Ankur Dhingra, ProHance CEO’su – Röportaj Serisi

Ankur Dhingra, ProHance CEO’su, iki on yılı aşkın bir süredir kurumsal verimlilik, finansal hizmetler ve küresel iş operasyonları alanında liderlik yapan deneyimli bir teknoloji ve operasyon yöneticisidir. 2020 yılından beri ProHance’i yönetmekte ve insan çalışanlar, tedarikçiler ve AI sistemleri arasında verimliliği gözlemleme, yönetişim ve iyileştirme üzerine birleşik bir platform inşa etmeye odaklanmaktadır. CEO olmadan önce Dhingra, ProHance’in operasyon yönetimi ve analiz platformu olarak geliştirildiği FutureIP’de Ortak olarak görev yaptı. Daha önce American Express’te sekiz yıldan fazla süreyle çalışarak Küresel Arka Ofis Operasyonları Genel Müdürü ve Başkan Yardımcısı olarak görev yaptı; ayrıca büyük ölçekli telefon, sohbet, düzenleyici ve iş güvencesi fonksiyonlarını kapsayan müşteri etkileşim operasyonlarını yönetti. Kariyerinde ayrıca Genpact’te 1.100 kişilik bir bankacılık pratiği ve 35 milyon $ gelir tablosunu yönettiği üst düzey liderlik rolleri ve GE Capital’de Hindistan’da finansal hizmetler operasyonlarını yönettiği görevler bulunmaktadır.

ProHance, çalışanlar, dış tedarikçiler, AI yardımcıları ve otonom ajanlar arasında işin nasıl gerçekleştirildiğine dair gerçek zamanlı görünürlük sağlayan bir kurumsal işgücü zekâsı ve verimlilik analitiği şirketidir. Platformu “Verimlilik Kontrol Odası” olarak konumlandırılmıştır ve işgücü analitiği, kapasite planlaması, akıllı iş dağıtımı, verimlilik ölçümü ve yönetişim araçlarını birleştirerek işletmelerin operasyonel darboğazları tespit etmesine, kaynak kullanımını optimize etmesine ve AI’nın organizasyon performansına etkisini anlamasına yardımcı olur. ProHance, teknolojisinin 55 ülkedeki 220 kuruluştaki 450.000’den fazla kullanıcı tarafından kullanıldığını ve bankacılık, finansal hizmetler, iş süreçleri dış kaynak kullanımı, küresel yetenek merkezleri, sağlık ve bilgi teknolojileri gibi alanlarda uygulandığını bildiriyor.

GE Capital, Genpact ve American Express’te büyük ölçekli operasyonları iki on yıldan fazla yönettikten sonra ProHance CEO’su oldunuz. Bu deneyimler geleneksel işgücü ve verimlilik yönetiminin sınırlılıkları hakkında size ne öğretti ve bu dersler AI‑ilk işletme için ProHance’i nasıl inşa etmenizi şekillendirdi?

GE Capital, Genpact ve American Express’teki deneyimlerim, geleneksel işgücü yönetimindeki en büyük boşlukların ön yüzde değil, arka ofiste olduğunu gösterdi.

American Express’te daha önce müşteri hizmetleri tarafında çalışıyordum; iletişim merkezi, insanların zamanını nasıl harcadıkları, kullanım oranları, etkileşim hacmi ve süreçlerin nasıl optimize edilebileceği konularını ölçen oldukça gelişmiş bir teknolojiye sahipti. Ancak arka ofis operasyonlarını yönetmeye geçtiğimde çok farklı bir gerçeklikle karşılaştım.

Büyük işletmelerde sahne arkasında gerçekleşen çok büyük bir iş hacmi vardır – işlem işleme, vaka yönetimi, veri girişi ve diğer süreç‑odaklı faaliyetler – fakat bu işlerin nasıl yapıldığına dair anlamlı bir ölçüm çok azdı. Ön ofis için mevcut olan teknoloji ve görünürlük arka ofise yansımamıştı.

Bu soruna neredeyse mantıksız bir takıntı geliştirdim. Mevcut teknolojileri incelemeye ve sektördeki köklü oyuncularla konuşmaya başladım; ancak bulduklarım ya çok hantal, çok pahalı ya da arka ofis operasyonlarının gerçeklerine uygun değildi. Şöyle düşündüm: bu, 150 milyar $’ı aşan bir sektör ve yıllardır var olan bir sorun. Kesinlikle birileri bunu daha iyi çözmelidir.

