Віджай Віджаясанкар, глобальний офіцер Agentic AI в Genpact – Інтерв’ю Серія

Віджай Віджаясанкар, глобальний офіцер Agentic AI в Genpact, очолює глобальну продуктизацію рішень Agentic AI, зосереджуючись на зміні створення вартості підприємств з традиційних моделей, заснованих на робочій силі, до моделей з вищою маржою, заснованих на результатах. На своїй посаді він допомагає формувати підхід Genpact до масштабування AI на підприємствах шляхом створення організаційних моделей навколо будівельників AI, які проектують розширені шари оркестрування, та практиків AI, які вводять галузеву експертизу в робочі процеси, підтримувані автономними агентами. До того, як приєднатися до Genpact, Віджаясанкар обіймав керівні посади в IBM, включаючи керівника фінансових послуг, технічного директора IBM Services Північної Америки та генерального менеджера з питань когнітивних технологій, IoT, аналітики та здоров’я в GBS Північної Америки, а також раніше обіймав виконавчі посади в MongoDB (MDB ) та SAP.

Genpact – це компанія, що пропонує агентські та передові технологічні рішення, яка допомагає великим підприємствам модернізувати свої операції за допомогою процесної інтелектуальності, штучного інтелекту, даних та цифрової трансформації. Компанія працює в таких галузях, як фінанси та бухгалтерський облік, обслуговування клієнтів, ризики та дотримання вимог законодавства, закупівлі та постачання, ланцюжки постачання, технології та довіра та безпека, тоді як її послуги з даних та AI зосереджені на допомозі організаціям використовувати розширені аналітичні дані, AI та автономні агенти для перетворення складних даних у вимірювані бізнес-результати.

Ви провели понад два десятиліття в компаніях, таких як IBM, MongoDB, SAP, а зараз обіймаєте посаду глобального офіцера Agentic AI в Genpact. Оглянувшись на еволюцію від великих даних та аналітики до сучасних агентських систем AI, які уроки мали найбільший вплив на ваше бачення того, як підприємства повинні підходити до трансформації AI?

Я вже тричі дивився цей фільм. Великі дані були срібною кулею для прийняття рішень. Хмара була миттєвим перемикачем для організаційної гнучкості. Тепер агентський AI є лікуванням для операцій. У кожному циклі компанії, які створювали вартість, зосереджувалися на своїх операційних моделях, процесах та людях. Ті, хто боролся, і багато хто досі бореться, розглядали саму технологію як трансформацію.

Що фундаментально відрізняється в агентському AI, так це його розташування. Воно знаходиться на рівні виконання, а не на рівні розуміння. Старіші інструменти генерували графіки та рекомендації. Агенти здійснюють дії. Поганий аналітичний داشборд генерує поганий графік, який людина-аналітик помічає до того, як він потрапить на стол керівника. Поганий агент здійснює погану транзакцію у великому масштабі, перш ніж хтось усвідомлює, що це відбулося. Це змінює профіль ризику повністю та змушує до рівня оперативної дисципліни, якого більшість компаній раніше не потребували. Я навчився бути підозріливим до свого власного захоплення. Агентський AI є цікавим, але саме тоді, коли вам потрібно сповільнитися та перевірити основи.

Новий звіт Genpact з HFS Research оцінює, що нерозwiązана підприємницька заборгованість утримує майже 18 трильйонів доларів потенційної вартості по всьому світу. Що вас найбільше здивувало в результатах, і чому ви вважаєте, що багато організацій продовжують недооцінювати вплив боргу процесів, даних, технологій та талантів?

Що було відкритим, так це масштаб вартості, заблокованої за допомогою неефективних процесів, фрагментованих даних, застарілих технологій та проблем з готовністю робочої сили, вимірюваних у трильйонах доларів.

Що має значення більше, ніж загальна цифра, так це структура проблеми. Більшість керівників розглядають ці питання як окремі силоси. Проблема даних, проблема процесу, проблема технологій, проблема навичок, кожна розглядається окремо. Вони не окремі. Погані дані змушують людей винаходити ручні обходи. Ці обходи створюють складність процесу. Ця складність виснажує ваших найкращих людей та робить ваші операції хиткими. Коли ініціатива AI приходить, вона натрапляє на все це одночасно. AI звинувачується у невдачі, яка була закладена в бізнес десятиліття тому. Ми говоримо про підприємницький борг як про витратний тягар, але це більше обмеження зростання. Це розрізнення має значення, оскільки воно змінює того, хто володіє проблемою, і що таке її вирішення.

Звіт виявив, що 85% керівників вважають, що підприємницький борг обмежує реалізацію вартості AI. Чому ви думаєте, що підприємства продовжують вкладати великі кошти в AI, часто не звертаючи уваги на фундаментальні питання, які заважають цим інвестиціям приносити результати?

Бо AI є видимим, а основи є невидимими. Кожна рада хоче побачити стратегію AI. Кожен керівник потребує історії, яку можна розповісти. Розгортання блискучої нової моделі – це заголовок. Перепроектування основного ланцюжка постачання – це подяка, невидима робота, поки це не працює.

