Jay Venkateswaran, Pinuno ng Yunit ng Negosyo, Banking at Financial Services sa WNS – Serye ng Panayam

Jay Venkateswaran, Pinuno ng Yunit ng Negosyo para sa Banking at Financial Services, ay nangangasiwa sa estratehiya, paglago, at pinansyal na pagganap. Bago sumali sa WNS, siya ay Consulting Partner sa AT Kearney. Bilang isang pinagkakatiwalaang kasosyo sa Business Transformation at Services, ang WNS ay natatanging pinaghalo ang kadalubhasaan sa larangan kasama ang isang pinagsamang digital ecosystem na nag-iintegrate ng Analytics, Hyperautomation, at AI upang lumikha ng pagkakaiba sa merkado para sa mga kliyente.

Ang Generative AI ay mabilis na nagbabago sa banking at financial services.  Paano mo nakikita ang pag-unlad ng epekto nito sa susunod na limang taon?

Sa banking, nakikita ko ang Generative AI (Gen AI) na gumanap ng mahalagang papel sa pagpapabuti ng karanasan ng customer, pagpapahusay ng operational efficiency, at pagpapalakas ng risk management. Sa back office, ang AI-driven automation ay magpapasimple ng mga gawain tulad ng regulatory reporting, compliance checks, at document processing, na makabuluhang magbabawas ng operating costs. Bukod dito, ang AI ay magpapahusay ng credit risk assessments at fraud detection sa pamamagitan ng real-time data insights at predictive analytics.

Isa sa mga pinaka‑transformative na pagbabago ay ang hyper‑personalization, na magbibigay-daan sa mga institusyong pinansyal na mag-alok ng lubos na naka‑customize na mga produkto at serbisyo na naaayon sa indibidwal na pag-uugali, kagustuhan, at pangangailangan ng customer. Habang umuunlad ang kakayahan ng AI, mas lalong iintegrate ng mga bangko ang AI‑powered chatbots at virtual assistants upang mapabuti ang pakikipag‑ugnayan sa customer, na magiging mas intuitive at responsive. Sa huli, ang sektor ng banking at financial services ay magiging isang lubos na matalino, data‑driven ecosystem kung saan ang AI‑driven insights ay nagbibigay-daan sa mas matalinong pagdedesisyon, na nagreresulta sa isang seamless at mas personalized na karanasan sa banking.

Siyempre, huwag nating balewalain ang katotohanang mas mababa sa dalawang taon matapos maging mainstream ang Gen AI, isang kapantay—kung hindi man mas—transformative breakthrough ang lumitaw: Agentic AI. Ang inobasyong ito ay maaaring magdala ng paradigm shift sa banking sa pamamagitan ng pagpapalit ng static chatbots at siloed automation ng mga autonomous, decision‑making AI agents na kayang mag‑adapt, matuto, at magsagawa ng mga gawain na halos kasing talino ng tao.

Maraming institusyong pinansyal ang nasa maagang yugto pa ng pag‑adopt ng AI.  Huli na ba para sa mga late adopters na makahabol, o may nakikita ka bang mga viable na estratehiya para ma‑close ang agwat?

Hindi pa huli para sa mga institusyong pinansyal na yakapin ang AI, ngunit mahalaga ang isang strategic na lapit. Ang mga late adopters ay dapat isama ang AI sa kanilang strategic plans, na mag‑focus sa mga high‑impact use cases na nag‑aalok ng agarang halaga.

Ang inirerekomendang unang hakbang ay ang pagtukoy ng mga “quick‑win” na oportunidad—tulad ng AI‑driven customer service chatbots, automation ng document processing, at fraud detection—kung saan ang pag‑adopt ng AI ay mabilis na magpapabuti ng kahusayan at kasiyahan ng customer.

