Arun Hiremath, Directeur des affaires et co-fondateur d’EvoluteIQ – Série d’entretiens

Arun Hiremath, Directeur des affaires et co-fondateur d’EvoluteIQ, est un dirigeant et entrepreneur dans le domaine de la technologie, avec près de trois décennies d’expérience dans l’automatisation d’entreprise, la stratégie de produits, le développement commercial et les télécommunications. Chez EvoluteIQ, il est responsable de la croissance des revenus et du renforcement des relations avec les clients, en particulier à travers l’activité eiq360 de l’entreprise. Avant de rejoindre EvoluteIQ, Hiremath a co-fondé et dirigé la plate-forme de faible code AmperAXP, qui a été intégrée à EvoluteIQ en 2021. Sa carrière précédente comprenait des postes de direction de produits chez Qualcomm (QCOM ), Ikanos Communications, Conexant Systems et Globespan, ainsi que la responsabilité du développement commercial en Asie-Pacifique chez Tata Elxsi (TATAELXSI.BO ).

EvoluteIQ est une entreprise de logiciels d’entreprise qui développe une plate-forme native AI pour l’automatisation et l’orchestration de processus métier complexes. Sa plate-forme EIQ combine l’IA agente, l’IA générative, l’automatisation de processus et de décision, l’automatisation de processus robotique, le traitement intelligent de données et d’événements, les intégrations d’entreprise, l’analyse et le développement d’applications dans un environnement de faible code/sans code. Conçue pour remplacer les outils d’automatisation fragmentés par une architecture unifiée, la plate-forme aide les organisations à créer des flux de travail adaptatifs qui relient les systèmes hérités et modernes tout en maintenant la gouvernance, la sécurité et la scalabilité au niveau de l’entreprise. EvoluteIQ sert des organisations dans divers secteurs, notamment la banque, l’assurance, les soins de santé, les télécommunications, la fabrication, l’énergie et la vente au détail.

Dans notre précédent entretien avec Sameet Gupte, PDG d’EvoluteIQ, nous avons discuté de la vision plus large d’EvoluteIQ pour l’automatisation d’entreprise native AI. De votre point de vue, en travaillant étroitement avec les clients, qu’est-ce qui a changé le plus dans la façon dont les entreprises pensent à l’IA agente depuis cette conversation ?

Le plus grand changement est que les entreprises ont cessé de demander : « L’IA peut-elle faire cela » et ont commencé à demander : « Puis-je faire confiance à l’IA pour faire cela ? »

Il y a un an, la plupart des conversations portaient sur quels modèles avaient quelles capacités. Les clients sont beaucoup plus pragmatiques maintenant. Ils veulent savoir si l’IA peut coordonner les personnes, les applications, les politiques, les approbations, la conformité et d’autres agents autour d’un résultat commercial mesurable.

Le traitement des réclamations est un bon exemple. L’IA elle-même n’est pas nécessairement la partie difficile. Le défi est de concevoir la façon dont les agents autonomes travaillent aux côtés des personnes et au sein de la gouvernance informatique sur plusieurs systèmes, équipes et exceptions.

De nombreuses entreprises semblent toujours traiter l’IA comme une autre couche de logiciel ajoutée au-dessus des flux de travail existants. Pourquoi cette approche est-elle limitée, et à quoi ressemble-t-elle lorsqu’une entreprise reconceptualise un processus autour de l’exécution autonome dès le départ ?

Ajouter l’IA à un processus défectueux vous permet simplement d’atteindre le mauvais résultat plus rapidement.

De nombreux flux de travail d’entreprise ont été conçus il y a 20 ans autour de la prise de décision manuelle. Ajouter l’IA comme une autre étape peut optimiser le processus, mais ne le transforme pas. La meilleure question est de savoir quels décisions nécessitent réellement un humain dans la boucle et lesquelles peuvent être sûrement déléguées à des agents autonomes.

Dans la gestion des dépenses, par exemple, l’IA peut évaluer les politiques, les modèles de dépenses, l’historique des employés et les documents justificatifs. Les réclamations routinières peuvent être approuvées en quelques minutes, tandis que seuls les cas inhabituels sont renvoyés aux gestionnaires.

