning på scen. Chefer som ändå gör arbetet i det tysta satsar på att operativ hälsa ger växande avkastning med tiden, men de flesta styrelser mäter inte den.

Dataskuld framstod som det största hindret för AI i undersökningen. Vilka praktiska steg bör företag ta redan i dag för att gå från splittrade datamiljöer med låg kvalitet till datagrunder som kan bära agentbaserad AI i stor skala?

Sluta försöka starta ett omfattande styrningsprogram uppifrån. Det är ett tekniksvar på ett ansvarsproblem. I de flesta stora organisationer äger ingen ansvaret för att den information som driver verksamheten är korrekt.

Den praktiska utgångspunkten är att välja några få processer med högt värde och arbeta baklänges. Vilka beslut måste fattas? Vilka data kräver besluten? Vem äger dessa data? Hur ofta är de felaktiga? Den övningen avslöjar omedelbart luckorna i ansvar. Vi måste få detta rätt eftersom agenter misslyckas i det tysta. En mänsklig analytiker ser att två system säger emot varandra och gör en bedömning. En agent avgör mellan motstridiga uppgifter och genomför åtgärden med fullständigt självförtroende. Om olika delar av organisationen definierar en kund eller transaktion på olika sätt fattar agenten säkra beslut utifrån dåliga indata utan att något i organisationen fångar felet. Det är en ny typ av operativ risk som de flesta organisationer ännu inte har prissatt fullt ut.

Agenter hanterar inte tvetydighet på samma sätt som människor. Därför beror framgången för en agentbaserad lösning mindre på modellernas intelligens och mer på kvaliteten i de skyddsräcken som byggs in.

Du har sagt att det inte finns någon AI utan processintelligens. Varför är omformning av processer ofta viktigare än själva AI-modellen när organisationer försöker automatisera komplex affärsverksamhet?

För att modellen fungerar lika bra som processen den är inbyggd i, inte bättre. Organisationer blir besatta av modellval eftersom det är där den synliga innovationen finns, men det är i processen som värde skapas eller går förlorat.

Om ett arbetsflöde har överflödiga godkännanden, dubbelarbete eller oklart ägarskap löser AI inte problemen. Den accelererar dem. Resultatet blir fel snabbare och i större skala. Människor tror ofta att en grundlig processomformning bromsar dem, men verkligheten är den motsatta. Man sparar de arton månader som annars skulle gå åt till att reda ut en dålig driftsättning. Tänk på en bil: även om du sätter världens bästa motor i en bil med felinställda hjul kommer den fortfarande att dra åt vänster.

Många organisationer experimenterar med AI-agenter, men relativt få har lyckats driftsätta dem i centrala affärsfunktioner. Vad skiljer företagen som går vidare från pilotprojekt från dem som fastnar i koncepttest?

Pilotprojekt är utformade för att lyckas. Man väljer den bästa processen, de renaste uppgifterna och det mest motiverade teamet. Att skala innebär att möta den verkliga miljön, där inget av dessa villkor gäller.

Organisationer som lyckas skala slutar skapa konstgjorda förutsättningar från början. De väljer ett verkligt operativt problem, utser en ansvarig som äger affärsresultatet och inte tekniken, och bygger in styrning i lösningen från dag ett. Vi har kunder som kör agenter i produktion för leverantörsskulder och transaktionsövervakning. Produktivitetssiffrorna finns där, men den verkliga förändringen är strukturell. Slutmålet är ett i grunden annorlunda arbetsflöde där människor frigörs för det strategiska arbete som de tidigare aldrig hann med. Att skala agenter är en ledarskapsfråga, inte en mjukvarufråga.

Rapporten visar att endast 6 procent av företagen har lyckats lösa sina största skuldproblem. Vad gör dessa organisationer annorlunda, och vilka vanliga misstag ser du hos företag som har svårt att göra verkliga framsteg?

De behandlar det som ett affärsproblem, inte som ett IT-program. Arbetet har stöd från företagsledningen och knyts till mätbara affärsresultat. De förstår att operativ hälsa inte är skild från tillväxtstrategin. Den är tillväxtstrategin.

De övriga 94 procenten jagar symtom. De inför ett verktyg för att lösa ett processproblem eller startar ett AI-initiativ för att kompensera för dåliga data. Det kan ge ett kortsiktigt lyft, men grundproblemet finns kvar och skulden fortsätter växa. Ledarna som bryter cykeln är beredda att säga det som de flesta chefer inte vill säga: Den här processen har varit trasig i femton år, vi har byggt hela verksamhetsmodeller kring dess brister och nu ska vi riva ner den och bygga om från grunden. Det erkännandet är obekvämt och väcker frågor om varför inget gjordes tidigare. De som fattar det beslutet är de som gör verkliga framsteg.

