Ankur Dhingra, CEO ของ ProHance – ชุดสัมภาษณ์

Ankur Dhingra, CEO ของ ProHance, เป็นผู้บริหารเทคโนโลยีและการดำเนินงานที่มีประสบการณ์กว่าสองทศวรรษในการเป็นผู้นำด้านประสิทธิภาพขององค์กร, บริการทางการเงิน, และการดำเนินธุรกิจระดับโลก. เขาเป็นผู้นำ ProHance ตั้งแต่ปี 2020, มุ่งเน้นการสร้างแพลตฟอร์มรวมสำหรับการสังเกต, การกำกับดูแล, และการปรับปรุงประสิทธิภาพการทำงานของพนักงานมนุษย์, ผู้ขาย, และระบบ AI. ก่อนจะเป็น CEO, Dhingra เคยเป็น Partner ที่ FutureIP, ซึ่ง ProHance ถูกพัฒนาเป็นแพลตฟอร์มการจัดการและวิเคราะห์การดำเนินงาน. ก่อนหน้านั้น, เขาใช้เวลามากกว่าถึงแปดปีที่ American Express, ดำรงตำแหน่ง Vice President และ General Manager ของ Global Back Office Operations และก่อนหน้านั้นเป็นหัวหน้าฝ่ายการมีส่วนร่วมของลูกค้าที่ครอบคลุมการให้บริการโทรศัพท์, แชท, กฎระเบียบ, และการประกันธุรกิจในระดับใหญ่. ประวัติการทำงานของเขายังรวมถึงบทบาทผู้นำระดับสูงที่ Genpact, ที่เขาดูแลทีมธนาคารขนาด 1,100 คนและกำไร‑ขาดทุนมูลค่า 35 ล้านดอลลาร์, และ GE Capital, ที่เขานำการดำเนินงานบริการทางการเงินในอินเดีย.

ProHance เป็นบริษัทด้านปัญญาประดิษฐ์แรงงานองค์กรและการวิเคราะห์ประสิทธิภาพที่ให้มุมมองแบบเรียลไทม์แก่องค์กรเกี่ยวกับวิธีการทำงานของพนักงาน, ผู้ขายภายนอก, AI copilots, และเอเย่นต์อิสระ. แพลตฟอร์มของบริษัทที่ตั้งตำแหน่งเป็น “Productivity Control Room” ผสานการวิเคราะห์แรงงาน, การวางแผนความจุ, การจัดสรรงานอัจฉริยะ, การวัดประสิทธิภาพ, และเครื่องมือการกำกับดูแลเพื่อช่วยให้องค์กรระบุคอขวดการดำเนินงาน, ปรับใช้ทรัพยากรให้เหมาะสม, และเข้าใจผลกระทบของ AI ต่อประสิทธิภาพขององค์กร. ProHance ระบุว่าเทคโนโลยีของบริษัทถูกใช้โดยผู้ใช้มากกว่า 450,000 คนใน 220 บริษัทใน 55 ประเทศ, โดยมีการใช้งานครอบคลุมธนาคารและบริการทางการเงิน, การจ้างงานกระบวนการธุรกิจ, ศูนย์ความสามารถระดับโลก, การดูแลสุขภาพ, และเทคโนโลยีสารสนเทศ.

คุณใช้เวลากว่าสองทศวรรษในการเป็นผู้นำการดำเนินงานขนาดใหญ่ที่ GE Capital, Genpact, และ American Express ก่อนจะเป็น CEO ของ ProHance. ประสบการณ์เหล่านั้นสอนอะไรคุณเกี่ยวกับข้อจำกัดของการจัดการแรงงานและประสิทธิภาพแบบดั้งเดิม, และบทเรียนเหล่านั้นได้หล่อหลอมวิธีที่คุณกำลังสร้าง ProHance สำหรับองค์กรที่ให้ความสำคัญกับ AI อย่างไร?

