Jayant Swamy, หัวหน้าสถาปัตยกรรมองค์กรที่ Genpact – ซีรีส์สัมภาษณ์

Jayant Swamy, Chief Enterprise Architect ที่ Genpact, เป็นผู้นำด้านเทคโนโลยีและข้อมูลที่มีประสบการณ์มากกว่าสองทศวรรษครอบคลุมสถาปัตยกรรมองค์กร, ปัญญาประดิษฐ์, วิศวกรรมข้อมูล, เทคโนโลยีคลาวด์, และการแปลงดิจิทัลขนาดใหญ่. ก่อนเข้าร่วม Genpact ในปี 2024, เขาเคยดำรงตำแหน่ง CTO และ Chief Architect ที่ Xtrac8.Tech และเป็น CTO และผู้ร่วมก่อตั้งสตาร์ทอัพ AI ที่มุ่งเน้นเทคโนโลยีรวมถึง Generative AI และ Large Language Models. Swamy เคยทำงานที่ Accenture มากกว่าหนึ่งทศวรรษ, โดยดำรงตำแหน่งผู้นำระดับโลกและ Managing Director ของ Institute of Applied Intelligence, Managing Director และ Global Business Lead ของธุรกิจ Data on Cloud, และ Chief Data Architect พร้อมเป็น Global Lead สำหรับ Data Engineering และ Data Innovation. ก่อนหน้านั้น, เขาใช้เวลามากกว่าทั้งเจ็ดปีที่ Fannie Mae ดูแลโครงการเทคโนโลยีและข้อมูลธุรกิจที่เกี่ยวกับการให้บริการและการจัดการการสูญเสียเครดิต, หลังจากทำงานหลายปีในตำแหน่ง Senior Principal ที่ Oracle (ORCL ).

Genpact เป็นบริษัทเทคโนโลยีและบริการธุรกิจระดับโลกที่มุ่งช่วยองค์กรแปลงกระบวนการซับซ้อนด้วยปัญญาประดิษฐ์, ข้อมูล, Process Intelligence, และความเชี่ยวชาญด้านอุตสาหกรรม. บริษัทเริ่มต้นจากโครงการในปี 1997 ภายใน GE Capital, แยกเป็นบริษัทอิสระในปี 2005, และจดทะเบียนในตลาดหลักทรัพย์นิวยอร์กในปี 2007. ปัจจุบัน Genpact ทำงานร่วมกับองค์กรในหลายอุตสาหกรรมรวมถึงธนาคาร, ประกันภัย, การเงิน, ซัพพลายเชน, สินค้าอุปโภคบริโภค, การดูแลสุขภาพ, และเทคโนโลยี, โดยให้ความสำคัญเพิ่มขึ้นกับ Generative AI, ระบบเอเจนต์, การอัตโนมัติ, และการดำเนินงานองค์กรที่ขับเคลื่อนด้วย AI.

เส้นทางอาชีพของคุณได้พาคุณจากบทบาทสถาปัตยกรรมองค์กรและการเป็นผู้นำด้านข้อมูลที่ Oracle, Fannie Mae, และ Accenture ไปสู่สภาพแวดล้อมสตาร์ทอัพและตำแหน่งปัจจุบันในฐานะ Chief Enterprise Architect ที่ Genpact. ประสบการณ์เหล่านี้ได้ส่งผลต่อมุมมองของคุณอย่างไรเกี่ยวกับจุดที่ AI มีอิสระสร้างคุณค่าองค์กรที่แท้จริงและจุดที่การตัดสินใจของมนุษย์ยังคงจำเป็น? 

ตลอดเส้นทางอาชีพของผม, ผมได้เรียนรู้ว่าขนาด, การกำกับดูแล, การบูรณาการ, และความเสี่ยงมีความสำคัญเท่ากับนวัตกรรม. ประสบการณ์ในองค์กรแสดงให้เห็นว่าเทคโนโลยีที่น่าประทับใจก็อาจล้มเหลวหากไม่สามารถทำงานภายในองค์กร; สตาร์ทอัพย้ำคุณค่าของการเคลื่อนไหวอย่างรวดเร็ว, การทดลอง, และการรักษาสถาปัตยกรรมให้เรียบง่ายและปรับเปลี่ยนได้. การให้ AI มีอิสระทำงานได้ดีที่สุดเมื่อผสานสองแนวคิดนี้เข้าด้วยกัน — นวัตกรรมด้วยความเร็วขณะยังคงมีพื้นฐานที่แข็งแรง. ด้วยวิธีนี้, AI สามารถเปลี่ยนแปลงการไหลของงานในองค์กรได้อย่างแท้จริง. ผลการวิจัย ล่าสุดของเรา ยืนยันประเด็นนี้อย่างชัดเจน.