Bu arayış beni sonunda ProHance’e getirdi; ProHance’in kurucu ortakları Rajesh Sharma ve Kishore Reddy, benim bu sistemlerin ileri kullanıcıları olarak tanımladığım birçok zorluğu zaten çözmüş bir teknoloji geliştirmişlerdi. Teknolojinin tam olarak ne yapması gerektiğini biliyordum – etkinliği otomatik olarak yakalamak, farklı işletim sistemlerinde çalışmak, sistem içinde ve dışında geçirilen zamanı ölçmek ve işin gerçekten nasıl gerçekleştiğine dair güvenilir bir görünüm sunmak.

Bu deneyim, ProHance’i bugün nasıl düşündüğümü şekillendirdi. Alınacak ders, AI‑ilk bir işletmeyi sadece mevcut işgücü‑yönetim araçlarına AI ekleyerek inşa edemeyeceğinizdir. Öncelikle işin kendisine dair güvenilir, ayrıntılı bir anlayışa ihtiyaç vardır. AI, bu işi analiz etme, optimize etme ve nihayetinde yeniden tasarlama sürecini dönüştürebilir.

Benim için ProHance, işletmelerin tarihsel olarak ön ofiste sahip olduğu aynı seviyede görünürlük ve zekâyı tüm organizasyona getirmek ve AI sayesinde verimliliği daha iyi ölçmek demektir; bu da işin nasıl yapıldığını temelden iyileştirir.

Üretken AI ve AI ajanları bilgi işinin giderek daha büyük bir payını devraldıkça, çalışılan saatler veya uygulama kullanımı gibi geleneksel verimlilik göstergeleri anlamını yitirebilir. Bir insanın daha önce birkaç saat süren bir işi 30 dakikada halledebileceği bir ortamda işletmeler verimliliği nasıl yeniden tanımlamalı?

Verimlilik, etkinliği ölçmekten sonuçları ölçmeye geçmelidir. AI, birinin üç saat süren bir işi 30 dakikada tamamlamasını sağlıyorsa, üç saatlik referans artık geçerli değildir. Odak, neyin başarıldığı, sonucun kalitesi ve zaman ile becerilerin ne kadar etkili kullanıldığı olmalıdır.

Bu aynı zamanda işletmelerin AI’nın gerçekten tekrarlayan işleri nerede ortadan kaldırdığını ve insan yargısının hâlâ kritik olduğu noktaları anlaması gerektiği anlamına gelir. Verimlilik, masa başında geçirilen saatler veya uygulama kullanımı yerine sonuçlar, kapasite, kalite ve iş etkisini yansıtmalıdır.

İşgücü zekâsını AI‑ilk işletmede giderek daha kritik bir hâle geldiğini tanımladınız. “İşgücü zekâsı” pratikte ne anlama geliyor ve şirketlerin tarihsel olarak kullandığı çalışan izleme ve işgücü analitiği araçlarından nasıl farklılaşıyor?

İşgücü zekâsı, bir organizasyona işin gerçekte nasıl gerçekleştiğine dair daha net bir anlayış sağlamaktır. İş yükü, kapasite, kullanım, süreçler ve sonuçlar etrafındaki sinyalleri bir araya getirerek liderlerin ekiplerin nerede zorlandığını, nerede kapasite bulunduğunu ve işin nerede takıldığını tespit etmelerine yardımcı olur.

Bu, genellikle bireysel etkinliğe odaklanan geleneksel çalışan izleme yöntemlerinden farklıdır. İşgücü zekâsı çok daha geniş bir seviyede çalışmalıdır. Amaç, “Bu çalışan her dakikada ne yapıyor?” sorusunu sormak değil, “İş organizasyon içinde nasıl akıyor ve onu nasıl iyileştirebiliriz?” sorusuna yanıt bulmaktır.

ProHance, belirleyici işgücü verilerini makine öğrenimiyle birleştirerek potansiyel disengaj ve tutma risklerini belirleyen öngörüler üretiyor. Bu AI modellerinin çalışan davranışındaki normal dalgalanmalardan anlamlı kalıpları ayırdığından nasıl emin oluyorsunuz ve yöneticilerin insanlarla ilgili kararlar alırken açıklanabilirlik ne kadar önemli?

ProHance’te temel verinin kalitesi ve bağlamının kritik olduğuna inanıyoruz. Çalışan davranışı, projeler, iş yükleri, ekipler, mevsimler ve iş döngülerine bağlı olarak doğal olarak değişir. Tek başına bir etkinlik değişikliği mutlaka disengaj ya da tutma riski anlamına gelmez.

