Sobhan Daliry, CPO & Αρχηγός Στρατηγικής AI στο Pipefy – Σειρά Συνεντεύξεων

Sobhan Daliry, CPO & Αρχηγός Στρατηγικής AI στο Pipefy, είναι ένας έμπειρος εκτελεστικός στελέχος προϊόντων και τεχνολογίας που ηγείται της στρατηγικής AI της εταιρείας από το 2023, βοηθώντας στη μετατροπή των παραδοσιακών επιχειρησιακών ροών εργασίας σε όλο και πιο έξυπνες και αυτόνομες διαδικασίες. Σε όλη της την καριέρα, ο Daliry συνδύασε τη στρατηγική προϊόντος, τον οργανωτικό μετασχηματισμό και την ηγεσία τεχνολογίας σε νεοσύστατες και καθιερωμένες εταιρείες. Πριν ενταχθεί στο Pipefy, ίδρυσε και υπηρέτησε ως CEO της Polen.me και πέρασε περισσότερο από πέντε χρόνια ως CEO/CPO της NZN, όπου ηγήθηκε της ανασυγκρότησης της εταιρείας και της στρατηγικής προϊόντος. Στις προηγούμενες θέσεις του περιλαμβάνονται Διευθυντής Διαχείρισης Προϊόντος στην PSafe, Διευθυντής Προϊόντος στην Peixe Urbano, και ρόλοι που καλύπτουν ψηφιακές υπηρεσίες, τηλεπικοινωνίες, συμβουλευτική και ανάπτυξη επιχειρήσεων στην Oi/Telemar, Claro, AIRCOM International και Planeta Tecnologia.

Pipefy είναι μια παγκόσμια πλατφόρμα διαχείρισης διαδικασιών και AI σχεδιασμένη να βοηθά οργανισμούς να αυτοματοποιούν και να ενορχηστρώνουν επιχειρησιακές ροές εργασίας. Ιδρύθηκε το 2015, η εταιρεία εξελίχθηκε από μια πλατφόρμα αυτοματοποίησης διαδικασιών χωρίς κώδικα σε ένα περιβάλλον ενορχήστρωσης με έμφαση στην AI, που φέρνει μαζί AI Agents, ροές εργασίας, φόρμες, πύλες, εφαρμογές, δεδομένα, αναλύσεις, μηνύματα και ενσωματώσεις. Η πλατφόρμα της επιτρέπει στις ομάδες να δημιουργούν και να διαχειρίζονται AI Agents χρησιμοποιώντας φυσική γλώσσα και εργαλεία χωρίς κώδικα, διατηρώντας ταυτόχρονα την εταιρική διακυβέρνηση, την ασφάλεια και τη διαφάνεια. Οι δυνατότητες AI της Pipefy περιλαμβάνουν agents που μπορούν να ερμηνεύουν έγγραφα, να εκτελούν εργασίες ροής εργασίας, να υποστηρίζουν τη λήψη αποφάσεων, να αλληλεπιδρούν με εξωτερικά συστήματα και να ενορχηστρώνουν διαδικασίες σε τομείς όπως η χρηματοοικονομική, οι ανθρώπινες πόροι, οι προμήθειες, οι λειτουργίες πελατών και η συμμόρφωση.

Η καριέρα σας σας οδήγησε από τη μηχανική τηλεπικοινωνιών σε εταιρείες όπως η Claro και η Oi, στη ηγεσία προϊόντων στην Peixe Urbano και την PSafe, υπηρετώντας ως CEO/CPO στην NZN, ιδρύοντας την Polen.me, και τώρα οδηγώντας τη στρατηγική προϊόντος και AI στο Pipefy. Πώς έχει διαμορφώσει αυτή η εξέλιξη τον τρόπο που σκέφτεστε για την κατασκευή προϊόντων AI που λύνουν πραγματικά λειτουργικά προβλήματα αντί να προβάλλουν απλώς νέα τεχνολογία;

