Arun Hiremath, Chief Business Officer a spoluzakladatel EvoluteIQ – Interview Series

Arun Hiremath, Chief Business Officer a spoluzakladatel EvoluteIQ, je technologický manažer a podnikatel s téměř třemi desetiletími zkušeností v oblasti podnikové automatizace, produktové strategie, obchodního rozvoje a telekomunikací. V EvoluteIQ je zodpovědný za řízení růstu výnosů a posilování vztahů se zákazníky, zejména prostřednictvím podnikání eiq360. Předtím, než se připojil k EvoluteIQ, spoluzakládal a vedl platformu pro nízkonákladovou automatizaci AmperAXP, která byla v roce 2021 integrována do EvoluteIQ. Jeho předchozí kariéra zahrnovala seniorní pozice produktového managementu ve společnostech Qualcomm (QCOM ), Ikanos Communications, Conexant Systems a Globespan, jakož i odpovědnost za rozvoj podnikání v regionu Asie a Tichomoří ve společnosti Tata Elxsi (TATAELXSI.BO ).

EvoluteIQ je softwarová společnost, která vyvíjí platformu AI pro automatizaci a orchestraci komplexních, koncových obchodních procesů. Jejich platforma EIQ kombinuje agentic AI, generativní AI, procesní a rozhodovací automatizaci, robotickou automatizaci procesů, inteligentní zpracování dat a událostí, podnikové integrace, analytiku a vývoj aplikací v prostředí s nízkými nebo žádnými kódy. Tato platforma je navržena tak, aby nahradila fragmentované automatizační nástroje jednotnou architekturou, a pomáhá organizacím budovat adaptivní pracovní postupy, které propojují starší a moderní systémy, zatímco zachovávají podnikovou úroveň řízení, zabezpečení a škálovatelnosti. EvoluteIQ slouží organizacím napříč různými odvětvími, včetně bankovnictví, pojišťovnictví, zdravotnictví, telekomunikací, výroby, energetiky a maloobchodu.

V našem předchozím rozhovoru se Sameetem Guptem, generálním ředitelem EvoluteIQ, jsme diskutovali o širším pohledu EvoluteIQ na AI-nativní podnikovou automatizaci. Z vašeho úhlu pohledu, pracujetece úzce se zákazníky, co se nejvíce změnilo v tom, jak podniky přemýšlejí o agentic AI od té doby?

Největší posun je ten, že podniky přestaly klást otázku, „Může AI udělat tohle“ a začaly klást otázku, „Můžu důvěřovat AI, aby tohle udělal?“

Před rokem se většina rozhovorů soustředila na to, která model má které schopnosti. Zákazníci jsou nyní mnohem pragmatičtější. Chtějí vědět, zda AI může koordinovat lidi, aplikace, politiky, schválení, soulad a další agenty kolem měřitelného obchodního výsledku.

Zpracování pojistných nároků je dobrým příkladem. Samotné AI není nutně obtížnou částí. Výzvou je navrhnout, jak autonomní agenti budou pracovat vedle lidí a v rámci IT řízení napříč několika systémy, týmy a výjimkami.

Mnohé společnosti stále považují AI za další vrstvu softwaru, která je přidána na top stávajících pracovních postupů. Proč je tento přístup omezený, a co to vypadá, když podniky převezmou procesy kolem autonomní realizace od začátku?

Přidání AI na top poškozeného procesu vám pouze umožňuje dosáhnout špatného výsledku rychleji.

Mnohé podnikové pracovní postupy byly navrženy před 20 lety kolem manuálního rozhodování. Přidání AI jako další krok může optimalizovat proces, ale nezmění ho. Lepší otázka je, které rozhodnutí skutečně vyžadují lidský zásah, a které lze bezpečně delegovat na autonomní agenty.

V případě řízení výdajů může AI vyhodnotit politiky, výdajové vzorce, historii zaměstnanců a podpůrné dokumenty. Rutinní nároky mohou být schváleny během několika minut, zatímco neobvyklé případy jsou eskalovány manažerům.

Argumentoval jste, že mnozí zákazníci nemají problém s dodavatelem, ale spíše s modelem provozu. Jaké jsou nejčastější organizační problémy, které brání podnikovému AI ve škálování za rámec pilotních projektů?

Největší část podniků nemá nedostatek AI; má nedostatek vlastnictví.

IT vlastní infrastrukturu. Podnik vlastní proces. Zabezpečení vlastní řízení. Týmy dat vlastní modely. Provoz vlastní realizaci. Ale nikdo nutně nevlastní způsob, jak všechny tyto části spojit, aby poskytly autonomní obchodní proces. Co chybí, je sjednocený způsob, jak technologii využít.

To je důvod, proč pilotní projekty často zůstávají izolovanými úspěchy. Organizace, které úspěšně škálovat automatizaci, mění své provozní modely, nikoli pouze nakupují více technologií. Vytvářejí mezioborové týmy, které společně vlastní obchodní výsledky, spíše než jednotlivé systémy. Důležitá otázka je: Kdo vlastní výsledek, a kdo je zodpovědný za jeho dodání?

Kde kreslíte hranici mezi užitečnou automatizací, inteligentní automatizací a skutečnou agentic automatizací?

Považuji je za tři stadia zralosti. Automatizace následuje instrukce. Inteligentní automatizace rozumí poskytnutým informacím. Agentic automatizace rozumí obchodnímu cíli a pracuje směrem k výsledku.

Při zpracování faktur tradiční automatizace kopíruje informace mezi systémy. Inteligentní automatizace čte faktury, extrahuje data a označuje nesrovnalosti. Agentic automatizace může identifikovat chybějící informace, komunikovat se dodavateli, aplikovat obchodní politiky, zpracovávat výjimky, získávat schválení a dokončovat proces.

