Arun Hiremath, Chief Business Officer og Co-Founder af EvoluteIQ – Interview Serie

Arun Hiremath, Chief Business Officer og Co-Founder af EvoluteIQ, er en teknologiuddannet leder og iværksætter med næsten tre årtiers erfaring inden for virksomhedsautomatisering, produktstrategi, forretningsudvikling og telekommunikation. Hos EvoluteIQ er han ansvarlig for at drive indtægtsvækst og styrke kunderelationer, især gennem virksomhedens eiq360-forretning. Før han tiltrådte EvoluteIQ, var Hiremath medstifter og leder af low-code-platformudbyderen AmperAXP, som blev integreret i EvoluteIQ i 2021. Hans tidligere karriere omfattede senior produktlederstillinger hos Qualcomm (QCOM ), Ikanos Communications, Conexant Systems og Globespan, samt ansvar for forretningsudvikling i Asien-Stillehavet hos Tata Elxsi (TATAELXSI.BO ).

EvoluteIQ er en virksomhedssoftwarevirksomhed, der udvikler en AI-naturlig platform til automatisering og orkestrering af komplekse, end-to-end forretningsprocesser. Deres EIQ-platform kombinerer agentic AI, generativ AI, proces- og beslutningsautomatisering, robotisk procesautomatisering, intelligent data- og begivenhedsbehandling, virksomhedsintegrationer, analytics og applikationsudvikling i et low-code/no-code-miljø. Designet til at erstatte fragmenterede automatiseringsværktøjer med en samlet arkitektur, hjælper platformen organisationer med at opbygge adaptive arbejdsgange, der forbinder legacy- og moderne systemer, mens de opretholder virksomhedsniveauets governance, sikkerhed og skalerbarhed. EvoluteIQ betjener organisationer på tværs af brancher, herunder bank, forsikring, sundhedsvesen, telekommunikation, fremstilling, energi og detailhandel.

I vores tidligere interview med Sameet Gupte, CEO af EvoluteIQ, diskuterede vi EvoluteIQ’s bredere vision for AI-naturlig virksomhedsautomatisering. Set fra dit synspunkt, hvor du arbejder tæt sammen med kunder, hvad er ændret mest i, hvordan virksomheder tænker om agentic AI, siden den samtale?

Den største ændring er, at virksomheder har stoppet med at spørge, “Kan AI gøre dette” og er begyndt at spørge, “Kan jeg stole på, at AI kan gøre dette?”

For et år siden fokuserede de fleste samtaler på, hvilket model havde hvilke funktioner. Kunder er meget mere pragmatiske nu. De vil vide, om AI kan koordinere mennesker, applikationer, politikker, godkendelser, overholdelse og andre agenter omkring en målbart forretningsresultat.

Behandling af krav er et godt eksempel. AI selv er ikke nødvendigvis det svære. Udfordringen er at designe, hvordan autonome agenter arbejder sammen med mennesker og inden for IT-governance på tværs af multiple systemer, hold og undtagelser.

Mange virksomheder synes stadig at behandle AI som et andet softwarelag, der lægges oven på eksisterende arbejdsgange. Hvorfor er den tilgang begrænsende, og hvordan ser det ud, når en virksomhed genopbygger en proces omkring autonom udførelse fra starten?

At lægge AI oven på en fejlbehæftet proces gør det kun muligt at nå det forkerte resultat hurtigere.

Mange virksomhedsarbejdsgange blev designet for 20 år siden omkring manuel beslutningstagning. At tilføje AI som endnu et trin kan optimere processen, men det transformerer den ikke. Det bedre spørgsmål er, hvilke beslutninger virkelig kræver en menneskelig indgriben, og hvilke kan sikkert overdrages til autonome agenter.

I omkostningsstyring kan AI for eksempel evaluere politikker, udgiftsmønstre, medarbejderhistorik og unterstüttende dokumenter. Routinekrav kan godkendes på få minutter, mens kun usædvanlige tilfælde eskaleres til ledere.

Du har argumenteret for, at mange kunder ikke har et leverandørproblem, men snarere et driftsmodellproblem. Hvilke er de mest almindelige organisatoriske problemer, der forhindrer, at virksomheds-AI kan skala ud over pilotprojekter?

De fleste virksomheder har ikke et AI-mangel; de har et ejerskabsmangel.

IT ejer infrastrukturen. Forretningsområdet ejer processen. Sikkerheden ejer governance. Datateam ejer modellerne. Drift ejer udførelsen. Men ingen ejer nødvendigvis, hvordan alle disse dele kommer sammen for at levere en autonom forretningsproces. Det, der mangler, er en samlet måde at sætte teknologien i arbejde.

Det er derfor, pilotprojekter ofte bliver isolerede succeser. Organisationer, der med held skalerer automatisering, ændrer deres driftsmodeller, ikke blot køber mere teknologi. De opretter tværfaglige hold, der fælles ejer forretningsresultater i stedet for enkeltsystemer. Det vigtige spørgsmål er: Hvem ejer resultatet, og hvem er ansvarlig for at levere det?

Hvor træker du grænsen mellem nyttig automatisering, intelligent automatisering og sand agentic automatisering?

Jeg ser på dem som tre stadier af modenhed. Automatisering følger instruktioner. Intelligent automatisering forstår den information, der gives. Agentic automatisering forstår forretningsmålet og arbejder mod resultatet.

Eksempelvis kan traditionel automatisering i fakturabehandling kopiere information mellem systemer. Intelligent automatisering kan læse fakturaer, udtrække data og markere inkonsistenser. Agentic automatisering kan derefter identificere manglende information, kommunikere med leverandører, anvende forretningspolitikker, håndtere undtagelser, opnå godkendelser og fuldføre processen.