Vous avez soutenu que de nombreux clients n’ont pas tant un problème de fournisseur qu’un problème de modèle opérationnel. Quels sont les problèmes organisationnels les plus courants qui empêchent l’IA d’entreprise de passer à l’échelle au-delà des pilotes ?

La plupart des entreprises n’ont pas un problème d’IA ; elles ont un problème de propriété.

Le département IT possède l’infrastructure. L’entreprise possède le processus. La sécurité possède la gouvernance. Les équipes de données possèdent les modèles. Les opérations possèdent l’exécution. Mais personne ne possède nécessairement la façon dont toutes ces pièces s’assemblent pour livrer un processus métier autonome. Ce qui manque, c’est une façon unifiée de mettre la technologie au travail.

C’est pourquoi les pilotes deviennent souvent des succès isolés. Les organisations qui mettent à l’échelle l’automatisation avec succès changent leurs modèles opérationnels, et non simplement en achetant plus de technologie. Ils créent des équipes multifonctionnelles qui possèdent conjointement les résultats commerciaux plutôt que des systèmes individuels. La question importante est : qui possède le résultat, et qui est responsable de le livrer ?

Où tracez-vous la limite entre l’automatisation utile, l’automatisation intelligente et l’automatisation agente réelle ?

Je les considère comme trois stades de maturité. L’automatisation suit les instructions. L’automatisation intelligente comprend les informations fournies. L’automatisation agente comprend l’objectif commercial et travaille vers le résultat.

Dans le traitement des factures, l’automatisation traditionnelle copie les informations entre les systèmes. L’automatisation intelligente lit les factures, extrait les données et signale les incohérences. Ensuite, l’automatisation agente peut identifier les informations manquantes, communiquer avec les fournisseurs, appliquer les politiques commerciales, gérer les exceptions, obtenir les approbations et terminer le processus.

La différence n’est pas simplement que l’IA est plus intelligente. La différence est qu’elle possède le résultat plutôt qu’une seule tâche.

Les dirigeants d’entreprise sont sous pression pour démontrer rapidement le retour sur investissement de l’IA, mais la transformation de processus complexes prend du temps. Comment les entreprises doivent-elles équilibrer la vitesse, la gouvernance et le changement de modèle opérationnel à long terme ?

La vitesse sans gouvernance crée des risques. La gouvernance sans vitesse crée de la frustration. Les entreprises doivent équilibrer les deux.

Les entreprises devraient commencer par un processus métier qui compte – quelque chose de visible qui peut démontrer une valeur mesurable – mais le construire sur une base qui prend en charge la gouvernance, la sécurité, l’observabilité et la conformité. La solution initiale ne devrait pas devenir un autre silo.

L’erreur est de croire que la gouvernance ralentit l’innovation. Une bonne gouvernance accélère en fait l’adoption, car elle crée la confiance. Une fois que les contrôles appropriés sont en place, les organisations peuvent avancer plus rapidement et mettre à l’échelle avec plus de confiance.

EvoluteIQ a mis l’accent sur l’automatisation de processus de bout en bout plutôt que sur l’automatisation de tâches isolées. Pourquoi cette distinction est-elle si importante lors du passage de l’expérimentation de l’IA à la mise en production ?

Les entreprises n’expérimentent pas le travail comme des tâches individuelles, elles expérimentent les résultats. Personne ne célèbre parce que l’extraction de documents est devenue 60 % plus rapide. Ils célèbrent parce que l’intégration des clients prend maintenant quelques heures au lieu de deux semaines. L’amélioration des tâches isolées déplace souvent simplement le goulet d’étranglement ailleurs.

Lorsque l’intégration, la validation, les approbations, la prise de décision, les intégrations de systèmes et la communication avec les clients sont orchestrées comme un flux de travail natif AI unique, l’organisation commence à voir des résultats commerciaux significatifs. L’optimisation d’une tâche améliore l’efficacité, mais l’optimisation du processus change les performances commerciales globales et peut avoir un impact sur le compte de résultat.

