Vijay Rayapati, CEO en mede-oprichter van Atomicwork – Interviewreeks

Vijay Rayapati is de mede-oprichter en CEO van Atomicwork. Voordat hij het bedrijf oprichtte, was hij Senior Vice President en General Manager bij Nutanix, waar hij de End User Computing-activiteiten leidde na de overname van Frame, het cloud-desktopbedrijf dat hij had opgericht en als CEO had geleid. Eerder in zijn carrière had hij technische en productleiderschapsfuncties bij VMware en Microsoft, waardoor hij diepgaande ervaring had opgebouwd met het bouwen van enterprise-infrastructuur en eindgebruikersplatforms. Zijn achtergrond omvat cloud-infrastructuur, enterprise-software en AI-gedreven werkplektechnologie, waardoor hij een bekende oprichter is in de enterprise IT-branche.

Atomicwork is een enterprise AI-bedrijf dat een agentic IT-servicebeheerplatform bouwt dat medewerkers helpt bij het oplossen van technische problemen, het automatiseren van routineondersteuningsTaken en het benaderen van enterprise-kennis via AI. Het platform combineert AI-agents met moderne ITSM-mogelijkheden om servicerequests af te handelen, problemen op te sporen, workflows over enterprise-systemen te orkestreren en de belasting op IT-teams te verminderen. Klanten gebruiken Atomicwork om snellere medewerkersondersteuning te bieden terwijl de operationele efficiëntie over IT- en bedrijfsoperaties wordt verbeterd.

U hebt eerder Minjar mede-opgericht, de enterprise-cloudbeheeractiviteiten opgebouwd en vervolgens de operatie bij Nutanix geleid na de overname. Wat waren de lessen die u hebt getrokken uit het bouwen, verkopen en integreren van een enterprise-softwarebedrijf die u ertoe hebben gebracht Atomicwork in 2022 te starten en het IT-servicebeheer vanaf het begin opnieuw op te bouwen voor de AI-tijdperk?

Bij Minjar hebben we software gebouwd die een bedrijf’s cloudkosten met een derde kon verlagen door automatisering. Klanten hielden van de aanbevelingen. Toen gingen ze er twee kwartalen mee zitten. Het duurde even voordat ik begreep waarom, en het antwoord was niet technisch. Wanneer automatisering een oproep doet en het misgaat, is er niemand die verantwoordelijk kan worden gehouden. Bedrijven kopen niet alleen software of resultaten. Ze kopen iemand die verantwoordelijk is.

De overname heeft me een smaller lesje geleerd. Puntproducten worden gekocht. Systeemrecords worden gebouwd. U kunt het betere product zijn en toch uw hele leven besteden aan het omzeilen van degene die het werkproces bezit.

De Nutanix-jaren hebben de twee samengevoegd. Ik heb gezien dat IT servicebeheer koopt voor controle en medewerkers het ervaren als een formulier en een wachtrij. Ik heb ook beseft dat het ticket nooit het product was. Het audit-spoor was dat. Dat is waarom ITSM veertig jaar heeft overleefd, ondanks dat mensen het haten, en dat is ook waarom niemand het kon verwijderen.

De vraag in 2022 was dus niet of AI het werk kon doen. Het was of u AI een plaats op de organisatiekaart kon geven. Legacy ITSM-platforms kunnen dat niet, omdat een menselijke toewijzing centraal staat in hun datamodel en elke SLA, goedkeuring en rapport hangt af van die aanname. Bevestig AI en u krijgt een sneller formulier.

We hebben voor het andere antwoord gebouwd waar AI een hybride werkkracht levert, niet alleen software. AI-medewerkers doen het werk, en IT bestuurt hen op de manier waarop HR mensen bestuurt. U configureert geen AI-medewerker. U huurt hem in voor een rol, beoordeelt zijn werk en herroept hem als hij niet presteert. Dat is het verschil tussen AI als functie en AI als werkkracht.

Atomicwork beschrijft zijn AI-medewerkers als systemen die gedefinieerde rollen hebben en werk van begin tot einde voltooien, in plaats van alleen vragen te beantwoorden of geïsoleerde taken uit te voeren. Wat zijn de technische mogelijkheden die een echte AI-medewerker onderscheiden van een chatbot, copilot of traditioneel automatiseringsgereedschap, en waar moet zijn autonomie eindigen?