โมเดลเองเป็นเพียงส่วนหนึ่งของสมการ. สถาปัตยกรรมโดยรอบ — ข้อมูล, ระบบ, กระบวนการทำงาน, การควบคุม, และการบูรณาการ — เป็นตัวกำหนดว่า AI จะสร้างคุณค่าในระดับใหญ่ได้หรือไม่. นั่นคือสิ่งที่เราหมายถึง “ไม่มีปัญญาประดิษฐ์โดยปราศจาก Process Intelligence.” นอกจากนี้ยังเป็นพื้นฐานของงาน AI ที่ประยุกต์ใช้ใน Genpact Labs, ที่เรานำความสามารถ AI ที่กำลังเกิดขึ้นมาแปลงเป็นโซลูชันระดับการผลิตพร้อมให้ลูกค้าใช้งาน. ความสามารถแต่ละอย่างเชื่อมโยงกับผลลัพธ์ทางธุรกิจที่วัดได้และฝังเข้าไปในกระบวนการทำงาน, ข้อมูล, และการควบคุมที่จำเป็นต่อการดำเนินงาน.

AI ควรได้รับอิสระในการทำงานเมื่อเป้าหมายชัดเจน, ข้อมูลเชื่อถือได้, และขอบเขตเข้าใจอย่างดี. การตัดสินใจของมนุษย์ยังคงจำเป็นสำหรับการตัดสินใจที่มีความเสี่ยงสูง, ไม่ชัดเจน, มีความเป็นอัตวิสัย, อยู่ภายใต้การควบคุม, หรือต้องการความรับผิดชอบและความเห็นอกเห็นใจ. อิสระของ AI ไม่ได้หมายถึงการตัดมนุษย์ออกจากระบบ, แต่หมายถึงการออกแบบระบบให้ทุกคนรู้ว่า AI สามารถทำงานอิสระได้ที่ไหน, มนุษย์ต้องมองเห็นที่ไหน, และการตัดสินใจของมนุษย์ต้องเข้ามาแทนที่ที่ไหน.

หลายบริษัทประเมิน AI ที่ติดต่อกับลูกค้าโดยอาศัยความเร็ว, อัตราการกักเก็บ, และการประหยัดต้นทุนเป็นหลัก. ทำไมเมตริกเหล่านี้จึงอาจสร้างภาพที่ทำให้เข้าใจผิดว่ามีการปรับปรุงประสบการณ์ของลูกค้าจริงหรือไม่?

ปัญหาคือเมตริกเหล่านี้เป็นการวัดประสิทธิภาพเป็นหลัก. พวกมันบอกว่าระบบทำงานอย่างไร, แต่ไม่ได้บ่งบอกว่าลูกค้าได้รับประสบการณ์อย่างไร. ตัวอย่างเช่น การกักเก็บ: อัตราสูงอาจดูประสบความสำเร็จภายในองค์กร, แต่ก็อาจซ่อนผลลัพธ์ที่แย่หากลูกค้าเลิกใช้, ซ้ำซ้อน, ได้คำตอบไม่ครบถ้วน, หรือไม่สามารถติดต่อคนได้เมื่อจำเป็น. การกักเก็บแสดงว่า AI ทำให้ลูกค้าอยู่ในระบบ, ไม่ได้แปลว่าลูกค้าได้รับสิ่งที่ต้องการ. สิ่งเดียวกันก็ใช้กับการประหยัดต้นทุน, ซึ่งอาจมาพร้อมกับการเสียความเชื่อใจ, ความพึงพอใจ, หรือคุณภาพการแก้ปัญหา.

ระบบ AI ปรับตัวตามสัญญาณที่คุณให้, ดังนั้นองค์กรต้องออกแบบสัญญาณการวัดเข้าไปในระบบตั้งแต่ต้น — เชื่อมโยงเมตริกส่วนหน้าเช่น ความเร็วและการกักเก็บกับสัญญาณส่วนหลังเช่น การแก้ปัญหาและว่าผลลัพธ์ก่อให้เกิดปัญหาอื่นหรือไม่. สุดท้าย, AI ที่ติดต่อกับลูกค้าควรวัดจากการที่มันแก้ปัญหาเชิงลึกของผู้ใช้สุดท้ายได้อย่างแม่นยำ, ยุติธรรม, และด้วยระดับการสนับสนุนของมนุษย์ที่เหมาะสม.