Dagdag pa rito, sa halip na mag‑develop ng AI models internally na maaaring maging resource‑intensive at matagal, maaaring pabilisin ng mga institusyong pinansyal ang deployment ng AI sa pamamagitan ng pakikipag‑partner sa mga specialized AI vendors. Ang mga partnership na ito ay nagbibigay-daan sa mga bangko na gamitin ang pre‑built AI models at cloud‑based AI solutions, na nagbabawas ng oras at gastos ng implementasyon.

Isa pang mahalagang estratehiya ay ang paggamit ng low‑code at no‑code AI platforms. Ang mga platform na ito ay nagpapahintulot sa mga institusyong pinansyal na mag‑deploy ng AI‑driven solutions nang mabilis nang hindi nangangailangan ng malawak na teknikal na kaalaman. Halimbawa, ang AI‑based Intelligent Data Processing (IDP) modules ay maaaring mag‑extract, mag‑categorize, at mag‑analyze ng data mula sa unstructured sources tulad ng PDFs at e‑mails, na nagpapabuti ng operational efficiency.

Sa pamamagitan ng pag‑adopt ng mga nakatutok na estratehiyang ito, maaaring epektibong ma‑close ng mga late adopters ang AI gap habang tinitiyak ang compliance at scalability.

Ano ang pinakamalaking hamon na kinahaharap ng mga bangko kapag nag‑implement ng AI solutions, at paano nila ito malalampasan?

Kapag nag‑implement ng AI solutions, tatlong pangunahing hamon ang kinahaharap ng mga bangko: kalidad ng data, integrasyon ng legacy system, at regulasyong compliance.

1. Kalidad at Availability ng Data: Ang mga AI model ay nangangailangan ng mataas na kalidad, structured, at diverse na dataset para sa training. Gayunpaman, maraming bangko ang nahihirapan sa fragmented na pinagmumulan ng data, kakulangan ng governance, at hindi pare‑parehong data formats. Upang malampasan ito, dapat mag‑invest ang mga institusyong pinansyal sa matibay na data governance frameworks, i‑centralize ang data repositories, at gumamit ng AI‑driven data cleaning at enrichment tools.
2. Integrasyon ng Legacy System: Maraming bangko pa rin ang nagpapatakbo sa legacy IT infrastructures na hindi optimized para sa AI implementation. Ang pag‑deploy ng Application Programming Interface (API)‑based integration architectures ay maaaring mag‑bridge ng agwat sa pagitan ng AI‑driven solutions at legacy systems, na nagpapahintulot ng seamless data flow at process automation nang hindi kinakailangang i‑overhaul ang buong system.
3. Regulatory at Compliance Concerns: Ang patuloy na pagbabago ng regulatory landscape ay nangangailangan na ang mga AI model ay transparent, explainable, at auditable. Upang tugunan ito, dapat mag‑implement ang mga bangko ng AI governance frameworks, makipagtulungan sa regulatory bodies, at mag‑adopt ng trustworthy AI solutions na inuuna ang transparency, bias mitigation, at alignment sa compliance.

Sa pamamagitan ng proactive na pag‑address sa mga hamong ito, maaaring lumikha ang mga bangko ng solidong pundasyon para sa AI adoption at matiyak ang pangmatagalang tagumpay.

Bakit kritikal para sa mga bangko na mag‑experiment sa AI use cases bago ang full‑scale deployment?

Ang pag‑experiment sa AI use cases ay mahalaga para sa mga bangko upang matiyak ang operational feasibility, regulatory compliance, at matagumpay na user adoption bago mag‑commit sa full‑scale deployment.