Η τηλεπικοινωνία μου δίδαξε ότι η υποδομή πρέπει να λειτουργεί κάθε φορά, σε τεράστιες κλίμακες, χωρίς κανένα περιθώριο για το «λειτουργεί κυρίως». Μια αποσυνδεδεμένη κλήση δεν είναι αποτυχία επίδειξης· είναι ένας πελάτης που απομακρύνεται. Αυτή η νοοτροπία — αξιοπιστία πάνω από καινοτομία — δεν με άφησε ποτέ. Στις Peixe Urbano και PSafe έμαθα το αντίστροφο μάθημα: πόσο γρήγορα τα προϊόντα καταναλωτών ζουν ή πεθαίνουν ανάλογα με το αν λύνουν ένα πραγματικό, αισθητό πρόβλημα σήμερα, όχι ένα θεωρητικό. Η διαχείριση της NZN ως CEO/CPO με ανάγκασε να κρατήσω και τις δύο αλήθειες ταυτόχρονα — δεν μπορείς να υπερέχεις σε εκτέλεση έναν κακό σκεπτικό, και δεν μπορείς να υπερέχεις σε σκεπτικό μια κακή εκτέλεση. Η ίδρυση της Polen.me μου δίδαξε το πιο ακριβό μάθημα: το κεφάλαιο και ο χρόνος είναι περιορισμένα, έτσι κάθε λειτουργία που χτίζεις είναι μια λειτουργία που δεν χτίζεις, και το κόστος του κυνήγιου εντυπωσιακής επίδειξης αντί για μια πραγματική ροή εργασίας εμφανίζεται μερικούς μήνες αργότερα, όχι στη σκηνή. Όταν έφτασα στο Pipefy, η ερώτηση που κάνω για κάθε λειτουργία AI είναι η ίδια που θα έθετα για έναν πύργο κυψελών: αντέχει αυτή η λύση στην παραγωγή, υπό πραγματικό φορτίο, όταν κανείς δεν παρακολουθεί; Αν ένας AI agent λειτουργεί μόνο σε ένα επιμελημένο περιβάλλον επίδειξης, δεν είναι προϊόν — είναι ένα τρέιλερ για ένα προϊόν.

Έχετε ηγηθεί του σχεδιασμού και της υλοποίησης της στρατηγικής AI της Pipefy από το 2023. Ποιες υποθέσεις σχετικά με την AI των επιχειρήσεων είχατε στην αρχή που έχουν αλλάξει περισσότερο καθώς η γενετική AI και οι AI agents έχουν εξελιχθεί;

Η μεγαλύτερη υπόθεση που έπρεπε να απορρίψω ήταν ότι το μοντέλο θα ήταν το στενό λαιμό. Το 2023, όλοι — συμπεριλαμβανομένου και εμένα — βελτιστοποιούσαν για το «ποιο LLM είναι το πιο έξυπνο». Αυτό που στην πραγματικότητα αποδείχθηκε το στενό λαιμό ήταν το πλαίσιο: γνωρίζει ο agent τι είναι πραγματικά η διαδικασία, ποιοι είναι οι περιορισμοί, πώς φαίνεται το «ολοκληρώθηκε» για αυτήν τη συγκεκριμένη έκδοση λογαριασμών πληρωτέων του πελάτη. Η ποιότητα του μοντέλου συνέχισε να βελτιώνεται σε μια καμπύλη που όλοι μπορούσαν να προβλέψουν· το πλαίσιο της διαδικασίας δεν βελτιώθηκε από μόνο του, επειδή κανείς δεν το είχε δομήσει. Η δεύτερη υπόθεση που αντιστράφηκε αφορούσε την αυτονομία. Υπέθεσα ότι η αγορά ήθελε agents που θα ενεργούσαν εντελώς ανεξάρτητα όσο το δυνατόν πιο γρήγορα. Αυτό που οι επιχειρήσεις πραγματικά ήθελαν — και εξακολουθούν να θέλουν — είναι περιορισμένη αυτονομία: agents που λαμβάνουν πραγματικές αποφάσεις εντός κανόνων που δεν μπορούν να παραβιάσουν, με ένα ίχνος που το αποδεικνύει αργότερα. Η πλήρης αυτονομία χωρίς διακυβέρνηση δεν είναι φιλοδοξία, είναι απλώς κίνδυνος με καλύτερο UI. Η αγορά εξελίχθηκε πιο γρήγορα όσον αφορά τις απαιτήσεις εμπιστοσύνης απ’ ό,τι στις ακατέργαστες απαιτήσεις ικανοτήτων, και αυτή η αναδιάταξη είναι το μεγαλύτερο λάθος που έκανα στην αρχή.