Я бачив організації, які витрачають шість місяців на вибір моделі та шість днів на дослідження процесу, який ця модель повинна покращити. Це співвідношення є зворотнім, і вони дізнаються про це важким шляхом. Бутлянка майже ніколи не є AI. Це несумісні процеси, відключені системи та дані, за які ніхто не несе відповідальності протягом років. AI не вирішує ці питання. Воно викриває їх швидше. Структури стимулів не винагороджують основи. Не існує демонстрації для очищення даних управління. Керівники, які роблять це тихо, роблять ставку на те, що оперативна здоровість складається з часом, але більшість рад не вимірюють цього.

Дані боргу виявилися найбільшим блокатором AI у дослідженні. Які практичні кроки повинні вжити підприємства сьогодні, щоб перейти від фрагментованих, низькоякісних середовищ даних до даних, які можуть підтримувати агентський AI у великому масштабі?

Перестаньте намагатися запустити велику програму зверху донизу. Це технологічний відповідь на проблему відповідальності. У більшості великих організацій ніхто не володіє точністю інформації, яка керує бізнесом.

Практична початкова точка – вибрати кілька високоцінних процесів та працювати назад. Які рішення потрібно прийняти? Які дані потрібні для цих рішень? Хто володіє цими даними? Як часто вони неправильні? Це завдання негайно поверхнево проявляє пробіли у відповідальності. І нам потрібно зробити це правильно, оскільки агенти не можуть помилитися тихо. Людина-аналітик бачить дві системи, які не погоджуються, та приймає рішення. Агент арбітрує між суперечливими даними та здійснює дії з повною впевненістю. Якщо різні частини вашої організації визначають клієнта або транзакцію по-різному, агент приймає впевнені рішення на основі поганих входів, і нічого в вашій організації не ловить це. Це нова категорія оперативного ризику, якої більшість організацій ще не повністю оцінили.

Агенти не обробляють двозначність так само, як люди. Це також пояснює, чому успіх агентського рішення менше залежить від інтелекту моделей, а більше від якості огорож, встановлених на місці.

Ви стверджували, що немає AI без процесуальної інтелектуальності. Чому ви вважаєте, що переробка процесу часто важливіша, ніж сама модель AI, коли організації намагаються автоматизувати складні бізнес-операції?

Бо модель працює так само добре, як і процес, у якому вона вбудована, а не краще. Організації одержимі вибором моделі, оскільки саме там видимий інноваційний потенціал, але процес – це місце, де створюється вартість.

Якщо робочий процес має зайві затвердження, дублікат роботи чи невиразну власність, AI не виправляє ці речі. Воно прискорює їх. Люди часто вважають, що повна переробка процесу сповільнює їх, але реальність є точно протилежною. Ви зберігаєте ті вісімнадцять місяців, які ви витратили на розгортання поганого розгортання. Подумайте про це, як про транспортний засіб: ви можете встановити найкращий двигун, який коли-небудь побудований, у машину з неправильно встановленими колесами, і вона все одно буде тягнути вліво.

Багато організацій експериментують з агентами AI, але відносно небагато успішно розгорнули їх у своїх основних бізнес-функціях. Що відрізняє підприємства, які рухаються за межі пілотних проектів, від тих, які залишаються в режимі доказу концепції?

Пілотні проекти призначені для успіху. Ви вибираєте найкращий процес, найчистіші дані та наймотивованішу команду. Масштабування означає удар по реальному середовищу, де жодна з цих умов не виконується.

Організації, які масштабуються, перестають створювати штучні умови з самого початку. Вони вибирають реальну оперативну проблему, призначують власника, який відповідає за бізнес-результат, а не технологію, та випікають управління у дизайн з самого початку. У нас є клієнти, які запускають агентів у виробництві по всьому світу та моніторингу транзакцій. Продуктивність є там, але справжня зміна є структурною. Кінцевий стан – це фундаментально інакший робочий процес, у якому люди звільняються для виконання стратегічної роботи, якої вони ніколи не мали часу виконувати раніше. Масштабування агентів – це лідерський виклик, а не програмний.

Звіт підкреслює, що лише 6% підприємств успішно вирішили свої основні боргові проблеми. Що роблять ці організації по-іншому, і які помилки ви бачите серед компаній, які борються з досягненням значного прогресу?

Вони розглядають це як бізнес-проблему, а не як програму IT. Це пов’язано з виконавчою підтримкою та вимірюваними бізнес-виступами. Вони розуміють, що оперативна здоровість не відокремлена від стратегії зростання. Це стратегія зростання.

Інші 94% переслідують симптоми. Вони розгортають інструмент для вирішення проблеми процесу або запускають ініціативу AI, щоб компенсувати погані дані. Це дає короткостроковий імпульс, але основна проблема залишається, і борг продовжує наростати. Керівники, які порушують цикл, готові сказати те, чого більшість керівників не хочуть: цей процес був зламаний протягом п’ятнадцяти років, ми побудували ці операційні моделі навколо його невдач, і ми розіб’ємо їх та побудуємо заново. Це зізнання є незручним. Воно запрошує питання про те, чому це не було виправлено раніше. Ті, хто приймає це рішення, роблять справжній прогрес.