1. Operational Readiness: Ang AI‑driven solutions ay maaaring mag‑bago nang malaki sa workflows, na nangangailangan ng process re‑imagination sa halip na simpleng re‑engineering. Ang experimentation ay nagbibigay-daan sa mga bangko na suriin ang epekto sa kasalukuyang proseso at gumawa ng kinakailangang adjustments bago ang malawakang implementasyon.
2. User Acceptance & Training: Ang AI‑driven systems ay kailangang naka‑align sa inaasahan ng end‑user. Ang maliliit na pilot projects ay tumutulong sa mga bangko na sukatin ang pagtanggap ng user at i‑refine ang AI models batay sa real‑world feedback, na nagtitiyak ng mas maayos na adoption at tiwala sa AI‑driven decision‑making.
3. ROI Validation: Dapat sukatin ng mga bangko ang financial at operational impact ng AI bago gumawa ng malakihang pamumuhunan. Ang pag‑experiment sa AI use cases—tulad ng pagpapabuti ng customer acquisition, cost savings sa operations, at fraud prevention improvements—ay nagbibigay ng konkretong insight sa ROI, na nagpapahintulot ng data‑driven investment decisions.

Sa pamamagitan ng iterative, test‑and‑learn na lapit, maaaring bawasan ng mga bangko ang mga panganib, i‑refine ang kanilang AI strategies, at matiyak na ang AI adoption ay naka‑align sa mga layunin ng negosyo.

Paano dapat lapitan ng mga institusyong pinansyal ang AI readiness at deployment upang makamit ang maximum ROI?

Upang mag‑hatid ng maximum ROI ang AI deployment, kailangang mag‑adopt ang mga bangko ng strategic, cross‑functional na lapit na nag‑align ng AI initiatives sa business objectives.

1. Strategic Alignment: Dapat isama ang AI sa mas malawak na strategic goals ng institusyong pinansyal, tulad ng cost reduction, process efficiency, customer acquisition, at improved risk management.
2. Cross‑functional Collaboration: Hindi dapat i‑silo ang AI implementation sa IT teams lamang. Sa halip, ang cross‑functional collaboration na kinabibilangan ng risk, compliance, operations, customer service, at business units ay mahalaga upang matiyak na ang AI solutions ay tumutugon sa pangangailangan ng buong organisasyon.
3. Workforce Upskilling & Change Management: Dapat mag‑invest ang mga bangko sa training programs upang ma‑equip ang mga empleyado ng AI‑related skills. Ang maayos na paglipat sa AI‑driven operations ay nangangailangan ng structured learning programs, hands‑on training, at pag‑leverage ng external AI talent sa pamamagitan ng partnerships.
4. Scalable AI Infrastructure: Dapat mag‑deploy ang mga institusyong pinansyal ng scalable AI platforms na nagpapahintulot ng iterative improvements at seamless integration sa existing banking systems.

Sa pamamagitan ng pag‑prioritize sa mga elementong ito, maaaring matiyak ng mga bangko na ang AI adoption ay nagdadala ng makabuluhang business outcomes, nagpapabuti ng karanasan ng customer, at nag‑deliver ng nasusukat na financial returns.

Ang fraud sa digital payments ay lumalalang alalahanin. Paano makakatulong ang generative AI sa mga institusyong pinansyal na labanan ang tumataas na fraud at mapabuti ang seguridad?

Ang patuloy na pag‑adopt ng digital payments ay nagdulot ng mas sopistikadong fraud tactics. Ang Gen AI ay nag‑aalok ng pinahusay na fraud detection capabilities sa pamamagitan ng pagsusuri ng napakalaking datasets nang real‑time at pagtukoy ng anomalous transaction patterns na maaaring mapalampas ng tradisyonal na rule‑based systems.

Gen AI ay maaaring:

1. Mas tumpak na matukoy ang fraud sa pamamagitan ng patuloy na pag‑learn mula sa transaction data, na nagbabawas ng false positives habang pinapabuti ang fraud prevention rates.
2. Matukoy ang behavioral anomalies sa antas ng indibidwal na customer, na nag‑flag ng kahina‑hingang aktibidad batay sa historical trends.
3. Pahusayin ang threat intelligence sa pamamagitan ng pag‑scan ng industry reports, security bulletins, at global incident databases upang mahulaan ang umuusbong na fraud trends at mag‑adapt nang naaayon.