ประสบการณ์ของฉันที่ GE Capital, Genpact, และ American Express สอนให้ฉันเห็นว่าช่องว่างใหญ่ที่สุดของการจัดการแรงงานแบบดั้งเดิมไม่ได้อยู่ที่ส่วนหน้า, แต่กลับอยู่ที่ส่วนหลังขององค์กร.

ที่ American Express, ฉันเคยทำงานด้านบริการลูกค้า, ซึ่งศูนย์ติดต่อมีเทคโนโลยีที่ค่อนข้างซับซ้อนในการวัดประสิทธิภาพ – เช่น คนใช้เวลาทำอะไร, การใช้ทรัพยากร, ปริมาณการโต้ตอบ, และวิธีการที่กระบวนการสามารถปรับปรุงได้. แต่เมื่อฉันย้ายไปเป็นหัวหน้าการดำเนินงานส่วนหลัง, ฉันได้เห็นความเป็นจริงที่แตกต่างอย่างสิ้นเชิง.

งานจำนวนมหาศาลในองค์กรขนาดใหญ่เกิดขึ้นเบื้องหลัง – การประมวลผลธุรกรรม, การจัดการเคส, การป้อนข้อมูลและกิจกรรมที่ขับเคลื่อนด้วยกระบวนการอื่น ๆ – แต่กลับไม่มีการวัดผลที่มีความหมายว่าการทำงานเหล่านั้นทำอย่างไรจริง ๆ. เทคโนโลยีและมุมมองที่มีอยู่สำหรับส่วนหน้าไม่ได้ถูกนำไปใช้กับส่วนหลัง.

ฉันกลายเป็นคนที่หลงใหลกับปัญหานี้อย่างเกือบไม่มีเหตุผล. ฉันเริ่มสำรวจเทคโนโลยีที่มีอยู่และพูดคุยกับผู้เล่นที่ตั้งตัวมานาน, แต่สิ่งที่พบมักจะคล่องแคล่วเกินไป, แพงเกินไป, หรือไม่ได้ออกแบบมาสำหรับความเป็นจริงของการดำเนินงานส่วนหลัง. ฉันคิดต่อเนื่อง: นี่คืออุตสาหกรรมที่มีมูลค่ากว่า 150 พันล้านดอลลาร์, และเป็นปัญหาที่มีมานานหลายปี. แน่นอนว่าต้องมีใครบางคนที่แก้ไขได้ดีกว่านี้.

การค้นหานั้นในที่สุดพาฉันไปสู่ ProHance, ที่ Rajesh Sharma และ Kishore Reddy (ผู้ร่วมก่อตั้ง ProHance) ได้สร้างเทคโนโลยีที่ตอบโจทย์หลายประการที่ฉันระบุไว้ในฐานะผู้ใช้ขั้นสูงของระบบเหล่านี้. ฉันรู้แน่นอนว่าเทคโนโลยีต้องทำอะไร – จับกิจกรรมโดยอัตโนมัติ, ทำงานข้ามระบบปฏิบัติการต่าง ๆ, วัดเวลาเมื่ออยู่บนระบบและนอกระบบ, และให้มุมมองที่เชื่อถือได้ว่าการทำงานเกิดขึ้นอย่างไรจริง ๆ.

ประสบการณ์นั้นได้หล่อหลอมวิธีที่ฉันคิดเกี่ยวกับ ProHance วันนี้. บทเรียนคือคุณไม่สามารถสร้างองค์กรที่ให้ความสำคัญกับ AI เพียงแค่เพิ่ม AI เข้าไปในเครื่องมือการจัดการแรงงานที่มีอยู่แล้ว. คุณต้องมีความเข้าใจที่เชื่อถือได้และละเอียดของงานเองก่อน. จากนั้น AI จึงสามารถเปลี่ยนแปลงวิธีที่งานนั้นถูกวิเคราะห์, ปรับปรุงและออกแบบใหม่ได้.

สำหรับฉัน, ProHance คือการนำระดับการมองเห็นและปัญญาประดิษฐ์ที่องค์กรเคยมีในส่วนหน้าไปสู่ทั้งองค์กร – และใช้ AI เพื่อให้ได้การวัดประสิทธิภาพที่ดียิ่งขึ้น ซึ่งจะทำให้วิธีการทำงานโดยรวมดีขึ้นอย่างพื้นฐาน.