Een chatbot beantwoordt een vraag, en een copilot helpt iemand een taak te voltooien, maar geen van beiden is verantwoordelijk voor het doorvoeren van het werk tot het einde. Een AI-medewerker is anders omdat hij een gedefinieerde rol heeft en een resultaat moet leveren. Of het nu gaat om het triageren van incidenten, het inrichten van toegang of het inwerken van medewerkers, hij gaat door met elke stap om het doel te bereiken, in plaats van te stoppen na de eerste beurt.

Dat vereist veel meer dan een capabel model. Een AI-medewerker heeft een identiteit nodig, de juiste machtigingen, toegang tot goedgekeurde tools, organisatorische context, een budget en duidelijke operationele grenzen en zijn rol. Hij moet over bedrijfssystemen werken, begrijpen wanneer (en wie) om goedkeuring moet vragen en een audit-spoor achterlaten bij elke actie. Daarom hebben we ons zo sterk gefocust op het platform rond het model. Betrouwbaar AI hangt net zozeer af van orkestratie, bestuur en uitvoering als van intelligentie.

Autonomie moet nooit onbeperkt zijn. Een AI-medewerker moet binnen de verantwoordelijkheden van zijn rol opereren, terwijl mensen betrokken blijven wanneer het werk gevoelige systemen, juridische, financiële of werkgelegenheidsgevolgen met zich meebrengt.

Uw platform staat gespecialiseerde AI-medewerkers toe om samen te werken over incidentbeheer, toegangsverlening, inwerken en IT-operaties. Hoe verdelen deze AI-medewerkers verantwoordelijkheden, delen context en herstellen wanneer een AI-medewerker een verkeerde beslissing neemt die de rest van de workflow kan beïnvloeden?

We denken niet dat één AI-medewerker elk werk moet proberen te doen. IT-organisaties splitsen al verantwoordelijkheden op over verschillende teams omdat elke rol verschillende doelen, machtigingen en expertise heeft. We hebben diezelfde denkwijze toegepast op AI-medewerkers, waardoor we zijn gestart met gecertificeerde AI-medewerkers die zijn gespecialiseerd in verschillende IT-operationele gebieden.

Elke medewerker heeft een specifieke functie, terwijl hij dezelfde enterprise-context deelt. Wanneer een medewerker een ticket maakt in Atomicwork, zorgt slimme routing ervoor dat het naar de juiste AI-medewerker wordt doorgestuurd die aan het verzoek werkt en (afhankelijk van het verzoek) het doorstuurt naar een andere AI-medewerker, kindertickets maakt voor AI-medewerkers om het probleem parallel op te lossen (bijvoorbeeld een inwerkticket kan worden gesplitst in activiteiten die parallel kunnen worden uitgevoerd) of het doorstuurt naar een mens. Terwijl het werk van de ene medewerker naar de andere gaat, gaat de relevante informatie mee met het ticket (het systeem van record), samen met toegang tot relevante systemen zoals de servicedesk, identiteitsplatforms, HR-systemen en collaboratietools. Die gedeelde context laat elke medewerker toe om beslissingen te nemen op basis van wat er al is gebeurd, in plaats van vanaf het begin te beginnen.

Atomicwork ondersteunt verschillende agentframeworks en modellen van leveranciers zoals OpenAI, Anthropic en Google. Hoe bepaalt u welk model retrieval, redenering, planning en uitvoering moet afhandelen, en hoe kunnen bedrijven consistent gedrag behouden terwijl de onderliggende modellen blijven veranderen?

Verschillende modellen zijn goed in verschillende soorten werk. Ons focus ligt op het bouwen van een platform dat kan profiteren van vooruitgang zonder klanten te dwingen hun workflows opnieuw te ontwerpen elke keer dat een model verandert. Enterprise-context, orkestratie, identiteit, beleidsuitvoering, telemetrie en evaluatie bieden de consistentie die organisaties nodig hebben in productie, ongeacht welk frontiermodel eronder zit.

We hebben openlijk gesproken over het ondersteunen van meerdere modelleveranciers, samen met evaluatiekaders en bestuur, maar we hebben de routeringslogica niet beschreven die bepaalt welk model retrieval, redenering, planning of uitvoering afhandelt. We hebben ook de validatieproces niet beschreven dat we gebruiken als leveranciers nieuwe modellen en updates uitbrengen.

Een enterprise AI-agent kan conflicterende documentatie, onvolledige configuratierapporten, verouderde kennis en verschillende machtigingen over systemen tegenkomen. Hoe bepaalt Atomicwork’s Universal Context-laag welke informatie betrouwbaar en actueel is voordat hij een agent toestaat om een beslissing te nemen of actie te ondernemen?