Sa pamamagitan ng pag‑leverage ng mga AI‑driven capabilities na ito, maaaring lubos na palakasin ng mga institusyong pinansyal ang kanilang fraud prevention measures, i‑optimize ang human‑led investigations, at matiyak ang mas ligtas na digital transactions.

Ang WNS ay co‑created ng mga solusyon sa iba’t‑ibang kliyente upang tugunan ang aspeto ng fraud detection at investigation gamit ang analytics at AI. Ang mga solusyong ito ay gumagamit ng kombinasyon ng

Predictive modeling para sa fraud detection at classification.

• IDP para sa document digitization
• Deep Learning‑powered solutions para sa pagtuklas ng tampered documents

Ang mga compliance requirements ay nagiging mas kumplikado sa buong global markets. Paano makakatulong ang AI sa mga bangko na matugunan ang regulatory standards nang mas epektibo?

Ang regulatory compliance ay naging isang dynamic at patuloy na nagbabagong hamon sa mga nakaraang dekada dahil sa patuloy na pagbabago ng global regulations. Ito ay nag‑padala sa mga bangko na mag‑invest sa tao, proseso, at teknolohiya upang matiyak ang pagsunod sa lalong kumplikadong compliance mandates. Ang AI ay lumitaw bilang isang makapangyarihang kasangkapan sa pagpapasimple ng regulatory compliance, partikular sa pag‑track ng regulatory changes at pagsusuri ng kanilang epekto sa banking operations. Sa pamamagitan ng pag‑leverage ng AI, maaaring makatanggap ang mga institusyong pinansyal ng real‑time updates sa regulatory changes, na nagbibigay-daan sa kanila na proactively na magplano at mag‑implement ng compliance measures.

Dagdag pa rito, ang AI‑driven solutions ay maaaring sistematikong mag‑organisa at mag‑manage ng regulatory publications, na nagbabawas ng manual effort na kinakailangan upang subaybayan at intindihin ang mga pagbabagong ito. Ang Gen (Gen AI) ay higit pang nagpapahusay ng compliance capabilities sa pamamagitan ng pagsusuri ng mga bagong regulasyon kumpara sa mga nakaraang bersyon, na nagpapahintulot sa mga institusyon na mabilis na tasahin ang kanilang epekto sa internal policies at procedures. Ang kakayahang ito ay nagpapalakas ng risk at control assessments, na ginagawang mas epektibo at efficient ang compliance processes. Bukod dito, maaaring magamit ang Gen AI sa paglikha ng structured training content, na tinitiyak na ang staff ay nananatiling mahusay na na‑inform sa mga regulatory changes. Ang AI‑driven continuous monitoring at auditing capabilities ay malaki ang nababawas sa compliance risks, na nagbibigay sa mga institusyon ng proactive na lapit sa regulatory management at nagbabawas ng mga sorpresa sa pangkalahatang risk at compliance frameworks.

Sa larangan ng compliance, ang WNS ay nangunguna sa pagbuo ng mga solusyon gamit ang AI & Gen AI sa mga nakaraang taon kabilang ang:

• Gen AI Solution para sa Adverse Media screening
• AI & Gen AI solution para sa AML Investigations
• AI‑powered solution para sa enhanced KYC

Ano ang ilan sa mga pinaka‑promising na AI‑driven use cases sa banking ngayon, bukod sa fraud detection at compliance?

Patuloy na umuunlad ang AI, kung saan ang mga data scientists at AI practitioners ay nagde‑develop ng mga innovative na solusyon upang tugunan ang malawak na hanay ng business imperatives sa banking sector. Bukod sa fraud detection at compliance, ang AI ay nagdadala ng makabuluhang transformation sa customer experience, operational efficiency, at decision‑making processes.

Isa sa mga pinaka‑prominent na use case ay ang AI‑powered chatbots at Gen AI‑driven real‑time agent assistance, na nag‑revolutionize ng customer service sa pamamagitan ng pagbibigay ng personalized, instantaneous, at efficient na interaksyon. Ang shift na ito ay nagpapabuti ng customer satisfaction at nagpapasimple ng issue resolution.