สัญญาณใดที่ AI ควรใช้เพื่อรับรู้ความไม่แน่นอน, ความหงุดหงิด, ความเร่งด่วน, หรือสถานการณ์ที่อยู่นอกกระบวนการทำงานที่กำหนดไว้? 

ไม่มีสัญญาณวิเศษเดียวที่ใช้ได้ — สิ่งสำคัญคือการให้ระบบมีบริบทและการสังเกตเพียงพอเพื่อรับรู้เมื่อความมั่นใจ, อำนาจ, หรือข้อมูลของมันไม่เพียงพอ. สิ่งนี้อาจปรากฏเป็นข้อมูลขัดแย้ง, ความพยายามล้มเหลวซ้ำๆ, หรือเอเจนต์วนอยู่ในวงจร. นอกจากนี้อาจเป็นการเปลี่ยนแปลงในภาษาของลูกค้า — สัญญาณชัดเจนของความหงุดหงิดหรือความเร่งด่วน — หรือภารกิจเองที่ต้องการข้อมูล, การเข้าถึง, หรืออำนาจที่เอเจนต์ไม่มี.

ระบบยังต้องรู้ขอบเขตของตนเอง. หากปัญหาอยู่นอกกระบวนการทำงานที่ออกแบบไว้, ต้องการข้อมูลที่ไม่สามารถเข้าถึงได้, หรือข้ามเกณฑ์ความเสี่ยงที่กำหนด, ควรกระตุ้นเส้นทางอื่น. เป้าหมายไม่ใช่ให้เอเจนต์จัดการทุกสถานการณ์ที่เป็นไปได้ — แต่เพื่อให้มันรู้ว่าเมื่อไหร่ควรหยุด, ยกระดับ, หรือขอความช่วยเหลือ.

บริษัทจะสามารถแยกแยะระหว่างการโต้ตอบที่ซับซ้อนเพียงอย่างเดียวและการโต้ตอบที่จริงๆ ต้องการการตัดสินใจหรือความเห็นใจของมนุษย์ได้อย่างไร?

เส้นแบ่งไม่ได้อยู่ที่ความยากของงาน. แต่เป็นระดับของการตัดสินใจ, ผลกระทบ, และบริบทของมนุษย์ที่การตัดสินใจนั้นมี. การตั้งค่าโครงสร้างเอเจนต์ที่เครื่องจักรทำการประมวลผลและมนุษย์ตรวจสอบต้องเข้าใจว่าคุณค่าของมนุษย์ในบางจุดไม่อาจถูกแทนที่ได้.

AI สามารถจัดการงานที่ซับซ้อนมากได้เมื่อเป้าหมายชัดเจน, ข้อมูลเชื่อถือได้, กระบวนการกำหนดไว้, และผลลัพธ์วัดได้. ความซับซ้อนโดยตัวมันเองไม่จำเป็นต้องมีมนุษย์หากระบบเข้าใจขอบเขตที่อนุญาตให้ทำงาน. จำเป็นต้องนำมนุษย์เข้ามาเมื่อเจตนาของลูกค้าไม่ชัดเจน, สถานการณ์ต้องการการพิจารณา, มีหลายผลลัพธ์ที่เป็นไปได้, หรือการตัดสินใจมีผลกระทบทางการเงิน, กฎหมาย, การแพทย์, หรือชื่อเสียงอย่างสำคัญ. การโต้ตอบบางอย่างยังต้องการการให้กำลังใจ, คำอธิบาย, การต่อรอง, หรือความเห็นใจ — ไม่ใช่แค่คำตอบ. การมีส่วนร่วมของมนุษย์ในจุดนั้นสำคัญเท่ากับความแม่นยำทางเทคนิค. สถาปัตยกรรมควรสะท้อนความแตกต่างนี้. จุดแทรกแซงเหล่านั้นควรออกแบบไว้ในกระบวนการตั้งแต่แรก, ไม่ใช่กำหนดหลังจากเกิดปัญหา.

กระบวนการยกระดับที่มีประสิทธิภาพควรเป็นอย่างไรเพื่อให้ลูกค้าไม่ต้องพูดซ้ำหรือเริ่มต้นการโต้ตอบใหม่เมื่อตัวแทนมนุษย์เข้ามาดำเนินการ?