Η Pipefy διαφοροποιεί μεταξύ σχετικά απλής αυτοματοποίησης AI και AI agents που μπορούν να λογίζονται σε ασαφείς καταστάσεις, να σχεδιάζουν πολλαπλά βήματα και να εκτελούν ενέργειες σε μια ροή εργασίας. Πώς πρέπει οι επιχειρήσεις να καθορίζουν πότε μια εργασία απαιτεί πραγματικά έναν AI agent σε αντίθεση με το πότε η ντετερμινιστική αυτοματοποίηση παραμένει η καλύτερη λύση;

Η δοκιμή που χρησιμοποιώ είναι απλή: αν μπορείτε να γράψετε τον κανόνα, γράψτε τον κανόνα. Η ντετερμινιστική αυτοματοποίηση είναι ακόμη η σωστή λύση για ό,τι έχει το δέντρο αποφάσεων γνωστό εκ των προτέρων και δεν αλλάζει — δρομολογήστε αυτό το τιμολόγιο σε αυτόν τον εγκριτή αν είναι κάτω από αυτό το ποσό. Αυτό δεν είναι δουλειά για έναν πράκτορα, και το να προσποιηθείτε το αντίθετο προσθέτει μόνο καθυστέρηση και απροβλεψιμότητα σε κάτι που είχε ήδη λυθεί. Ένας πράκτορας κερδίζει τη θέση του τη στιγμή που η κατάσταση έχει αβεβαιότητα που ένας σταθερός κανόνας δεν μπορεί να επιλύσει — το τιμολόγιο δεν ταιριάζει ακριβώς με την παραγγελία αγοράς, λείπει ένα πεδίο, το αίτημα του πελάτη δεν ταιριάζει με καμία από τις υπάρχουσες κατηγορίες σας. Εδώ η λογική έχει πραγματική αξία: να αποφασίσετε τι θα κάνετε στη συνέχεια όταν το «επόμενο» δεν είναι ήδη γραμμένο. Το λάθος που βλέπω συνεχώς οι επιχειρήσεις να κάνουν είναι να δημιουργούν έναν πράκτορα για το 80 % των περιπτώσεων που ήταν ήδη ντετερμινιστικές, επειδή είναι πιο εντυπωσιακό, και να αφήνουν το ασαφές 20 % — το πραγματικό δύσκολο μέρος — σε έναν άνθρωπο να το ξεδιπλώσει χειροκίνητα. Αν αντιστρέψετε αυτό το ποσοστό, έχετε δημιουργήσει κάτι πραγματικό.

Υπάρχει μια αυξανόμενη μετατόπιση από ανεξάρτητα copilots προς την «πρακτική ορχήστρωση», όπου η AI μπορεί να συντονίζει διαδικασίες που εκτείνονται σε πολλαπλά συστήματα. Τι διαχωρίζει την πραγματική πρακτική ορχήστρωση από το απλό προσθήκη ενός μεγάλου γλωσσικού μοντέλου σε μια υπάρχουσα πλατφόρμα αυτοματοποίησης;