Sa operational front, tinutugunan ng AI ang matagal nang hamon sa reconciliation processes, na karaniwang sumasaklaw sa maraming departamento sa loob ng mga institusyong pinansyal. Ang AI‑driven algorithms ay maaaring i‑automate ang pag‑match ng mga hindi pa natutugmang transaksyon sa pamamagitan ng pagsusuri ng historical patterns at trends, na malaki ang nababawas sa pangangailangan ng manual intervention.

Isa pang kritikal na aplikasyon ay ang payment processing, partikular sa paghawak ng incoming deposits kung saan ang hindi kumpleto o ambiguous na payment details ay nangangailangan ng human intervention. Ang AI‑driven propensity models ay maaaring mag‑generate ng likelihood scores, na tumutulong sa mga institusyon na mabilis at tumpak na matukoy ang tamang counterparties at sa gayon ay i‑optimize ang manual processing efforts.

Ang mga ito ay ilan lamang sa mga halimbawa kung paano aktibong sinusuportahan ng WNS ang mga nangungunang institusyong pinansyal sa pag‑leverage ng AI upang maghatid ng kahusayan, mapabuti ang karanasan ng customer, at palakasin ang operational resilience.

Ang AI talent ay mataas ang demand sa lahat ng industriya. Ano ang maaaring gawin ng mga bangko upang maka‑attract at retain ng top AI professionals?

Ang patuloy na pag‑adopt ng AI sa iba’t‑ibang industriya ay nagdulot ng pagtaas ng demand para sa AI talent, partikular ang mga data scientists at machine learning experts. Ang pag‑attract at retain ng top AI professionals ay nangangailangan ng strategic na lapit na nakasentro sa pagbibigay ng makabuluhang oportunidad at pag‑foster ng isang innovative na kapaligiran.

Isa sa pangunahing motibasyon para sa mga AI professionals ay ang access sa high‑quality data na nagpapahintulot sa kanila na mag‑experiment, mag‑innovate, at mag‑develop ng impactful solutions. Ang mga organisasyon na nag‑aalok ng structured, well‑organized data ecosystems ay lumilikha ng kapaligiran kung saan ang AI experts ay maaaring umunlad. Sa kabilang banda, ang kakulangan ng oportunidad upang lumikha ng makabuluhang business impact ay isa sa mga pangunahing dahilan kung bakit umaalis ang mga AI professionals sa mga organisasyon.

Upang maka‑attract ng top talent, dapat magtatag ang mga bangko ng matibay na partnerships sa mga nangungunang engineering colleges at unibersidad, na nag‑aalok ng AI‑focused internships, research collaborations, at direct recruitment pathways. Ang lapit na ito ay nagbibigay-daan sa mga institusyong pinansyal na makipag‑ugnayan sa AI professionals sa maagang yugto ng kanilang karera at magbigay ng malinaw na growth trajectory sa loob ng organisasyon.

Dagdag pa rito, ang pag‑foster ng AI‑driven culture sa loob ng mga bangko—kung saan ang mga AI professionals ay maaaring makatrabaho ang domain experts upang lutasin ang real‑world challenges—ay nagpapabuti ng job satisfaction at retention. Ang WNS ay matagumpay na nag‑implement ng katulad na modelo sa pakikipagtulungan sa mga premier universities sa India, na nagtitiyak ng steady pipeline ng skilled AI talent na handang mag‑contribute sa financial services sector.

Paano mo nakikita ang pag‑evolve ng role ng banking professionals kasabay ng AI integration? Dapat bang mag‑alala ang mga empleyado tungkol sa job displacement?

Ang talakayan tungkol sa AI na pumapalit sa mga trabahong pantao ay matagal nang umiiral. Habang ang AI ay nag‑automate ng routine tasks, ang tunay na epekto nito ay ang augmenting ng human capabilities at pagpapabuti ng kalidad ng trabaho na ginagawa ng mga banking professionals.

