Ankur Dhingra，ProHance CEO – 访谈系列

Ankur Dhingra，ProHance的CEO，是一位拥有二十多年领导经验的技术与运营高管，跨足企业生产力、金融服务和全球业务运营等领域。自2020年起他领导ProHance，专注于构建统一平台，用于观察、治理和提升人类员工、供应商以及AI系统的生产力。成为CEO之前，Dhingra曾是FutureIP的合伙人，在此期间开发了ProHance作为运营管理和分析平台。此前，他在美国运通工作超过八年，担任全球后台运营副总裁兼总经理，曾领导包括大规模电话、聊天、合规和业务保障等在内的客户互动运营。他的职业生涯还包括在Genpact的高级领导职务，管理拥有1100名员工的银行业务部门和3500万美元的损益，以及在GE Capital领导印度的金融服务运营。

ProHance是一家企业劳动力情报与生产力分析公司，为组织提供对员工、外部供应商、AI副驾驶和自主代理执行工作方式的实时可视化。其平台定位为“Productivity Control Room”，融合劳动力分析、容量规划、智能工作分配、生产力衡量和治理工具，帮助企业识别运营瓶颈、优化资源利用率，并了解AI对组织绩效的影响。ProHance称其技术已被55个国家的220家企业、超过450,000名用户使用，应用范围涵盖银行与金融服务、业务流程外包、全球能力中心、医疗保健和信息技术。

在成为ProHance的CEO之前，您在GE Capital、Genpact和American Express领导大型运营超过二十年。这些经历教会您传统劳动力和生产力管理的局限性是什么？这些教训如何塑造您为AI优先的企业构建ProHance的方式？

我在GE Capital、Genpact和American Express的经历让我认识到，传统劳动力管理中最大的一些缺口并不一定在前端，而是出现在后台。

在American Express，我最初在客户服务部门工作，呼叫中心拥有相当先进的技术来衡量生产力——包括人员时间分配、利用率、交互量以及流程优化的可能性。但当我转而负责后台运营时，看到的现实截然不同。

大型企业中有大量工作在幕后进行——交易处理、案件管理、数据录入以及其他流程驱动的活动——但对这些工作实际完成情况的有意义度量却寥寥无几。前端拥有的技术和可视化手段根本没有延伸到后台。

我几乎痴迷于这个问题。我开始审视现有技术并与业内成熟厂商交流，但发现它们要么笨重、要么昂贵，甚至根本不是为后台运营的实际情况而设计。我一直在想：这是一项超过1500亿美元的产业，这个问题已经存在多年，肯定有人能够提供更好的解决方案。

这种寻找最终把我带到了ProHance，Rajesh Sharma和Kishore Reddy（ProHance的联合创始人）已经构建了能够解决我所识别的许多挑战的技术。我清楚地知道技术需要实现的目标——自动捕获活动、跨不同操作系统工作、同时衡量系统内外的时间，并提供对实际工作情况的可靠视图。

这些经历塑造了我今天对ProHance的思考。关键在于，不能仅仅在现有的劳动力管理工具上叠加AI来构建AI优先的企业。首先必须对工作本身有可靠、细粒度的理解。随后AI才能在分析、优化乃至重新设计工作方式上发挥作用。

对我而言，ProHance的使命是将企业在前端长期拥有的可视化与智能水平，扩展到整个组织，并利用AI获得更精准的生产力衡量，从根本上提升工作方式。

随着生成式AI和AI代理在知识工作中占据越来越大的份额，传统的生产力信号如工作时长或应用使用率可能变得不再重要。当人类在30分钟内完成过去需要数小时的工作时，企业应如何重新定义生产力？

生产力必须从衡量活动转向衡量结果。如果AI让某人在30分钟内完成原本需要三小时的任务，那么三小时的基准已不再适用。关注点应放在实现了什么、结果的质量以及时间和技能的使用效率上。

这也意味着企业需要辨别AI真正消除重复性工作的场景，以及哪些环节仍然需要人类判断。生产力应更多地反映结果、容量、质量和业务影响，而不是坐在桌前的工时或应用使用情况。

您曾描述劳动力情报在AI优先的企业中变得日益关键。实际工作中，“劳动力情报”到底指的是什么，它与历史上企业使用的员工监控和劳动力分析工具有何区别？

劳动力情报本质上是为组织提供对工作实际发生方式的更清晰认知。它将工作负荷、容量、利用率、流程和结果等信号汇聚在一起，帮助领导者识别团队压力点、潜在容量以及工作卡点所在。

这不同于传统的员工监控，后者往往聚焦于个人的具体活动。劳动力情报应在更宏观的层面运作。目标不是问“这个员工每分钟在干什么”，而是问“整个组织的工作流如何，以及我们可以如何改进它”。

ProHance正日益将确定性的劳动力数据与机器学习相结合，以生成预测洞察，包括识别潜在的脱离感和保留风险。您如何确保这些AI模型能够区分有意义的模式与员工行为的正常波动？在管理者对人员做决策时，可解释性有多重要？