เมื่อ AI สร้างสรรค์และเอเย่นต์ AI เริ่มเข้ามาแทนที่ส่วนที่เพิ่มขึ้นของงานความรู้, สัญญาณประสิทธิภาพแบบดั้งเดิมเช่น ชั่วโมงทำงานหรือการใช้แอปพลิเคชันอาจกลายเป็นสิ่งที่ไม่มีความหมาย. องค์กรควรนิยามประสิทธิภาพใหม่อย่างไรเมื่อมนุษย์สามารถทำใน 30 นาทีสิ่งที่เคยใช้หลายชั่วโมง?

ประสิทธิภาพต้องเปลี่ยนจากการวัดกิจกรรมไปเป็นการวัดผลลัพธ์. หาก AI ทำให้ใครสักคนทำสำเร็จใน 30 นาทีสิ่งที่เคยใช้สามชั่วโมง, เกณฑ์สามชั่วโมงก็ไม่เกี่ยวข้องแล้ว. ความสนใจควรอยู่ที่สิ่งที่สำเร็จ, คุณภาพของผลลัพธ์และการใช้เวลาและทักษะอย่างมีประสิทธิภาพ.

นอกจากนี้องค์กรต้องเข้าใจว่า AI กำลังลบงานซ้ำซ้อนจริง ๆ ที่ไหนและที่ใดที่การตัดสินใจของมนุษย์ยังคงสำคัญ. ประสิทธิภาพควรสะท้อนผลลัพธ์, ความจุ, คุณภาพและผลกระทบต่อธุรกิจ มากกว่าชั่วโมงที่ใช้ที่โต๊ะหรือการใช้แอปพลิเคชัน.

คุณได้อธิบายว่า “ปัญญาประดิษฐ์แรงงาน” กำลังกลายเป็นสิ่งสำคัญยิ่งขึ้นในองค์กรที่ให้ความสำคัญกับ AI. “ปัญญาประดิษฐ์แรงงาน” มีความหมายอย่างไรในทางปฏิบัติ, และมันแตกต่างจากเครื่องมือการตรวจสอบพนักงานและการวิเคราะห์แรงงานที่บริษัทใช้มาโดยทั่วไปอย่างไร?

ปัญญาประดิษฐ์แรงงานโดยพื้นฐานคือการให้องค์กรเข้าใจอย่างชัดเจนว่าการทำงานเกิดขึ้นอย่างไรจริง ๆ. มันรวบรวมสัญญาณเกี่ยวกับภาระงาน, ความจุ, การใช้ทรัพยากร, กระบวนการและผลลัพธ์เพื่อช่วยผู้นำระบุว่าทีมทำงานหนักเกินไปที่ไหน, มีความจุที่ว่างอยู่ที่ไหนและงานติดขัดที่ไหน.

สิ่งนี้แตกต่างจากการตรวจสอบพนักงานแบบดั้งเดิมที่มักมุ่งเน้นที่กิจกรรมของแต่ละบุคคล. ปัญญาประดิษฐ์แรงงานควรทำงานในระดับที่กว้างกว่าอย่างมาก. จุดประสงค์ไม่ใช่การถามว่า “พนักงานคนนี้ทำอะไรทุกนาที?” แต่เป็น “การไหลของงานในองค์กรเป็นอย่างไร, และเราจะทำอะไรเพื่อปรับปรุงมัน?”

ProHance กำลังผสานข้อมูลแรงงานเชิงกำหนดกับการเรียนรู้ของเครื่องเพื่อสร้างข้อมูลเชิงพยากรณ์, รวมถึงการระบุความเสี่ยงต่อการไม่พึงพอใจและการรักษาพนักงาน. คุณทำอย่างไรให้โมเดล AI เหล่านี้แยกแยะรูปแบบที่มีความหมายจากความแปรปรวนปกติของพฤติกรรมพนักงาน, และความสำคัญของการอธิบายผลลัพธ์เมื่อผู้จัดการต้องตัดสินใจเกี่ยวกับบุคคล?