Enterprise-kennis bestaat zelden op één plek. Sommige informatie leeft in documentatie, sommige in systemen van record en sommige in de dagelijkse activiteit van het bedrijf. AI heeft al die context nodig om betrouwbare beslissingen te nemen.

Universal Context brengt die bronnen samen door enterprise-kennis te combineren met mensen, netwerk, infrastructuur en apparaatgegevens van live operationele systemen. Een AI-medewerker kan informatie verwijzen van platforms zoals Confluence of SharePoint, MDM’s zoals Intune en JAMF, terwijl hij ook begrijpt wat er gebeurt in systemen zoals Jira, Workday, Salesforce of identiteitsproviders. Hij respecteert ook bestaande machtigingen, zodat mensen en AI-medewerkers alleen toegang hebben tot informatie die ze al zijn geautoriseerd om te zien.

We hebben uitgelegd hoe Universal Context enterprise-systemen verbindt en beveiligingsgrenzen behoudt, maar we hebben niet beschreven hoe het conflicterende informatie oplost wanneer betrouwbare bronnen het oneens zijn of hoe het bepaalt welke bron voorrang moet krijgen. Die implementatiedetails zijn geen onderdeel van onze openbare documentatie.

De Universal AI-medewerker kan medewerkers ondersteunen via Microsoft Teams, Slack, e-mail, browser, portal en via chat, spraak en visuele modi. Welke nieuwe mogelijkheden voor probleemoplossing worden mogelijk wanneer een agent kan zien en horen wat de medewerker ervaart, en hoe voorkomt u dat gevoelige scherminhoud of conversaties worden blootgesteld?

Traditionele IT-ondersteuning is afhankelijk van medewerkers die technische problemen nauwkeurig beschrijven, en dat is vaak het moeilijkste deel van de interactie. Spraak- en visuele context laten de AI toe om dezelfde foutmelding, toepassing of configuratiescherm te zien dat de medewerker bekijkt, waardoor het gemakkelijker wordt om het probleem te begrijpen en iemand door de volgende stap te leiden zonder een langdurige heen-en-weer-conversatie.

Die mogelijkheden werken alleen als medewerkers hen vertrouwen. We geloven dat visuele toegang expliciete toestemming moet vereisen en gebruikers moeten altijd weten wanneer het actief is. Gevoelige informatie wordt beschermd door PII-masking, administratieve controles en passende retentiebeleid.

We hebben ook duidelijk gemaakt dat klantgegevens niet worden gebruikt om onze modellen of derde partij-modellen te trainen. Dat geeft organisaties de mogelijkheid om multimodale AI te adopteren zonder de controle over hun gegevens te verliezen.

Atomicwork kan worden geïmplementeerd naast een bestaand ServiceNow- of Jira Service Management-omgeving zonder een onmiddellijke migratie te vereisen. Ziet u dit voornamelijk als een overgangsstrategie, of zullen veel bedrijven permanent een AI-werkkracht boven hun legacy-systeem van record exploiteren?

De meeste grote bedrijven hebben jarenlang processen, integraties en bestuur rond platforms zoals ServiceNow en Jira Service Management opgebouwd. Van hen verlangen dat ze die systemen moeten vervangen voordat ze AI kunnen adopteren, creëert onnodige wrijving.

We hebben de Atomicwork-integraties met ServiceNow en Jira Service Management gebouwd, zodat klanten de medewerkerservaring kunnen transformeren en hun serviceteams kunnen versterken met AI-medewerkers vanaf de eerste dag, zonder de systemen die ze al gebruiken te verstoren. De connector haalt relevante enterprise-IT-context op voor AI-medewerkers om te gebruiken, terwijl hij een bidirectionele synchronisatie voor servicemedewerkers in hun bestaande systeem behoudt. We denken niet dat bedrijven moeten kiezen voor één pad op de eerste dag. De prioriteit is hen helpen om AI te adopteren op hun eigen tijdschema.

Door AI-medewerkers toegang te geven tot identiteitssystemen, medewerkersgegevens, infrastructuur en bedrijfsapplicaties, ontstaan risico’s zoals prompt-injectie, vergiftigde kennisbronnen, overmatige machtigingen en cascaderende agentfouten. Welke waarborgen, goedkeuringsgrenzen en auditsystemen zijn essentieel voordat een bedrijf AI-medewerkers veilig kan laten werken?

AI-medewerkers worden beheerd als medewerkers met bevoorrechte toegang. Elke medewerker heeft een gedefinieerde rol, beperkte machtigingen, goedgekeurde tools, uitgavenlimieten en duidelijke grenzen voor wat hij onafhankelijk kan doen. Gevoelige acties – met name die welke identiteit, infrastructuur, financiën, juridische of werkgelegenheidsgevolgen met zich meebrengen – vereisen menselijke goedkeuring.