在ProHance，我们认为底层数据的质量和上下文至关重要。员工行为会因项目、工作负荷、团队、季节和业务周期而自然波动。单纯的活动变化并不一定意味着脱离感或保留风险。

我们的做法是跨多个信号并随时间观察模式，而不是依据单一行为得出结论。AI可以帮助识别可能需要关注的模式，但它不应成为最终的决策者。

可解释性同样重要。如果系统标记出潜在风险，管理者应能够了解该信号背后的因素，并自行判断。当技术用于对人员做决策时，透明度和人工监督是必不可少的。

当组织引入能够分析工作模式、应用使用、空闲时间或绩效的技术时，员工往往会产生担忧。企业应如何在获取有用的运营可视化与营造监控文化之间划定界限？

界限主要取决于意图、透明度以及数据的使用方式。若技术在未明确说明测量内容和目的的情况下被引入，员工自然会感到不安。

目标应是了解组织和运营层面的工作情况，而不是持续盯着个人。如果劳动力数据能够帮助识别工作负荷过重、瓶颈或低效流程，它实际上可以提升员工体验。

企业也应明确自己不想做什么。技术应帮助管理者与团队进行更好的对话，而不是取代这些对话或构建持续监视的系统。

AI副驾驶和自主代理正日益成为劳动力的一部分。您是否认为劳动力情报平台最终需要同时衡量人类和AI代理的生产力？如果要衡量，人机协同的生产力指标应是什么样的？

是的，我认为这将变得越来越重要。随着AI代理承担工作流的部分环节，仅衡量人类活动会让企业对工作完成情况的认知不完整。

但我并不认为会出现单一的“人类对AI”生产力得分。更有价值的做法是了解人在工作流中、AI工具和代理共同产生的整体产出。

企业可以关注AI为重复性任务节省了多少时间、流程推进的速度、结果质量以及仍需人工介入的环节。关键问题转变为：人类与AI的协作效率如何？

ProHance提到要从原始的生产力测量转向运营情报，包括工作负荷分析、预测、流程优化和资源分配。未来该领域将有多少比例是AI主动推荐管理者应做何种改变，而不是仅提供仪表盘？

我认为这正是ProHance看到的行业方向。仪表盘固然有用，但仍然把解释信息和决定下一步行动的责任交给管理者。

下一阶段的平台应能够识别模式并帮助回答“我们该怎么做？”这可能意味着突出负荷过重的团队、发现未被充分利用的技能、预测容量缺口或建议流程改进点。

对ProHance而言，价值将越来越体现在从可视化走向行动。AI应帮助管理者做出更佳决策，同时保持最终决定权在了解业务和情境的人员手中。

您将生产力情报比作组织的年度健康报告。高管们应关注哪些关键信号，以判断其劳动力是否真正健康、富有生产力，并成功适应AI？

我会关注多项信号的组合，而不是单一的生产力数字。容量和工作负荷是显而易见的起点，但高管还应了解工作分配是否有效、瓶颈是否出现、团队对AI的适应情况以及人员是否在低价值活动上花费过多时间。

另一个重要信号是可持续性。若团队因持续超负荷而交付卓越产出，这并不意味着长期健康或高生产力。

健康的劳动力应是容量、工作负荷和结果相对平衡，员工有空间专注于更高价值的工作，组织能够随工作性质的变化而灵活调整。

“生产力”在许多员工眼中已产生负面联想，因为它暗示用更少的人完成更多工作。组织如何重新定义这一概念，并利用AI驱动的生产力情报提升员工体验、减轻倦怠、剔除低价值工作，而不是单纯提升产出？

组织需要摆脱将生产力仅定义为“更少人产生更多产出”的狭隘视角。该定义在AI赋能的工作场所显得尤为局限。

AI理想的作用是把目前被重复性行政、手工流程和低价值任务占用的时间还给员工。机会在于将这些时间用于问题解决、客户互动、创新以及需要人类判断的工作。

如果生产力情报用于识别人员过载或低效时间使用，它实际上可以成为提升员工体验的工具。目标应是让工作变得更好，而非仅仅让人们工作更快。

展望未来，随着AI嵌入几乎所有企业工作流，您认为哪些因素会让成功将劳动力与AI结合的组织脱颖而出，而那些仅仅部署技术却未转化为实际生产力提升的组织又会怎样？

从AI中获益最大的组织将是那些超越技术部署本身的企业。拥有AI工具并不自动带来生产力提升。

这些领导者会了解AI在哪些环节改变了工作流、角色如何演进，以及组织是否真的从技术中获得了更好的结果。他们也会持续衡量哪些措施有效并相应调整。

最终，成功的组织会把AI采纳视为工作方式的变革，而非单纯的技术实现。他们会将AI与合适的流程、技能、劳动力可视化和管理实践相结合。这将决定AI是成为真正的生产力优势，还是仅仅是另一层技术堆叠。

感谢这次精彩的访谈。想了解更多的读者请访问ProHance。