ที่ ProHance, เราเชื่อว่าคุณภาพและบริบทของข้อมูลพื้นฐานเป็นสิ่งสำคัญ. พฤติกรรมของพนักงานเปลี่ยนแปลงตามโครงการ, ปริมาณงาน, ทีม, ฤดูกาลและรอบธุรกิจ. การเปลี่ยนแปลงกิจกรรมเพียงอย่างเดียวไม่ได้บ่งบอกถึงความไม่พึงพอใจหรือความเสี่ยงต่อการรักษาโดยอัตโนมัติ.

แนวทางของเราคือการมองหารูปแบบผ่านสัญญาณหลาย ๆ ตัวและตามช่วงเวลา, แทนการสรุปผลจากพฤติกรรมเดียว. AI สามารถช่วยระบุรูปแบบที่อาจต้องให้ความสนใจ, แต่ไม่ควรเป็นผู้ตัดสินขั้นสุดท้าย.

การอธิบายผลลัพธ์ก็สำคัญไม่แพ้กัน. หากระบบทำเครื่องหมายว่ามีความเสี่ยง, ผู้จัดการควรสามารถเข้าใจปัจจัยที่อยู่เบื้องหลังสัญญาณนั้นและใช้การตัดสินใจของตนเอง. เมื่อเทคโนโลยีถูกใช้เพื่อให้ข้อมูลในการตัดสินใจเกี่ยวกับบุคคล, ความโปร่งใสและการตรวจสอบโดยมนุษย์เป็นสิ่งจำเป็น.

เมื่อองค์กรนำเทคโนโลยีที่สามารถวิเคราะห์รูปแบบการทำงาน, การใช้แอปพลิเคชัน, เวลาว่างหรือประสิทธิภาพเข้ามา, พนักงานมักมีความกังวล. องค์กรควรตั้งเส้นแบ่งอย่างไรระหว่างการได้มองเห็นการดำเนินงานที่เป็นประโยชน์และการสร้างวัฒนธรรมการเฝ้าระวัง?

เส้นแบ่งส่วนใหญ่กำหนดโดยเจตนา, ความโปร่งใสและวิธีการใช้ข้อมูล. พนักงานรู้สึกไม่สบายใจเมื่อเทคโนโลยีถูกนำเข้ามาโดยไม่มีความชัดเจนว่ากำลังวัดอะไรและทำไม.

เป้าหมายควรเป็นการเข้าใจงานในระดับองค์กรและการดำเนินงาน, ไม่ใช่การเฝ้าดูบุคคลตลอดเวลา. หากข้อมูลแรงงานช่วยระบุภาระงานที่มากเกินไป, คอขวดหรือกระบวนการที่ไม่มีประสิทธิภาพ, มันสามารถปรับปรุงประสบการณ์ของพนักงานได้จริง.

องค์กรควรชัดเจนว่าพวกเขาไม่ได้พยายามทำอะไร. เทคโนโลยีควรช่วยผู้จัดการมีการสนทนาที่ดีกับทีม, ไม่ใช่แทนที่การสนทนานั้นหรือสร้างระบบการสังเกตตลอดเวลา.

AI copilots และเอเย่นต์อิสระกำลังกลายเป็นส่วนหนึ่งของแรงงานเอง. คุณคิดว่าแพลตฟอร์มปัญญาประดิษฐ์แรงงานจะต้องวัดประสิทธิภาพของมนุษย์และเอเย่นต์ AI ร่วมกันในอนาคตหรือไม่, และเมตริกประสิทธิภาพมนุษย์‑ต่อ‑AI ที่มีความหมายอาจเป็นอย่างไร?

ใช่, ฉันคิดว่าสิ่งนี้จะสำคัญมากขึ้นเรื่อย ๆ. เมื่อเอเย่นต์ AI เริ่มเข้ามาเป็นส่วนของกระบวนการทำงาน, การวัดแค่กิจกรรมของมนุษย์จะให้ภาพที่ไม่ครบของวิธีที่งานสำเร็จ.