Ви говорили про розрізнення між “будівельниками AI” та “практиками AI”. Як ви бачите еволюцію підприємствських робочих сил протягом наступних п’яти років, і які навички стануть найбільш цінними, коли люди все частіше працюватимуть поряд з автономними агентами?

Найбільш цінною навичкою буде знання того, як поставити проблему. Коли AI обробляє більше виконання, якість результату залежить від якості питання та судження, застосованого до виходу. Вам потрібно бути здатним визнати, коли щось виглядає правильно, але є структуровано неправильно.

Поза цим я б підкреслив три конкретні речі. По-перше, глибина галузі. Загальні можливості AI стають комодитизованими швидко, тому генералісти втрачають вплив. Премія буде надана глибоким експертам галузі, які поєднують справжню функціональну експертизу з можливістю застосування AI у цьому контексті. По-друге, обробка винятків. Вам потрібні люди, які знають, що робити, коли агент встрічає стіну або фінансові ставки надто високі, щоб автоматизувати, що вимагає інституційної мудрості, а не навчальних даних. По-третє, дизайн робочого процесу, тобто здатність структурувати роботу так, щоб люди та інтелектуальні системи робили те, для чого вони найкраще підходять, та визнавати, коли це розрізнення потрібно змінити. Це не термін, який галузь ще не визначила, але навичка є реальною та зараз недооціненою.

Є тривалий дискусія щодо того, чи ліквідує AI робочі місця чи трансформує їх. Ви стверджували, що більша частина цієї проблеми виникає з неправильного розуміння того, що AI робить добре. Як ви бачите розвиток відносин між людською експертизою та агентами AI під час прискорення прийняття?

AI є видатним у завданнях, які чітко визначені, мають великий обсяг та залежать від моделей, таких як обробка рахунків, моніторинг торгових аномалій та складання звичайних повідомлень. Воно робить ці речі швидше та у масштабі, якого жодна людина не може досягти. Однак AI не може нести відповідальність за реальні результати, а також не може обробляти такі речі, як новизна, двозначність та складні людські відносини, тому людська експертиза залишається важливою.

Більшість робочих місць складаються з набору завдань, а не однієї діяльності, і AI поглинає рівень виконання з часом. Це не усуває потребу в людях, це просто змінює місце, де вони створюють вартість. Коли рутинна робота автоматизується, експертиза зміщується у бік вирішення винятків, переробки процесів та допомоги організаціям адаптуватися, коли технології та бізнес-потреби змінюються. Деякі ролі будуть змінені суттєво, і лідери несуть відповідальність за те, щоб вирішити, чи є нова робота, створена доступною для людей, чиї стара робота зникла. Відповідь залежить майже повністю від рішень організацій щодо навчання та переходу. Це рішення лідера, а не технологічний результат. Компанії, яких я найбільш поважаю, чесно розмовляють зі своїми командами про те, які ролі змінюються, за який графік, де людська експертиза залишається надзвичайно цінною, та які реалістичні шляхи вперед виглядають. Більшість компаній ще не ведуть цю розмову.

Оглянувшись вперед, що таке真正нє агентське підприємство на практиці? Якщо ми переглянемо цю розмову через п’ять років, які зміни в бізнес-операціях, організаційному дизайні та розгортанні AI, ви очікуєте, стануть стандартними для лідируючих підприємств?

Ми перестанемо говорити про AI як про окрему ініціативу, як ми перестали говорити про цифровізація. Це просто стане тим, як робота робиться.

Структурна зміна – це те, що мене найбільш цікавить. Багато з нашої поточної ієрархії існує через те, що інформація була важкою для пересування. У нас є ланцюжки затвердження та координаційні ролі, оскільки інформація мала рухатися від місця її створення до місця прийняття рішень. Агенти згортають цю відстань. Коли вони це роблять, значна частина координаційної інфраструктури стає зайвою. Організації, які визнають це рано та переробляють навколо цього, матимуть перевагу швидкості, яка складається.

Ми також побачимо зміну в тому, як AI купується та доставляється. Компанії з програмного забезпечення будують продукти, але не несе відповідальність за результати. Компанії з послуг несе відповідальність, але борються з будівництвом масштабованих продуктів. Обидві моделі є недостатніми. Те, що ми будемо будувати в Genpact, – це продуктизований AI у конкретних галузях, доставлений як результат. Ви купуєте результат, і ми відповідаємо за нього. Я вважаю, що це стане стандартом, оскільки воно правильно вирівнює стимули. Постачальник, який продає тільки можливості, не має частки в тому, щоб воно працювало у вашому середовищі. Ті, хто відповідає за результат, мають кожну частку. Переможці цієї ери не будуть визначені тим, що мають найсофістикованіші моделі AI. Вони будуть визначені тим, що освояють структурну переробку між людьми, процесами та інтелектуальними системами. Ми тільки на першому дні цього зсуву. Díky вам за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Genpact.