Η ενσωμάτωση ενός κόμβου LLM σε μια υπάρχουσα ροή αυτοματοποίησης σας δίνει ένα πιο έξυπνο βήμα. Η πραγματική ορχήστρωση σημαίνει ότι η AI διαθέτει μια μόνιμη, δομημένη άποψη όλης της διαδικασίας — όχι μόνο αυτού του καθήκοντος, αλλά και του πού βρίσκεται μέσα στη σειρά, τι έχει ήδη συμβεί στο upstream, τι πρέπει να ισχύει στο downstream για να θεωρηθεί ολοκληρωμένο. Η διαφορά είναι αν η νοημοσύνη έχει μνήμη της διαδικασίας ή μόνο μνήμη του prompt. Ένας copilot απαντά στην ερώτηση που του θέτετε. Η ορχήστρωση συντονίζει δράσεις μεταξύ συστημάτων που δεν επικοινωνούν εγγενώς μεταξύ τους — το ERP σας, το CRM σας, το API ενός συνεργάτη — κληρονομώντας τους ίδιους κανόνες, δικαιώματα και το αποδεικτικό ίχνος που ήδη λειτουργεί στην υπόλοιπη διαδικασία. Αν πρέπει να χτίσετε ένα ξεχωριστό επίπεδο διακυβέρνησης γύρω από τη λειτουργία AI επειδή η πλατφόρμα αυτοματοποίησης που τη φιλοξενεί δεν το παρέχει, δεν έχετε πρακτική ορχήστρωση — έχετε ένα chatbot με πρόσβαση API, και αυτά δεν έχουν το ίδιο προφίλ κινδύνου.

Οι πράκτορες AI χωρίς κώδικα ενδέχεται να επιτρέπουν στις επιχειρηματικές ομάδες να αυτοματοποιούν όλο και πιο σύνθετες διαδικασίες χωρίς να περιμένουν πόρους μηχανικών. Πώς μπορείτε να δημοκρατικοποιήσετε αυτή τη δυνατότητα χωρίς να δημιουργήσετε μια νέα γενιά shadow AI, κακώς σχεδιασμένων πρακτόρων ή κινδύνων ασφαλείας;

Δεν αποκτάτε ασφαλή δημοκρατικοποίηση ζητώντας από τους επιχειρηματικούς χρήστες να είναι πιο προσεκτικοί — την αποκτάτε

κάνοντας τα guardrails μέρος της οδού, όχι ξεχωριστό λωρίδα που οι άνθρωποι πρέπει να επιλέξουν για να οδηγήσουν. Κάθε πράκτορας που δημιουργεί ένας επιχειρηματικός χρήστης κληρονομεί την ίδια πρόσβαση βάσει ρόλου, το ίδιο αποδεικτικό ίχνος και τους ίδιους επιχειρηματικούς κανόνες που ήδη διέπουν τη διαδικασία μέσα στην οποία χτίζεται — δεν είναι προαιρετική ρύθμιση, είναι δομική. Αυτή είναι η πραγματική απάντηση στο shadow AI: δεν είναι πρόβλημα πολιτικής, είναι πρόβλημα αρχιτεκτονικής. Το shadow AI εμφανίζεται όταν το εγκεκριμένο εργαλείο είναι πιο δύσκολο στη χρήση από το μη εγκεκριμένο, οπότε οι άνθρωποι δημιουργούν τον πράκτορά τους σε προσωπικό λογαριασμό ChatGPT ή σε τυχαίο εργαλείο αυτοματοποίησης χωρίς καμία ορατότητα για το IT. Αν η εμπειρία χωρίς κώδικα είναι πραγματικά γρήγορη και η διακυβέρνηση αόρατη επειδή είναι αυτόματη, δεν υπάρχει λόγος για μια επιχειρηματική ομάδα να την παρακάμψει. Τη στιγμή που κάνετε τη διακυβέρνηση ένα χειροκίνητο βήμα που κάποιος πρέπει να θυμάται, έχετε ήδη χάσει.