Du har talat om skillnaden mellan ”AI-byggare” och ”AI-praktiker”. Hur kommer företagens personalstyrkor att utvecklas under de kommande fem åren, och vilka färdigheter blir mest värdefulla när människor i allt högre grad arbetar tillsammans med självständiga agenter?

Den mest värdefulla färdigheten blir att kunna formulera ett problem. När AI tar över mer av genomförandet beror resultatets kvalitet på frågans kvalitet och den bedömning som görs av svaret. Man måste kunna se när något ser rätt ut men är strukturellt fel.

Därutöver vill jag lyfta fram tre särskilda områden. Det första är djup domänkunskap. Allmänna AI-förmågor blir snabbt standardvaror, så generalister tappar inflytande. Premien går till djupa domänexperter som kombinerar verklig funktionskunskap med förmågan att använda AI i sitt sammanhang. Det andra är hantering av undantag. Det krävs människor som vet vad de ska göra när agenten kör fast eller när de ekonomiska insatserna är för höga för automatisering. Det kräver institutionell erfarenhet, inte bara träningsdata. Det tredje är arbetsflödesdesign: förmågan att strukturera arbetet så att människor och intelligenta system gör det de är bäst lämpade för och att se när fördelningen måste ändras. Branschen har ännu inte enats om ett namn, men färdigheten är verklig och i dag undervärderad.

Det pågår en debatt om huruvida AI kommer att ta bort jobb eller förändra dem. Du har hävdat att mycket av oron bygger på missförstånd om vad AI faktiskt gör bra. Hur kommer relationen mellan mänsklig expertis och AI-agenter att utvecklas när användningen ökar?

AI är enastående på uppgifter som är tydligt definierade, har stor volym och bygger på mönster, till exempel att behandla fakturor, övervaka avvikelser i handel och skriva rutinmässig kommunikation. Den gör detta snabbare och i en skala som inget mänskligt team kan nå. Men AI kan inte bära ansvar för konsekvenser i den verkliga världen och kan inte hantera nyhet, tvetydighet eller komplicerade mänskliga relationer. Därför förblir mänsklig expertis avgörande.

De flesta jobb består av flera uppgifter och är inte en enda aktivitet. Med tiden kommer AI att ta över genomförandelagret. Det undanröjer inte behovet av människor, utan förändrar var de skapar värde. När rutinarbete automatiseras flyttas expertisen mot att lösa undantag, utforma om processer och hjälpa organisationer att anpassa sig när teknik och affärsbehov förändras. Vissa roller kommer att förändras kraftigt, och ledare har ett ansvar att fråga om det nya arbetet är tillgängligt för dem vars gamla arbete försvinner. Svaret beror nästan helt på organisationernas val kring utbildning och omställning. Det är ett ledarskapsbeslut, inte ett tekniskt utfall. Företagen jag respekterar mest är ärliga mot sina team om vilka roller som förändras, inom vilken tidsram, var mänsklig expertis fortfarande är mycket värdefull och vilka realistiska vägar framåt som finns. De flesta för ännu inte det samtalet.

Hur ser ett verkligt agentbaserat företag ut i praktiken? Om vi återkommer till samtalet om fem år, vilka förändringar i verksamhet, organisationsdesign och AI-driftsättning tror du då har blivit standard bland ledande företag?

Vi kommer att sluta tala om AI som ett separat initiativ, på samma sätt som vi slutade tala om att ”bli digitala”. Det blir helt enkelt så arbetet utförs.

Den strukturella förändringen intresserar mig mest. Mycket av vår nuvarande hierarki finns därför att information tidigare var svår att flytta. Vi har godkännandekedjor och samordnande roller därför att informationen måste färdas från platsen där den skapades till platsen där besluten fattas. Agenter minskar det avståndet. När det sker blir en betydande del av samordningsinfrastrukturen överflödig. Organisationer som ser detta tidigt och bygger om sig kring det får ett hastighetsövertag som växer med tiden.

Vi kommer också att se en förändring i hur AI köps och levereras. Mjukvaruföretag bygger produkter men tar inte ansvar för resultat. Tjänsteföretag tar ansvar men har svårt att bygga skalbara produkter. Båda modellerna är otillräckliga. På Genpact bygger vi produktifierad AI inom särskilda domäner som levereras i form av ett resultat. Kunden köper resultatet och vi ansvarar för det. Jag tror att detta blir standard eftersom det anpassar incitamenten rätt. Leverantören som bara säljer en förmåga har inget eget intresse i om den fungerar i kundens miljö. De som ansvarar för resultatet har allt att vinna på det. Vinnarna i denna era kommer inte att definieras av att de har de mest avancerade AI-modellerna, utan av att de behärskar den strukturella omformningen mellan människor, processer och intelligenta system. Vi är bara på den första dagen av den förändringen.

Tack för den givande intervjun. Läsare som vill veta mer kan besöka Genpact.