การยกระดับที่ดีไม่ได้เป็นเพียงการส่งต่อลูกค้า — แต่เป็นการส่งต่อบริบท, เพื่อให้ผู้รับต่อไปสามารถดำเนินการแก้ไขได้โดยตรง. เมื่อมนุษย์เข้ามาดำเนินการ, พวกเขาควรมีประวัติการสนทนา, ข้อมูลประจำตัวและโปรไฟล์ของลูกค้า, และสิ่งที่ AI ได้ลองทำแล้ว — เพียงพอที่จะหลีกเลี่ยงการให้ลูกค้าต้องเริ่มใหม่.

นี่เป็นประเด็นของสถาปัตยกรรมเป็นส่วนใหญ่: หาก AI อยู่แค่ในส่วนหน้าของการแชทโดยแยกจาก CRM, ERP, แหล่งความรู้, กระบวนการทำงาน, และชั้นการประสานงาน, การส่งต่ออย่างราบรื่นจะเป็นไปไม่ได้.

เกณฑ์การยกระดับควรเปลี่ยนแปลงตามปัจจัยเช่น ความเสี่ยงทางการเงิน, ความเปราะบางของลูกค้า, ข้อกำหนดทางกฎระเบียบ, หรือผลที่อาจเกิดจากการตัดสินใจที่ผิดพลาดหรือไม่?

กฎการยกระดับควรขึ้นอยู่กับระดับความเสี่ยง. ยิ่งผลลัพธ์ของความผิดพลาดใหญ่เท่าใด, ยิ่งควรให้มนุษย์เข้ามามีส่วนร่วมเร็วขึ้น.

การรีเซ็ตรหัสผ่านสามารถทำได้โดยอัตโนมัติเต็มรูปแบบ, แต่การทำธุรกรรมการเงินที่มีข้อโต้แย้งควรมีการควบคุมที่เข้มงวดกว่า. ในการเคลมหรือการเก็บเงิน, นั่นอาจหมายถึงอิสระเต็มที่สำหรับการอัปเดตสถานะประจำวัน, แต่ต้องมีการตรวจสอบโดยมนุษย์เมื่อกรณีข้ามเกณฑ์จำนวนเงินหรือมีสัญญาณความยากลำบาก. ยิ่งการตัดสินใจอยู่ภายใต้การควบคุมหรือมีผลกระทบมาก, การกำกับดูแลก็ยิ่งเข้มแข็ง. ลูกค้าที่เปราะบางอาจต้องการการแทรกแซงของมนุษย์เร็วขึ้น, และการตัดสินใจที่มีผลถาวรควรมีเกณฑ์อิสระที่ต่ำลง.

เกณฑ์เหล่านั้นไม่ควรปล่อยให้แต่ละเอเจนต์ตีความแบบทันที. ต้องฝังไว้ในสถาปัตยกรรมและชั้นการประสานงาน, พร้อมกฎชัดเจนว่าเอเจนต์ได้รับอนุญาตทำอะไร, สิ่งใดต้องการการตรวจสอบเพิ่มเติม, และสิ่งใดต้องยกระดับ.

โอกาสคือการให้ความอิสระขยายตามระดับความเสี่ยง — ความเร็วเต็มที่สำหรับงานที่มีความเสี่ยงต่ำ, การควบคุมเข้มงวดในส่วนที่สำคัญ. ที่ Genpact, เราได้สร้างระดับนี้โดยตรงในกระบวนการออกแบบ workflow ของเอเจนต์ — ให้กรณีประจำวันทำงานอิสระในขณะที่ส่งต่อสิ่งที่ข้ามเกณฑ์ความเสี่ยงหรือจำนวนเงินให้มนุษย์, อย่างอัตโนมัติและโดยไม่ต้องให้เอเจนต์ตัดสินใจยกระดับ. องค์กรที่ให้ทุกการโต้ตอบระดับอิสระเท่าเดิมจะทำให้ความสะดวกกลายเป็นข้อผิดพลาดที่มีค่าใช้จ่ายสูงอย่างรวดเร็ว.

นอกเหนือจากการทำงานสำเร็จ, เมตริกใดที่องค์กรควรใช้เพื่อประเมินว่าระบบบริการลูกค้าอิสระกำลังสร้างผลลัพธ์เชิงบวกให้กับลูกค้าหรือไม่?