Vaardigheden en instructies worden getoetst voordat ze worden gepubliceerd voor risico’s zoals prompt-injectie, verborgen instructies, referentie-toegang, gegevenslekkage en onveilige acties. Als een tool verandert op een manier die het risico verhoogt, wordt hij automatisch uitgeschakeld totdat hij is herzien. Aanvullende waarborgen – waaronder actielimieten, dubbele-actiepreventie, noodstopcontroles en menselijke overname – helpen fouten te bevatten voordat ze zich kunnen verspreiden.

Elke actie is traceerbaar: organisaties kunnen zien wat de medewerker heeft geactiveerd, welke informatie en tools hij heeft gebruikt, welke goedkeuringen zijn verkregen en welk resultaat is gevolgd. Voortdurende evaluatie, monitoring en red-teamtesting zorgen ervoor dat deze waarborgen effectief blijven terwijl modellen, tools en enterprise-omgevingen evolueren.

We hebben zwaar geïnvesteerd in evaluatie, beleidsuitvoering, monitoring en red-teamtesting, omdat het implementeren van AI slechts het begin is. Organisaties moeten vertrouwen hebben dat die medewerkers blijven functioneren zoals verwacht, terwijl modellen en enterprise-omgevingen evolueren.

Atomicwork’s State of AI in IT 2026-rapport vond dat twee derde van de IT-professionals positieve rendementen rapporteren van AI-investeringen, terwijl slechts één op de vijf organisaties AI volledig heeft geïntegreerd in hun servicebeheerteams. Wat onderscheidt implementaties die meetbare bedrijfswaarde produceren van pilots die blijven steken in experimenten?

De meeste organisaties hebben al aangetoond dat AI individuele taken kan verbeteren. De bedrijven die meetbare bedrijfswaarde zien, verbinden AI met complete operationele workflows in plaats van het te gebruiken als een zelfstandige assistent.

Dat begint met het oplossen van een specifiek bedrijfsprobleem door te denken in rollen, AI-medewerkers toegang te geven tot de systemen die ze nodig hebben en resultaten te meten die ertoe doen – of het nu gaat om snellere resolutietijden, lagere ondersteuningskosten of een betere medewerkerservaring. Zodra teams die resultaten vertrouwen, wordt het uitbreiden van AI naar aanvullende workflows veel gemakkelijker.

Ons onderzoek heeft ook aangetoond dat verantwoordelijke AI een van de hoogste prioriteiten blijft voor IT-leiders. Dat is logisch, omdat organisaties AI geen meer verantwoordelijkheid zullen geven, tenzij ze begrijpen hoe AI beslissingen neemt, die beslissingen later kunnen bekijken en weten dat de juiste beveiligingsmaatregelen op hun plaats zijn.

Terwijl AI-medewerkers beginnen met het oplossen van ondersteuningsverzoeken, toegang beheren, incidenten diagnosticeren en workflows coördineren, hoe zullen de verantwoordelijkheden van servicemedewerkers, IT-operatieteams en Chief Information Officers veranderen? Kijken we verder vooruit, kan IT het departement worden dat verantwoordelijk is voor het inhuren, besturen en meten van een bedrijf’s complete digitale werkkracht?

AI zal het merendeel van het repetitieve operationele werk overnemen dat vandaag de meeste servicedesks consumeert, waardoor mensen meer tijd kunnen besteden aan het afhandelen van uitzonderingen, het verbeteren van processen en het verfijnen van de kennis die AI nodig heeft.

IT-operatieteams zullen zich steeds meer richten op het besturen van AI-medewerkers in plaats van handmatig elke workflow uit te voeren. Ze zullen machtigingen definiëren, systemen verbinden, prestaties monitoren en ervoor zorgen dat AI blijft functioneren binnen de vastgestelde beleidskaders.

Ik verwacht ook dat de rol van de CIO zal uitbreiden. Het beheren van honderden AI-medewerkers begint te lijken op het beheren van elke andere enterprise-infrastructuur. Iemand moet beslissen wat die medewerkers kunnen benaderen, hoe ze worden gemeten, wanneer ze worden bijgewerkt en of ze waarde leveren. Bedrijfs teams zullen de werkzaamheden blijven definiëren, terwijl IT het HR wordt voor AI, oftewel verantwoordelijk voor het platform, het bestuur en de operationele controles die een bedrijf’s AI-werkkracht veilig laten functioneren.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen bezoek Atomicwork.