Habang ang mga repetitive at rule‑based tasks ay unti‑unting pinamamahalaan ng AI at Robotic Process Automation (RPA), ang mga banking professionals ay lumilipat sa mga role na nangangailangan ng mas mataas na antas ng judgment, critical thinking, at decision‑making. Ang shift na ito ay naganap sa nakaraang dekada, kung saan ang digital payments ay unti‑unting pumapalit sa tradisyonal na check‑based transactions. Bagaman ang transition na ito ay nagbawas ng footfall sa mga branch at ATM, ito ay nagdulot din ng pag‑assume ng mga branch staff ng mas kumplikadong role tulad ng payment exception management, investment advisory, at fraud investigation.

Sa back‑office level, pinasimple ng AI ang operational efforts sa pamamagitan ng digitizing ng unstructured data mula sa PDFs at scanned documents, na dati ay manu‑manong pinoproseso. Ang partisipasyon ng tao ay ngayon nakatuon pangunahing sa exception handling at complex investigative tasks, na nagreresulta sa mas mahusay na kahusayan at katumpakan.

Sa halip na magdulot ng job displacement, ang AI‑driven transformation ay nag‑lead sa talent upskilling, na tinitiyak na ang mga propesyonal ay nagde‑develop ng bagong competencies na naaayon sa pangangailangan ng industriya. Ang shift na ito ay sa huli ay nakikinabang sa financial services sector sa pamamagitan ng pag‑foster ng workforce na may advanced analytical at problem‑solving skills.

Mayroon ka bang mga best practices na napansin mo sa pag‑foster ng AI‑first culture sa loob ng mga banking organizations?

Ang WNS ay nangunguna sa pag‑foster ng AI‑first culture sa iba’t‑ibang banking engagements nito, na nagdadala ng AI‑led transformation sa pamamagitan ng isang structured, collaborative na lapit. Ilang best practices ang nag‑kokontribyut sa matagumpay na pag‑embed ng AI sa loob ng banking organizations:

1. Co‑creation Model: Dapat i‑integrate ng mga bangko ang domain experts at data scientists sa operational teams upang matiyak na ang AI‑driven solutions ay aligned sa real‑world banking challenges. Sa WNS, ang lapit na ito ay nag‑enable ng identification at execution ng hyper‑automation opportunities, na nagtitiyak ng continuous improvement.
2. Embedded Transformation Teams: Ang AI transformation efforts ay hindi dapat i‑silo sa IT o innovation departments. Sa halip, ang pag‑embed ng transformation teams sa core operations ay nagtitiyak ng sustained focus sa pagtukoy ng AI‑led efficiencies at scaling ng solutions sa buong organisasyon.
3. Cultural Awareness and Adoption: Dapat mamuhunan ang mga organisasyon sa AI literacy programs upang edukahin ang mga empleyado tungkol sa benepisyo ng AI, mga use case, at potensyal na augment ng kanilang mga role. Ang isang well‑informed workforce ay mas malamang na mag‑adopt ng AI solutions at mag‑contribute sa kanilang matagumpay na implementasyon.
4. Incentivizing Innovation: Ang pag‑encourage sa mga empleyado na mag‑contribute ng AI‑driven ideas at pag‑reward sa matagumpay na implementasyon ay nag‑foster ng culture ng continuous improvement at engagement. Ang mga kompetisyon, hackathons, at recognition programs ay makakatulong sa pag‑drive ng AI adoption sa lahat ng antas ng organisasyon.

Sa pag‑adopt ng mga best practices na ito, maaaring matiyak ng mga bangko ang seamless AI integration, i‑maximize ang operational efficiency, at bumuo ng workforce na handa para sa hinaharap ng financial services.

Salamat sa mahusay na panayam, mga mambabasa na nais pang matuto ay dapat bumisita sa WNS.