แต่ฉันไม่คิดว่าเราจะสรุปเป็นคะแนน “มนุษย์ vs AI” เพียงอย่างเดียว. วิธีที่มีประโยชน์กว่าคือการเข้าใจผลลัพธ์รวมของคน, เครื่องมือ AI และเอเย่นต์ในกระบวนการทำงาน.

องค์กรอาจดูว่า AI ลดเวลาในงานซ้ำซ้อนได้เท่าไหร่, กระบวนการเคลื่อนที่เร็วแค่ไหน, คุณภาพของผลลัพธ์เป็นอย่างไรและจุดที่ยังต้องการการแทรกแซงของมนุษย์อยู่ที่ไหน. คำถามสำคัญจึงกลายเป็น: เราทำงานร่วมกันระหว่างมนุษย์และ AI อย่างมีประสิทธิภาพแค่ไหน?

ProHance พูดถึงการก้าวไกลจากการวัดประสิทธิภาพดิบไปสู่ปัญญาประดิษฐ์การดำเนินงาน, รวมถึงการวิเคราะห์ภาระงาน, การพยากรณ์, การปรับกระบวนการ, และการจัดสรรทรัพยากร. ในอนาคตของหมวดนี้ AI จะมุ่งแนะนำการเปลี่ยนแปลงที่ผู้จัดการควรทำมากกว่าการนำเสนอแดชบอร์ดอย่างเดียวหรือไม่?

ฉันคิดว่านั่นคือทิศทางที่ ProHance เห็นสำหรับหมวดนี้. แดชบอร์ดมีประโยชน์, แต่ยังคงทิ้งความรับผิดชอบให้ผู้จัดการตีความข้อมูลและตัดสินใจว่าจะทำอะไรต่อ.

ขั้นต่อไปคือแพลตฟอร์มจะระบุรูปแบบและช่วยตอบ “เราควรทำอะไรกับมัน?” ซึ่งอาจหมายถึงการชี้ให้เห็นทีมที่ทำงานหนักเกินไป, การระบุทักษะที่ยังไม่ได้ใช้เต็มที่, การพยากรณ์ช่องว่างความจุ หรือการแนะนำว่ากระบวนการใดควรปรับปรุง.

สำหรับ ProHance, มูลค่าจะมาจากการเปลี่ยนจากการมองเห็นเป็นการกระทำ. AI ควรช่วยผู้จัดการทำการตัดสินใจที่ดีขึ้น ในขณะที่การตัดสินใจนั้นยังคงอยู่กับผู้ที่เข้าใจธุรกิจและบริบท.

คุณได้เปรียบเทียบปัญญาประดิษฐ์ประสิทธิภาพกับรายงานสุขภาพประจำปีขององค์กร. สัญญาณสำคัญใดที่ผู้บริหารควรดูเพื่อพิจารณาว่าแรงงานของพวกเขามีสุขภาพดี, มีประสิทธิภาพ, และปรับตัวกับ AI อย่างประสบความสำเร็จ?

ฉันจะมองดูการผสมผสานของสัญญาณหลายอย่างแทนการดูตัวเลขประสิทธิภาพเดียว. ความจุและภาระงานเป็นจุดเริ่มต้นที่ชัดเจน, แต่ผู้บริหารควรเข้าใจว่าการทำงานถูกกระจายอย่างมีประสิทธิภาพหรือไม่, คอขวดกำลังเกิดขึ้นที่ไหน, ทีมปรับตัวกับ AI อย่างไร, และคนใช้เวลามากเกินไปกับกิจกรรมที่มีคุณค่าน้อยหรือไม่.

สัญญาณสำคัญอีกอย่างคือความยั่งยืน. ทีมที่ส่งมอบผลลัพธ์ยอดเยี่ยมโดยที่คนทำงานเกินความจุที่เหมาะสมอย่างต่อเนื่องไม่ได้หมายความว่ามีสุขภาพดีหรือมีประสิทธิภาพในระยะยาว.