Rozdíl není pouze v tom, že AI je chytřejší. Rozdíl je v tom, že vlastní výsledek, spíše než jeden úkol.

Vedoucí podniků jsou pod tlakem, aby ukázali rychlé návratnosti investic do AI, ale složitá transformace procesů vyžaduje čas. Jak by měly podniky vyvážit rychlost, řízení a dlouhodobou změnu provozního modelu?

Rychlost bez řízení vytváří rizika. Řízení bez rychlosti vytváří frustraci. Podniky musí vyvážit obě.

Společnosti by měly začít s obchodním procesem, který má význam—něco viditelného, co může prokázat měřitelnou hodnotu—ale postavit ho na základě, který podporuje řízení, zabezpečení, pozorovatelnost a soulad. Počáteční řešení by nemělo být další izolovanou součástí.

Chyba spočívá v tom, že se domníváme, že řízení zpomaluje inovace. Dobré řízení ve skutečnosti urychluje přijetí, protože vytváří důvěru. Jakmile jsou správná řízení na místě, organizace mohou postupovat rychleji a škálovat s větší jistotou.

EvoluteIQ zdůraznil koncovou automatizaci procesů spíše než automatizaci izolovaných úkolů. Proč je tento rozdíl tak důležitý, když se přechází z experimentování s AI na produkční nasazení?

Podniky nezkušejí práci jako jednotlivé úkoly, ale jako výsledky. Nikdo neslaví, protože extrakce dokumentů se stala o 60 % rychlejší. Slavnost se koná, protože proces onboardingu zákazníků nyní trvá několik hodin místo dvou týdnů. Zlepšení izolovaných úkolů často pouze přesouvá úzké místo někam jinam.

Když jsou intake, validace, schválení, rozhodování, systémové integrace a komunikace se zákazníky orchestrovány jako jeden AI-nativní pracovní postup, organizace začíná vidět významné obchodní výsledky. Optimalizace úkolu zlepšuje efektivitu, ale optimalizace procesu mění celkovou obchodní výkonnost a může mít dopad na zisk.

Cloudové tržiště se stávají stále častěji distribučními kanály pro podnikové AI. Jak vidíte platformy jako Google Cloud měnící způsob, jakým velké organizace objevují, vyhodnocují, nakupují a nasazují AI-nativní automatizaci?

Cloudová tržiště dělají pro podnikový software to, co obchody s aplikacemi dělají pro spotřebitele, ale s podnikovým řízením vestavěným.

Odstraňují tření napříč nákupem, bezpečnostními kontrolami a komerčními dohodami. Organizace mohou také využít stávající závazky cloudu, což umožňuje týmům soustředit se méně na to, jak nakupovat software, a více na obchodní výsledky.

Zákazník by neměl muset čekat šest měsíců na nákup cyklu, aby mohl vyhodnotit AI-nativní platformu. Tržiště umožňují jim začít řešit obchodní problémy mnohem rychleji, zatímco zůstávají v rámci zavedeného podnikového řízení.

EvoluteIQ nedávno představil eiq360 jako platformu Google Cloud a Gemini, která může převést obchodní záměr na podnikové pracovní postupy pomocí přirozeného jazyka, zatímco zachovává řízení a kontrolu. Co to znamená pro ne-technické obchodní uživatele?

Přecházíme ze světa, kde obchodní uživatelé popisují požadavky inženýrským týmům a čekají na výsledky, do světa, kde uživatelé popisují výsledky.

S eiq360 mohou uživatelé nyní popisovat proces, který chtějí zlepšit, pomocí přirozeného jazyka. Platforma může poté pomoci vygenerovat podnikové pracovní postupy, zatímco automaticky aplikuje řízení, zabezpečení, soulad a provozní kontroly.

To nevylučuje IT; spíše povyšuje IT. Technologické týmy mohou nyní soustředit na definici podnikových mantinelů, opakovaně použitelných služeb a standardů řízení, místo aby ručně budovaly každý pracovní postup. To je jedna z nejvýznamnějších změn, které AI přináší do podnikového softwaru, jak jsme to viděli.

Fráze „podnikové AI by mělo být nudné“ je v rozporu s mnoha současnými hypemi. Co by mělo být nudné, předvídatelné nebo opakované o AI, když se používá pro kritické obchodní realizace?

Nikdo nechce, aby byla mzda zajímavá. Nikdo nechce, aby pojistná událost byla překvapivá. Nikdo nechce, aby bankovní transakce byla kreativní.

Podnikové AI by mělo být absolutně inovativní během experimentování. Jakmile vstoupí do produkce, mělo by se stát krásně předvídatelným. Mělo by produkovat konzistentní výsledky, vysvětlovat svá rozhodnutí, rozpoznávat, kdy je důvěra nízká, a požadovat lidský zásah, kdy je to nutné. Nejlepší podnikové AI je to, o kterém nikdo nemluví, protože podnik prostě funguje lépe.

Pohledem do budoucna, co bude odlišovat podniky, které úspěšně operationalizují agentic AI, od těch, které zůstanou uvězněny v pilotním režimu?

Vítězové nebudou nutně mít nejvýkonnější AI modely. Budou to ti, kteří mají nejlepší provozní modely pro AI. Budou přeprojektovat procesy, místo aby digitalizovali neefektivitu, budovat řízení před škálováním a vytvářet opakovaně použitelné podnikové schopnosti, místo izolovaných důkazů konceptu.

Nej重要něji, přestanou považovat AI za další aplikaci a začnou ho považovat za novou pracovní sílu, která spolupracuje s lidmi, systémy a obchodními politikami. Příští dekáda bude o optimalizaci toho, jak lidé, AI agenti a podnikové systémy pracují společně.