Yaklaşım, tek bir davranışa dayanarak sonuç çıkarmak yerine, birden çok sinyal ve zaman içinde kalıpları aramaktır. AI, dikkat çekebilecek kalıpları tespit etmeye yardımcı olabilir, ancak nihai karar verici olarak kullanılmamalıdır.

Açıklanabilirlik aynı derecede önemlidir. Bir sistem potansiyel bir riski işaret ettiğinde, yöneticilerin bu sinyalin arkasındaki faktörleri anlayabilmesi ve kendi yargılarını uygulayabilmesi gerekir. Teknoloji, insanlarla ilgili kararları bilgilendirmek için kullanıldığında şeffaflık ve insan denetimi vazgeçilmezdir.

Organizasyonlar iş kalıpları, uygulama kullanımı, boşta kalma süresi veya performans gibi verileri analiz edebilen teknolojiyi tanıttıklarında çalışanlarda anlaşılabilir bir endişe oluşur. İşletmeler faydalı operasyonel görünürlük elde etme ile gözetim kültürü yaratma arasında nerede bir sınır çizmeli?

Sınır büyük ölçüde niyet, şeffaflık ve verinin nasıl kullanılacağıyla belirlenir. Çalışanlar, ölçülen şey ve neden ölçüldüğü konusunda netlik olmadan teknoloji tanıtıldığında doğal olarak rahatsızlık duyar.

Amaç, bireyleri sürekli izlemek yerine organizasyon ve operasyon seviyesinde işi anlamak olmalıdır. İşgücü verileri aşırı iş yüklerini, darboğazları veya verimsiz süreçleri tespit etmeye yardımcı oluyorsa, çalışan deneyimini aslında iyileştirebilir.

İşletmeler ayrıca neyi yapmayı amaçlamadıklarını da netleştirmelidir. Teknoloji, yöneticilerin ekipleriyle daha iyi sohbetler yapmasına yardımcı olmalı, bu sohbetlerin yerini almamalı ya da sürekli gözlem sistemine dönüşmemelidir.

AI yardımcıları ve otonom ajanlar giderek işgücünün bir parçası hâline geliyor. İşgücü zekâsı platformlarının gelecekte insan ve AI ajanlarının verimliliğini birlikte ölçmesi gerekecek mi ve anlamlı bir insan‑AI verimlilik metriği nasıl görünebilir?

Evet, bunun giderek daha önemli olacağını düşünüyorum. AI ajanları iş akışlarının bir kısmını devraldıkça, yalnızca insan etkinliğini ölçmek işletmelere işin nasıl yapıldığına dair eksik bir tablo sunar.

Ancak tek bir “insan vs AI” verimlilik puanı elde edeceğimizi düşünmüyorum. Daha faydalı bir yaklaşım, insanlar, AI araçları ve ajanların bir iş akışı içinde ürettiği birleşik çıktıyı anlamaktır.

İşletmeler, AI’nın tekrarlayan görevlerden ne kadar zaman kazandırdığını, süreçlerin ne kadar hızlı ilerlediğini, sonuçların kalitesini ve insan müdahalesinin hâlâ nerede gerektiğini inceleyebilir. Gerçek soru şu hâle gelir: insanlar ve AI ne kadar etkili bir şekilde birlikte çalışıyor?

ProHance, ham verimlilik ölçümünden işgücü zekâsına, iş yükü analizi, tahmin, süreç optimizasyonu ve kaynak tahsisine doğru bir evrimden bahsediyor. Bu kategorinin geleceğinin ne kadarının, yöneticilere sadece paneller sunmak yerine AI’nın proaktif olarak neyi değiştirmeleri gerektiğini önermesiyle şekilleneceğini düşünüyorsunuz?

Bence bu, ProHance’in kategoriyi gördüğü yön. Paneller faydalı, ancak yöneticileri bilgiyi yorumlamak ve bir sonraki adımı belirlemek sorumluluğu ile bırakıyor.

Bir sonraki aşama, platformların bir kalıbı tanımlaması ve “Bununla ne yapmalıyız?” sorusuna yanıt bulmasına yardımcı olmasıdır. Bu, aşırı yüklü bir ekibi vurgulamak, kullanılmayan bir beceri setini ortaya çıkarmak, kapasite açığını tahmin etmek ya da bir sürecin nasıl iyileştirilebileceğini önermek anlamına gelebilir.