แรงงานที่มีสุขภาพดีคือแรงงานที่ความจุ, ภาระงานและผลลัพธ์อยู่ในสมดุลที่เหมาะสม, คนมีพื้นที่ให้โฟกัสกับงานที่มีคุณค่าสูง, และองค์กรสามารถปรับตัวได้เมื่อลักษณะของงานเปลี่ยนแปลง.

“ประสิทธิภาพ” มีความหมายเชิงลบต่อพนักงานหลายคนเพราะอาจสื่อถึงการทำงานมากขึ้นด้วยคนน้อยลง. องค์กรจะทำอย่างไรเพื่อเรียกคืนแนวคิดนี้และใช้ปัญญาประดิษฐ์เพื่อปรับปรุงประสบการณ์ของพนักงาน, ลดการเผชิญความเครียด, และกำจัดงานที่มีคุณค่าน้อยแทนการเพิ่มผลผลิต?

องค์กรต้องเลิกกำหนดประสิทธิภาพเป็น “ผลผลิตเพิ่มจากคนน้อยลง” เพียงอย่างเดียว. คำจำกัดความนั้นแคบเกินไป, โดยเฉพาะในที่ทำงานที่ใช้ AI.

AI ควรช่วยคืนเวลาที่คนสูญเสียไปกับงานด้านการบริหารซ้ำซ้อน, กระบวนการมือและงานที่มีคุณค่าน้อย. โอกาสคือการใช้เวลานั้นสำหรับการแก้ปัญหา, การโต้ตอบกับลูกค้า, นวัตกรรมและงานที่ต้องใช้การตัดสินใจของมนุษย์.

หากปัญญาประดิษฐ์ประสิทธิภาพถูกใช้เพื่อระบุว่าคนทำงานหนักเกินไปหรือใช้เวลาที่ไม่มีประสิทธิภาพ, มันสามารถกลายเป็นเครื่องมือประสบการณ์พนักงานได้. เป้าหมายควรเป็นการทำให้การทำงานดีขึ้น, ไม่ใช่เพียงทำให้คนทำงานเร็วขึ้น.

เมื่อมองไปข้างหน้า, AI จะฝังตัวในกระบวนการทำงานของเกือบทุกองค์กร, คุณเชื่อว่าอะไรจะทำให้บริษัทที่ประสบความสำเร็จในการเสริมแรงงานด้วย AI แตกต่างจากบริษัทที่นำเทคโนโลยีมาใช้แต่ไม่แปลงเป็นประสิทธิภาพที่มีความหมาย?

องค์กรที่ได้รับประโยชน์สูงสุดจาก AI จะเป็นองค์กรที่มองไกลกว่าการนำเทคโนโลยีไปใช้. การมีเครื่องมือ AI ไม่ได้ทำให้เกิดประสิทธิภาพโดยอัตโนมัติ.

ผู้นำจะเข้าใจว่าที่ไหน AI กำลังเปลี่ยนแปลงกระบวนการทำงาน, บทบาทกำลังพัฒนาอย่างไร, และองค์กรกำลังได้รับผลลัพธ์ที่ดีกว่าจากเทคโนโลยีหรือไม่. พวกเขาจะวัดผลอย่างต่อเนื่องว่ามีอะไรทำงานได้ดีและปรับเปลี่ยนตามนั้น.

ในที่สุด, องค์กรที่ประสบความสำเร็จจะมองการนำ AI มาใช้เป็นการเปลี่ยนแปลงวิธีการทำงาน, ไม่ใช่แค่การติดตั้งเทคโนโลยีใหม่. พวกเขาจะผสาน AI กับกระบวนการที่เหมาะสม, ทักษะ, การมองเห็นแรงงานและแนวปฏิบัติการจัดการ. สิ่งนั้นจะเป็นตัวกำหนดว่า AI จะกลายเป็นข้อได้เปรียบด้านประสิทธิภาพที่แท้จริงหรือเป็นเพียงชั้นเทคโนโลยีอีกชั้นหนึ่ง.

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม. ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม ProHance.