Καθώς οι πράκτορες AI αποκτούν τη δυνατότητα λήψης αποφάσεων και εκτέλεσης ενεργειών αντί να προτείνουν μόνο, πώς πρέπει οι οργανισμοί να αποφασίζουν πού είναι κατάλληλη η πλήρης αυτονομία και πού οι άνθρωποι πρέπει να παραμένουν στο βρόχο;

Ο άξονας που χρησιμοποιώ δεν είναι «πόσο έξυπνος είναι ο πράκτορας», αλλά η αναστρεψιμότητα και η ακτίνα επιπτώσεων. Αν μια λανθασμένη απόφαση είναι φθηνή να εντοπιστεί και φθηνή να αναιρεθεί — δρομολόγηση, κατηγοριοποίηση, σύνταξη — αφήστε τον πράκτορα να ενεργήσει και να ελεγχθεί συνολικά. Αν μια λανθασμένη απόφαση είναι δαπανηρή, δύσκολη να αντιστραφεί ή αγγίζει άμεσα χρήματα, συμμόρφωση ή σχέση με πελάτη, διατηρήστε έναν άνθρωπο στο βρόχο για αυτό το συγκεκριμένο βήμα, ακόμη και αν ο πράκτορας είχε σωστά τις τελευταίες χίλιες αποφάσεις. Το λάθος είναι να θεωρείτε την αυτονομία ως μία ενιαία ρύθμιση που ανεβάζετε για ολόκληρη τη ροή εργασίας. Οι πραγματικές διαδικασίες είναι μια ακολουθία βημάτων με εντελώς διαφορετικά προφίλ κινδύνου, και ο σωστός σχεδιασμός τοποθετεί τον άνθρωπο ακριβώς στο βήμα όπου ένα λάθος είναι ακριβό — όχι παντού και όχι πουθενά. Αυτός είναι επίσης ο λόγος που το human‑in‑the‑loop, όταν υλοποιείται σωστά, δεν είναι φόρος στην ταχύτητα — είναι ο τρόπος με τον οποίο χτίζετε την εμπιστοσύνη για να το αφαιρέσετε τελικά από τα βήματα χαμηλού κινδύνου, επειδή έχετε αποδείξεις που δείχνουν ποιες αποφάσεις ο πράκτορας κάνει σωστά σταθερά.

Η Pipefy δίνει έμφαση στη διακυβέρνηση μέσω μηχανισμών όπως αποδεικτικά ίχνη, έλεγχοι πρόσβασης βάσει ρόλου, επιχειρηματικοί κανόνες και ιχνηλασιμότητα εντός του ίδιου workflow. Καθίσταται η ενσωμάτωση της διακυβέρνησης απευθείας στο επίπεδο ορχήστρωσης απαραίτητη καθώς οι εταιρείες μεταφέρουν τους πράκτορες AI από πειράματα σε παραγωγή;

Δεν γίνεται πλέον απαραίτητο — είναι ήδη απαραίτητο, και οι εταιρείες που το συνειδητοποιούν με τον δύσκολο τρόπο είναι αυτές που έστειλαν πράκτορες στην παραγωγή πρώτες και τώρα χτίζουν το αποτύπωμα ελέγχου μετά το γεγονός. Αυτό είναι αντίστροφο και κοστίζει πολύ να το διορθωθεί εκ των υστέρων. Αν τα αποτυπώματα ελέγχου, ο έλεγχος πρόσβασης βάσει ρόλων και η δυνατότητα ανιχνευσιμότητας δεν είναι ενσωματωμένα στην ίδια τη στρώση ορχήστρωσης, κάθε νέος πράκτορας που αναπτύσσετε αποτελεί νέο σημείο όπου η διακυβέρνηση μπορεί ήσυχα να αποτύχει — και δεν θα το καταλάβετε μέχρι ένας ελεγκτής, ένας ρυθμιστής ή ένα περιστατικό να θέσει το ερώτημα. Η ενσωμάτωση της διακυβέρνησης στη στρώση ορχήστρωσης σημαίνει ότι κάθε ενέργεια που εκτελεί ένας πράκτορας κληρονομεί αυτόματα τους ίδιους κανόνες και αφήνει τα ίδια αποδεικτικά στοιχεία όπως θα έκανε μια ανθρώπινη ενέργεια, χωρίς κανέναν να χρειάζεται να το ρυθμίσει ξεχωριστά. Οι επιχειρήσεις που μεταβαίνουν από πειράματα AI στην παραγωγή AI ανακαλύπτουν ότι τα κριτήρια επιτυχίας του πιλοτικού προγράμματος και τα κριτήρια επιτυχίας της παραγωγής είναι διαφορετικά: ένα πιλοτικό πρέπει να λειτουργεί, η παραγωγή πρέπει να είναι αμυντική. Η διακυβέρνηση είναι η διαφορά μεταξύ αυτών των δύο φραγμών.