Forskellen er ikke blot, at AI er smartere. Forskellen er, at det ejer resultatet i stedet for blot ét opgave.

Virksomhedsledere er under pres for at vise AI-ROI hurtigt, men kompleks proces-transformation tager tid. Hvordan bør virksomheder balancere hastighed, governance og langsigtede driftsmodellændringer?

Hastighed uden governance skaber risiko. Governance uden hastighed skaber frustration. Virksomheder må balancere begge.

Virksomheder bør starte med en forretningsproces, der betyder noget – noget synligt, der kan demonstrere målbart værdi – men bygge det på en grund, der understøtter governance, sikkerhed, overvågning og overholdelse. Den første løsning bør ikke blive endnu en silo.

Fejlen er at tro, at governance langsommeliggør innovation. God governance accelererer faktisk antagelse, fordi den skaber tillid. Når de rigtige kontroller er på plads, kan organisationer flytte hurtigere og skala med større tillid.

EvoluteIQ har understreget end-to-end-procesautomatisering i stedet for automatisering af isolerede opgaver. Hvorfor er den forskel så vigtig, når man flytter fra AI-eksperiment til produktionsdistribution?

Forretningsområder oplever ikke arbejde som enkelte opgaver, men som resultater. Ingen fejrer, fordi dokumentudtrækning blev 60% hurtigere. De fejrer, fordi kundeonboarding nu tager få timer i stedet for to uger. Forbedring af isolerede opgaver kan blot flytte flaskenhalen et andet sted.

Når intake, validering, godkendelser, beslutningstagning, systemintegrationer og kundekommunikation orkestreres som en AI-naturlig arbejdsgang, begynder organisationen at se meningsfulde forretningsresultater. Optimering af en opgave forbedrer effektiviteten, men optimering af processen ændrer forretningspræstationen og kan påvirke regnskabet.

Cloud-markedspladser bliver mere og mere distributionskanaler for virksomheds-AI. Hvordan ser du på, at platforme som Google Cloud ændrer, hvordan store organisationer opdager, vurderer, køber og distribuerer AI-naturlig automatisering?

Cloud-markedspladser gør for virksomhedssoftware, hvad app-butikker gjorde for forbrugere, men med virksomheds-governance bygget ind.

De fjerner friktion på tværs af køb, sikkerhedsrevisioner og kommercielle aftaler. Organisationer kan også udnytte eksisterende cloud-forpligtelser, hvilket giver hold mulighed for at fokusere mindre på, hvordan de køber software, og mere på forretningsresultaterne.

En kunde bør ikke behøve at vente gennem en seks måneders købscyklus blot for at evaluere en AI-naturlig platform. Markedspladser giver dem mulighed for at løse forretningsproblemer meget hurtigere, mens de forbliver inden for etableret virksomheds-governance.

EvoluteIQ har nyligt fremhævet eiq360 som en Google Cloud- og Gemini-baseret platform, der kan omdanne forretnings-intention til virksomheds-klar arbejdsgange ved hjælp af naturlig sprog, mens den opretholder governance og kontrol. Hvad betyder denne ændring for ikke-tekniske forretningsbrugere?

Vi bevæger os fra en verden, hvor forretningsbrugere beskriver krav til ingeniørhold og venter på resultater, til en verden, hvor brugere beskriver resultater.

Med eiq360 kan brugere nu beskrive den proces, de vil forbedre, i naturlig sprog. Platformen kan derefter hjælpe med at generere virksomheds-klar arbejdsgange, mens den automatisk anvender governance, sikkerhed, overholdelse og driftskontroller.

Dette eliminerer ikke IT; det ophøjer IT. Teknologiteam kan nu fokusere på at definere virksomheds-guards, genbrugelige tjenester og governance-standarder i stedet for at bygge hver enkelt arbejdsgang manuelt. Det er en af de vigtigste ændringer, AI bringer til virksomhedssoftware, som vi ser det.

Udtrykket “virksomheds-AI skal føles kedeligt” går imod meget af den nuværende hype. Hvad skal føles kedeligt, forudsigeligt eller gentageligt om AI, når det bruges til mission-kritisk forretningsudførelse?

Ingens ønsker, at lønudbetaling skal være spændende. Ingens ønsker, at en forsikringskrav skal være overraskende. Ingens ønsker, at en banktransaktion skal være kreativ.

Virksomheds-AI skal absolut være innovativ under eksperiment. Når det kommer i produktion, skal det blive vidunderligt forudsigeligt. Det skal producere konsistente resultater, forklare sine beslutninger, genkende, når tilliden er lav, og anmode om menneskelig indgriben, når nødvendigt. Den bedste virksomheds-AI er ikke den AI, alle vil tale om. Det er den AI, ingen lægger mærke til, fordi forretningsområdet fungerer bedre.

Set fremad, hvad vil adskille virksomheder, der med held opererer agentic AI, fra dem, der forbliver fast i pilottilstand?

Vinderne vil ikke nødvendigvis have de mest avancerede AI-modeller. De vil være dem med de bedste driftsmodeller for AI. De vil genopbygge processer i stedet for at digitalisere ineffektive processer, opbygge governance før skala og skabe genbrugelige virksomhedsfunktioner i stedet for isolerede beviser på begreb.

Det vigtigste er, at de stopper med at tænke på AI som endnu et program og begynder at behandle det som en ny arbejdsstyrke, der samarbejder med mennesker, systemer og forretningspolitikker. Det næste årti vil handle om at optimere, hvordan mennesker, AI-agenter og virksomhedssystemer arbejder sammen.