ProHance için değer, görünürlükten eyleme geçişten artarak gelecekte daha da belirginleşecek. AI, yöneticilerin daha iyi kararlar almasına yardımcı olmalı, ancak kararın kendisi işi ve bağlamı anlayan kişide kalmalıdır.

Verimlilik zekâsını bir organizasyonun yıllık sağlık raporuna benzetmiştiniz. Yöneticilerin işgücünün gerçekten sağlıklı, üretken ve AI’ye başarılı bir şekilde uyum sağladığını belirlemek için hangi en önemli sinyallere bakması gerekir?

Tek bir verimlilik sayısından ziyade bir dizi sinyale bakardım. Kapasite ve iş yükü açık başlangıç noktalarıdır, ancak yöneticiler işin etkili bir şekilde dağıtılıp dağıtılmadığını, hangi darboğazların ortaya çıktığını, ekiplerin AI’ye nasıl uyum sağladığını ve insanların düşük değerli aktivitelere çok fazla zaman harcayıp harcamadığını da anlamalıdır.

Diğer önemli bir sinyal sürdürülebilirliktir. İnsanların sürekli makul kapasitenin ötesinde çalışması nedeniyle olağanüstü çıktı üreten bir ekip, uzun vadede sağlıklı ya da üretken olmayabilir.

Sağlıklı bir işgücü, kapasite, iş yükü ve sonuçların makul bir denge içinde olduğu, insanların daha yüksek değerli işlere odaklanabilecek alanları olduğu ve işin doğası değiştikçe organizasyonun uyum sağlayabildiği bir ortamdır.

“Verimlilik” birçok çalışan için daha az kişiyle daha fazla iş yapılması anlamına gelebileceği için olumsuz çağrışımlar kazanmıştır. Organizasyonlar bu kavramı nasıl yeniden kazanabilir ve AI‑destekli verimlilik zekâsını çalışan deneyimini iyileştirmek, tükenmişliği azaltmak ve düşük değerli işleri ortadan kaldırmak için nasıl kullanabilir?

Organizasyonların verimliliği sadece “daha az kişiyle daha fazla çıktı” olarak tanımlamaktan uzaklaşması gerekir. Bu tanım, özellikle AI‑destekli bir çalışma ortamında çok dar bir çerçeve sunar.

AI, ideal olarak, şu anda tekrarlayan idari işler, manuel süreçler ve düşük değerli görevler tarafından tüketilen zamanı çalışanlara geri kazandırmalıdır. Bu zaman, problem çözme, müşteri etkileşimi, yenilik ve insan yargısı gerektiren işlere yönlendirilebilir.

Verimlilik zekâsı, insanların aşırı yüklendiği ya da zamanlarını verimsiz harcadığı noktaları belirlemek için kullanılırsa, aslında bir çalışan deneyimi aracı haline gelebilir. Amaç, işi daha iyi hâle getirmek olmalı; sadece insanların daha hızlı çalışmasını sağlamak değil.

Geleceğe baktığımızda, AI neredeyse her kurumsal iş akışına entegre olduğunda, işgücünü AI ile başarılı bir şekilde güçlendiren organizasyonları, teknolojiyi uygulayıp anlamlı verimlilik artışına dönüştüremeyenlerden ayıracak faktör ne olacak?

AI’dan en çok fayda sağlayacak organizasyonlar, teknolojiyi sadece kurmakla yetinmeyenler olacaktır. Bir AI aracına erişim otomatik olarak verimlilik artışı yaratmaz.

Liderler, AI’nın iş akışlarını nerede değiştirdiğini, rollerin nasıl evrildiğini ve organizasyonun teknolojiden gerçekten daha iyi sonuçlar elde edip etmediğini anlayacaktır. Ayrıca neyin işe yaradığını sürekli ölçüp, buna göre ayarlamalar yapacaklardır.

Sonuçta, başarılı organizasyonlar AI benimsenmesini işin nasıl yapıldığına dair bir değişim olarak görecek; sadece başka bir teknoloji uygulaması olarak değil. AI’yı doğru süreçler, beceriler, işgücü görünürlüğü ve yönetim uygulamalarıyla birleştirecekler. Bu, AI’nın gerçek bir verimlilik avantajı mı yoksa sadece bir başka teknoloji katmanı mı olacağını belirleyecek.

Harika röportaj için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okuyucular ProHance sitesini ziyaret etmelidir.