Πολλές εταιρείες μπορούν να παρουσιάσουν εντυπωσιακό πιλοτικό AI, αλλά δυσκολεύονται να το μετατρέψουν σε μετρήσιμη επιχειρηματική αξία. Σε ποιους δείκτες πρέπει να εστιάσουν οι ηγέτες όταν καθορίζουν αν μια πρωτοβουλία αυτοματοποίησης AI αποδίδει πραγματικά ROI, και ποιοι είναι οι πιο συχνοί λόγοι που οι υποσχόμενοι πιλοτικοί αποτυγχάνουν να κλιμακωθούν;

Αμφιβάλλω για οποιαδήποτε συζήτηση ROI AI που ξεκινά με “ώρες που εξοικονομήθηκαν”, επειδή ώρες εξοικονομήθηκαν από ποιον, πώς επαληθεύτηκαν; Οι δείκτες που πραγματικά αντέχουν στον έλεγχο του CFO είναι εκείνοι που οι ελεγκτές μπορούν να επιβεβαιώσουν ανεξάρτητα: ο χρόνος κύκλου μιας συγκεκριμένης διαδικασίας, πριν και μετά· ο ρυθμός σφαλμάτων ή επαναεργασιών· το ποσοστό ενός ροής εργασίας που τώρα ολοκληρώνεται χωρίς ανθρώπινη παρέμβαση· και η κάλυψη της αλυσίδας ελέγχου — μπορείτε να δείξετε, για κάθε απόφαση του πράκτορα, γιατί ελήφθη; Αν δεν μπορείτε να παράγετε αυτό το αποτύπωμα, δεν έχετε αριθμό ROI, έχετε μια ανεκδοτική ιστορία. Τα πιλοτικά αποτυγχάνουν να κλιμακωθούν σχεδόν πάντα για τον ίδιο λόγο: χτίστηκαν για να αποδείξουν ότι το μοντέλο λειτουργεί, όχι για να αποδείξουν ότι η διαδικασία λειτουργεί από άκρη σε άκρη, στην παραγωγή, ενσωματωμένη με τα συστήματα από τα οποία εξαρτάται ήδη η υπόλοιπη εταιρεία. Ένα πιλοτικό που ζει σε άσφαλτο, αποσυνδεδεμένο από το πραγματικό σύστημα καταγραφής, θα φαίνεται πάντα καλύτερο από ό,τι αποδίδει όταν ενσωματωθεί σε όλα τα άλλα που ήδη λειτουργούν. Η κλιμάκωση είναι ένα πρόβλημα ενσωμάτωσης συστημάτων με μανδύα AI.

Έχετε επίσης ηγηθεί πρωτοβουλιών οργανωτικής αλλαγής στην Pipefy ενώ εισάγετε νέες δυνατότητες AI. Από την εμπειρία σας, πόσο από την επιτυχή υιοθέτηση AI σε επιχειρήσεις είναι πραγματικά πρόκληση τεχνολογίας σε σύγκριση με πρόκληση διαδικασίας, κουλτούρας και διαχείρισης αλλαγής;