การทำงานสำเร็จเป็นประโยชน์, แต่ยังไม่พอ. คำถามไม่ควรเป็น “เอเจนต์ทำงานเสร็จหรือไม่?” แต่ควรเป็น “ลูกค้าได้อยู่ในสภาพที่ดีกว่าเดิมหรือไม่?” นั่นคือความแตกต่างระหว่างการสัญญาผลลัพธ์และการรับผิดชอบต่อผลลัพธ์นั้น.

หมายความว่าต้องมองข้ามเวลาในการจัดการไปยังเมตริกเช่น ความแม่นยำของการตอบสนอง, การแก้ไขครั้งแรก, การติดต่อซ้ำ, คุณภาพการยกระดับ, ความพึงพอใจของลูกค้า, และความเป็นธรรมและความสม่ำเสมอของผลลัพธ์. นอกจากนี้ยังต้องวัดผลเกินการโต้ตอบแต่ละครั้ง. เอเจนต์อาจดูสำเร็จในส่วนหนึ่งของเส้นทางลูกค้าแต่สร้างปัญหาในภายหลัง. ตัวอย่างเช่น กรณีที่ปิดเร็วอาจทำให้มีการโทรอีกครั้งหลายสัปดาห์ต่อมา, ส่งผลต่อความรู้สึกของลูกค้าและในที่สุดต้องการการแก้ไขโดยมนุษย์, ดังนั้นจึงควรติดตามว่ากรณีนั้นยังคงแก้ไขได้หรือไม่หลังจาก 30 วัน.

นอกจากนี้ยังสำคัญที่จะต้องรู้ว่าระบบแก้ไขความต้องการพื้นฐานของลูกค้าได้จริงหรือไม่, แทนที่จะเพียงปิดการโต้ตอบและถือว่าเป็นความสำเร็จ. สิ่งนี้ต้องการการสังเกตการณ์แบบครบวงจรตลอด workflow, ไม่ใช่แค่เมตริกจากอินเทอร์เฟซ AI. การวัดผลลัพธ์ของลูกค้าและธุรกิจ, แทนการวัดกิจกรรม, คือสิ่งที่เปิดเผย ROI ที่แท้จริงของ AI.

ธุรกิจจะป้องกันไม่ให้เอเจนต์ AI ปรับตัวเพื่อให้บรรลุเป้าหมายการดำเนินงาน เช่น ลดจำนวนการโทรหรือเวลาในการจัดการ, โดยเสียความเป็นธรรม, ความเชื่อใจ, หรือความต้องการพื้นฐานของลูกค้าได้อย่างไร?

ระบบ AI มีความสามารถที่น่าประหลาดใจในการบรรลุเป้าหมายใดก็ตามที่ได้รับมอบหมาย. นี่คือข้อดีและข้อจำกัด: หากบอกระบบเอเจนต์ว่า ความเร็วเป็นเป้าหมายเดียว, ระบบจะสละทุกอย่างอื่นเพื่อให้ได้ความเร็วนั้น.

ธุรกิจต้องให้ AI มีชุดเป้าหมายที่สมดุล, โดยที่ประสิทธิภาพสำคัญ, แต่ต้องอยู่เคียงข้างผลลัพธ์ของลูกค้า, ความเสี่ยง, ความเป็นธรรม, ความแม่นยำ, และความเชื่อใจ. วิธีทำได้โดยกำหนดแนวป้องกันที่ชัดเจนสำหรับพฤติกรรมที่ยอมรับ, ทดสอบอคติและผลลัพธ์ที่ไม่ตั้งใจ, รักษากลไกการยกเลิกโดยมนุษย์, ตรวจสอบการตัดสินใจอย่างต่อเนื่อง, และทำให้ผลลัพธ์สามารถติดตามและตรวจสอบได้. การกำกับดูแลไม่สามารถเป็นสิ่งที่เพิ่มเข้ามาหลังจากระบบทำงานแล้ว; ต้องฝังไว้ในสถาปัตยกรรมตั้งแต่ต้น.

บริบทของลูกค้าอาจกระจายอยู่ในบทสนทนาก่อนหน้า, ธุรกรรม, ช่องทาง, และระบบองค์กร. บริษัทจะให้เอเจนต์ AI มีบริบทเพียงพอเพื่อทำการตัดสินใจที่ดียิ่งขึ้นโดยไม่สร้างความเสี่ยงใหม่ด้านความเป็นส่วนตัว, ความปลอดภัย, หรือการกำกับดูแลได้อย่างไร?