Les places de marché en nuage sont de plus en plus devenues des canaux de distribution pour l’automatisation d’entreprise AI. Comment voyez-vous les plateformes comme Google Cloud changer la façon dont les grandes organisations découvrent, évaluent, achètent et mettent en œuvre l’automatisation native AI ?

Les places de marché en nuage font pour les logiciels d’entreprise ce que les magasins d’applications ont fait pour les consommateurs, mais avec une gouvernance d’entreprise intégrée.

Elles éliminent les frictions à travers les processus d’approvisionnement, les examens de sécurité et les accords commerciaux. Les organisations peuvent également exploiter les engagements de nuage existants, permettant aux équipes de se concentrer moins sur la façon d’acheter des logiciels et plus sur les résultats commerciaux.

Un client ne devrait pas avoir à attendre un cycle d’approvisionnement de six mois simplement pour évaluer une plate-forme native AI. Les places de marché leur permettent de commencer à résoudre des problèmes commerciaux beaucoup plus rapidement tout en restant dans la gouvernance d’entreprise établie.

EvoluteIQ a récemment mis en évidence eiq360 en tant que plate-forme basée sur Google Cloud et Gemini qui peut convertir l’intention commerciale en flux de travail prêts pour l’entreprise en utilisant le langage naturel, tout en maintenant la gouvernance et le contrôle. Qu’est-ce que ce changement signifie pour les utilisateurs commerciaux non techniques ?

Nous passons d’un monde où les utilisateurs commerciaux décrivent les exigences aux équipes d’ingénierie et attendent les résultats, à un monde où les utilisateurs décrivent les résultats.

Avec eiq360, les utilisateurs peuvent maintenant décrire le processus qu’ils souhaitent améliorer en langage naturel. La plate-forme peut ensuite aider à générer des flux de travail prêts pour l’entreprise tout en appliquant automatiquement la gouvernance, la sécurité, la conformité et les contrôles opérationnels.

Ceci n’élimine pas l’IT ; cela élève l’IT. Les équipes de technologie peuvent maintenant se concentrer sur la définition des garde-fous d’entreprise, des services réutilisables et des normes de gouvernance au lieu de construire manuellement chaque flux de travail. C’est l’un des changements les plus importants que l’IA apporte au logiciel d’entreprise, comme nous le voyons.

La phrase « l’IA d’entreprise devrait être ennuyeuse » va à l’encontre de beaucoup de l’hype actuel. Qu’est-ce qui devrait être ennuyeux, prévisible ou répétitif à propos de l’IA lorsqu’elle est utilisée pour l’exécution commerciale de mission critique ?

Personne ne veut que la paie soit excitante. Personne ne veut qu’une réclamation d’assurance soit surprenante. Personne ne veut qu’une transaction bancaire soit créative.

L’IA d’entreprise devrait absolument être innovante pendant l’expérimentation. Une fois qu’elle entre en production, elle devrait devenir merveilleusement prévisible. Elle devrait produire des résultats cohérents, expliquer ses décisions, reconnaître lorsqu’elle a une faible confiance et demander une intervention humaine lorsqu’il est nécessaire. La meilleure IA d’entreprise n’est pas celle dont tout le monde veut parler. C’est celle que personne ne remarque parce que l’entreprise fonctionne simplement mieux.

En regardant vers l’avenir, qu’est-ce qui séparera les entreprises qui mettent à l’échelle avec succès l’IA agente de celles qui restent bloquées en mode pilote ?

Les gagnants n’auront pas nécessairement les modèles d’IA les plus avancés. Ils seront ceux qui ont les meilleurs modèles opérationnels pour l’IA. Ils reconceptualiseront les processus au lieu de numériser les inefficacités, établiront la gouvernance avant de mettre à l’échelle et créeront des capacités d’entreprise réutilisables plutôt que des preuves de concept isolées.

Les plus importants seront ceux qui cesseront de penser à l’IA comme une autre application et commenceront à la traiter comme une nouvelle main-d’œuvre qui collabore avec les personnes, les systèmes et les politiques commerciales. La prochaine décennie sera à propos de l’optimisation de la façon dont les personnes, les agents d’IA et les systèmes d’entreprise travaillent ensemble.