Αν είμαι ειλικρινής, η επιτυχής υιοθέτηση AI σε επιχειρήσεις είναι 20% τεχνολογία και 80% όλα τα υπόλοιπα. Η τεχνολογία λειτουργεί κυρίως τώρα — αυτό δεν με κρατά ξύπνιο. Αυτό που πραγματικά καθορίζει αν μια πρωτοβουλία AI παραμένει είναι αν οι άνθρωποι των οποίων η δουλειά αλλάζει εμπιστεύονται το σύστημα αρκετά ώστε να αφήσουν την χειροκίνητη επιβεβαίωση που έκαναν για δέκα χρόνια, και αν η ηγεσία είναι διατεθειμένη να επανασχεδιάσει τη διαδικασία αντί να κολλήσει απλώς AI πάνω στο παλιό. Το περάσαμε εσωτερικά χτίζοντας τα δικά μας εργαλεία μηχανικής — η τεχνολογία για αυτοματοποίηση τμημάτων του πώς χτίζουμε λογισμικό υπήρχε πολύ πριν η ομάδα το εμπιστευτεί αρκετά ώστε να σταματήσει να ελέγχει τα πάντα με το χέρι. Η απελευθέρωση δεν ήρθε από καλύτερο μοντέλο, ήρθε από ορατή απόδειξη, επαναλαμβανόμενη αρκετές φορές, ότι η κρίση του συστήματος ταιριάζει με τη δική τους. Η διαχείριση αλλαγής για AI δεν είναι άσκηση επικοινωνίας, είναι άσκηση συσσώρευσης αποδείξεων — κερδίζετε εμπιστοσύνη σε μικρές, επαληθεύσιμες παρτίδες, δεν την αναγγέλλετε σε μια συνέλευση.

Κοιτάζοντας μπροστά, αναμένετε το παραδοσιακό λογισμικό ροής εργασιών και επιχειρησιακών διαδικασιών να εξελιχθεί σε στρώσεις ορχήστρωσης όπου άνθρωποι, πράκτορες AI και επιχειρησιακά συστήματα συνεργάζονται συνεχώς; Αν ναι, τι θα αλλάξει θεμελιωδώς στον τρόπο που οι εταιρείες σχεδιάζουν και διαχειρίζονται τις λειτουργίες τους;

Ναι, και πιστεύω ότι η αλλαγή είναι μεγαλύτερη από ό,τι υπολογίζουν οι περισσότεροι. Το λογισμικό ροής εργασιών ήταν παλαιότερα το μέρος όπου καταγράφατε πώς πρέπει να γίνεται η εργασία. Τώρα γίνεται το μέρος όπου η εργασία συμβαίνει πραγματικά — ένα ζωντανό runtime όπου άνθρωποι, πράκτορες και επιχειρησιακά συστήματα ενεργούν όλα μέσα στην ίδια διακυβερνημένη διαδικασία ταυτόχρονα, αντί για έναν άνθρωπο που χρησιμοποιεί το λογισμικό ως παθητικό καταγραφέα μετά το γεγονός. Αυτό που αλλάζει θεμελιωδώς είναι το πού «το σύστημα καταγραφής» ζει πραγματικά. Η καταγραφή ήταν μια βάση δεδομένων που ενημερωνόταν μόλις κάτι συνέβαινε εκτός αυτής. Σε μια στρώση ορχήστρωσης, η καταγραφή και η εκτέλεση είναι το ίδιο πράγμα — η διαδικασία γίνεται η διεπαφή, προσβάσιμη όχι μόνο μέσω οθόνης αλλά και μέσω API, διακομιστή MCP, CLI, ώστε οποιοσδήποτε πράκτορας, εσωτερικός ή συνεργάτη, να μπορεί να ενεργεί μέσα σε αυτήν υπό τους ίδιους κανόνες όπως ένας άνθρωπος. Οι εταιρείες που αντιμετωπίζουν αυτήν την αλλαγή ως «πρόσθεσε AI στα υπάρχοντα εργαλεία μου» θα συνεχίσουν να χτυπούν το όριο που περιέγραψα νωρίτερα. Όσοι θεωρούν τη στρώση διαδικασίας ως το πραγματικό προϊόν — το πράγμα που αξίζει να επενδύσει κανείς για σωστή δομή — είναι αυτοί που θα ενισχύσουν ένα πλεονέκτημα που κανείς δεν μπορεί να αντιγράψει απλώς αγοράζοντας το ίδιο μοντέλο AI.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν Pipefy.