คำตอบสำหรับบริบทที่กระจัดกระจายไม่ใช่การให้เอเจนต์ AI เข้าถึงทุกอย่าง. แต่คือการให้การเข้าถึงที่กำกับโดยกฎระเบียบไปยังข้อมูลที่ถูกต้องในเวลาที่เหมาะสม. องค์กรต้องมีชั้นข้อมูลและการบูรณาการที่แข็งแรงที่เชื่อมต่อเอเจนต์กับระบบบันทึกข้อมูลที่เป็นอ้างอิง, พร้อมควบคุมสิ่งที่แต่ละเอเจนต์สามารถมองเห็นและทำได้. สิ่งนี้รวมถึงการเข้าถึงตามบทบาทและวัตถุประสงค์, ข้อมูลขั้นต่ำที่จำเป็น, การติดตามแหล่งที่มาของข้อมูล, บันทึกการตรวจสอบ, และการปกป้องข้อมูลที่ละเอียดอ่อน.

บริบทที่มากขึ้นช่วยให้การตัดสินใจของ AI ดีขึ้น, แต่เฉพาะเมื่อมีการกำกับดูแล. หากไม่มีกฎระเบียบ, การแก้ปัญหาเดียวอาจสร้างปัญหาความเป็นส่วนตัวหรือความปลอดภัยที่ใหญ่กว่า. หากจัดการอย่างดี, บริบทจะสะสมเมื่อระบบเรียนรู้จากข้อยกเว้นก่อนหน้า, ทำให้การโต้ตอบในอนาคตฉลาดขึ้นโดยไม่สร้างความเสี่ยงใหม่.

เมื่อ AI ที่ติดต่อกับลูกค้าเป็นอิสระมากขึ้น, คุณคาดว่าความสัมพันธ์ระหว่างเอเจนต์ AI กับพนักงานมนุษย์จะพัฒนาอย่างไร, และองค์กรต้องสร้างความสามารถอะไรในตอนนี้เพื่อให้การทำงานร่วมกันประสบความสำเร็จ?

บทบาทของมนุษย์จะค่อยๆ เปลี่ยนจากการทำทุกขั้นตอนของกระบวนการไปเป็นการกำกับ, ควบคุม, และปรับปรุงระบบเอเจนต์ที่รับภาระงานจำนวนมาก. คนจะใช้เวลามากขึ้นในการกำหนดเป้าหมาย, จัดการข้อยกเว้น, ใช้การตัดสินใจ, ตรวจสอบการตัดสินใจที่มีความเสี่ยงสูง, ปรับปรุง workflow, ตรวจสอบพฤติกรรมของเอเจนต์, และพัฒนาสถาปัตยกรรมและการกำกับดูแลของระบบเอเจนต์เหล่านั้น. สิ่งนี้ทำให้ความสามารถที่บริษัทต้องการเปลี่ยนไปด้วย. ความเข้าใจ AI จะสำคัญ, แต่การคิดเชิงวิพากษ์, ความเชี่ยวชาญด้านอุตสาหกรรม, การประสานงานเอเจนต์, การสังเกต, และความสามารถในการท้าทายระบบ AI เมื่อมีสิ่งที่ดูผิดปกติก็สำคัญเช่นกัน.

นี่ไม่ใช่เพียงความท้าทายด้านแรงงาน. องค์กรต้องมีสถาปัตยกรรมที่สนับสนุนการทำงานร่วมกันนี้, เชื่อมต่อเอเจนต์กับข้อมูลและระบบที่เหมาะสม, ประสานวิธีการทำงานร่วมกัน, และให้ผู้คนมองเห็นสิ่งที่พวกเขากำลังทำ. การกำกับดูแล, การยกเลิกโดยมนุษย์, และการยกระดับต้องถูกออกแบบตั้งแต่ต้น.

ในบทบาทของผมในฐานะหัวหน้าสถาปัตยกรรมองค์กร, ผมเห็นว่ามันเป็นหน้าที่ของผมที่จะทำให้ทั้งองค์กรเข้าใจไม่เพียงแค่วิธีการใช้ AI, แต่เมื่อใดควรเชื่อมั่นใน AI, ตั้งคำถามต่อมัน, และควบคุมมัน. ด้วยวิธีนี้, สถาปัตยกรรมจะกลายเป็นประตูสู่ AI ที่รับผิดชอบซึ่งสร้างความเชื่อใจและผลกระทบที่แท้จริง.

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม Genpact.