Arun Hiremath, Chief Business Officer og medgrunnlegger av EvoluteIQ – Intervju-serie

Arun Hiremath, Chief Business Officer og medgrunnlegger av EvoluteIQ, er en teknologi-eksekutiv og entreprenør med nesten tre tiår med erfaring innen bedriftsautomatisering, produktstrategi, forretningsutvikling og telekommunikasjon. Hos EvoluteIQ er han ansvarlig for å drive omsetningsvekst og styrke kunde-relasjoner, særlig gjennom selskapets eiq360-forretning. Før han ble med i EvoluteIQ, var Hiremath medgrunnlegger og leder av lavkode-plattform-leverandøren AmperAXP, som ble integrert i EvoluteIQ i 2021. Hans tidligere karriere omfattet senior produktleder-stillinger hos Qualcomm (QCOM ), Ikanos Communications, Conexant Systems og Globespan, samt ansvar for Asia-Stillehavet-forretningsutvikling hos Tata Elxsi (TATAELXSI.BO ).

EvoluteIQ er et bedriftsprogramvareselskap som utvikler en AI-nativ plattform for å automatisere og orchestrere komplekse, ende-til-ende forretningsprosesser. Deres EIQ-plattform kombinerer agens-basert AI, generativ AI, prosess- og beslutningsautomatisering, robotprosesseringsautomatisering, intelligent data- og hendelsesbehandling, bedriftsintegrering, analyse og applikasjonsutvikling innen en lavkode/ingen-kode-miljø. Designet for å erstatte fragmenterte automatiseringsverktøy med en samlet arkitektur, hjelper plattformen organisasjoner med å bygge adaptive arbeidsflyter som kobler sammen legacy- og moderne systemer samtidig som de opprettholder bedriftsnivå-styring, sikkerhet og skalerbarhet. EvoluteIQ betjener organisasjoner over industrier, inkludert bank, forsikring, helse, telekommunikasjon, produksjon, energi og detaljhandel.

I vår tidligere intervju med Sameet Gupte, CEO av EvoluteIQ, diskuterte vi EvoluteIQs bredere visjon for AI-nativ bedriftsautomatisering. Fra din posisjon med tett kontakt med kunder, hva har endret seg mest i hvordan bedrifter tenker om agens-basert AI siden den samtalen?

Den største endringen er at bedrifter har sluttet å spørre “Kan AI gjøre dette” og startet å spørre “Kan jeg stole på AI til å gjøre dette?”

For et år siden, fokuserte de fleste samtaler på hvilket modell hadde hvilke funksjoner. Kunder er mye mer pragmatiske nå. De vil vite om AI kan koordinere mennesker, applikasjoner, politikk, godkjenninger, compliance og andre agenter rundt et målbart forretningsresultat.

Kravbehandling er et godt eksempel. AI selv er ikke nødvendigvis den vanskelige delen. Utfordringen er å designe hvordan autonome agenter arbeider sammen med mennesker og innen IT-styring over flere systemer, lag og unntak.

Mange bedrifter ser ut til å behandle AI som et annet programlag som legges på toppen av eksisterende arbeidsflyter. Hvorfor er denne tilnærmingen begrensende, og hva ser det ut som når en bedrift redesigner en prosess rundt autonom utførelse fra starten?

Å legge AI på toppen av en feil prosess lar deg bare nå feil resultat raskere.

Mange bedriftsarbeidsflyter ble designet for 20 år siden rundt manuell beslutning. Å legge AI til som et annet steg kan optimalisere prosessen, men det transformerer den ikke. Den bedre spørsmålet er hvilke beslutninger virkelig krever en menneskelig del, og hvilke kan trygt deles til autonome agenter.

I utgiftshåndtering, for eksempel, kan AI evaluere politikk, utgiftsmønster, ansatt-historikk og støttedokumenter. Rutinemessige krav kan godkjennes på minutter, mens bare uvanlige tilfeller blir eskalert til ledere.

Du har argumentert for at mange kunder ikke har et leverandørproblem så mye som et driftsmodell-problem. Hva er de vanligste organisatoriske problemene som hindrer bedrifts-AI fra å skala seg utover piloter?

De fleste bedrifter har ikke et AI-mangel; de har et eierskapsmangel.

IT eier infrastrukturen. Forretningsenheten eier prosessen. Sikkerheten eier styringen. Datateamene eier modellene. Driftsenheten eier utførelsen. Men ingen eier nødvendigvis hvordan alle disse delene kommer sammen for å levere en autonom forretningsprosess. Det som mangler er en samlet måte å sette teknologien i arbeid.

Dette er hvorfor piloter ofte blir isolerte suksesser. Organisasjoner som skalerer automatisering med hell, endrer sine driftsmodeller, ikke bare kjøper mer teknologi. De lager tverrfaglige team som felles eier forretningsresultater i stedet for enkelt-systemer. Det viktige spørsmålet er: Hvem eier resultatet, og hvem er ansvarlig for å levere det?

Hvor trekker du grensen mellom nyttig automatisering, intelligent automatisering og sann agens-automatisering?

Jeg ser på dem som tre stadier av modenhetsnivå. Automatisering følger instruksjoner. Intelligent automatisering forstår informasjon som er gitt. Agens-automatisering forstår forretningsmålet og arbeider mot resultatet.

I fakturabehandling, følger tradisjonell automatisering informasjon mellom systemer. Intelligent automatisering leser fakturaer, trekker ut data og flagger inkonsistenser. Deretter kan agens-automatisering identifisere manglende informasjon, kommunisere med leverandører, anvende forretningspolitikk, håndtere unntak, få godkjenninger og fullføre prosessen.

Forskjellen er ikke bare at AI er smartere. Forskjellen er at det eier resultatet i stedet for bare en oppgave.

Bedriftsledere er under press for å vise AI-avkastning raskt, men kompleks prosess-transformasjon tar tid. Hvordan bør bedrifter balansere hastighet, styring og langtids-driftsmodell-endring?

Hastighet uten styring skaper risiko. Styring uten hastighet skaper frustrasjon. Bedrifter må balansere begge.

Bedrifter bør starte med en forretningsprosess som betyr noe – noe synlig som kan demonstrere målbart verdi – men bygge det på en grunn som støtter styring, sikkerhet, overvåkning og compliance. Den innledende løsningen bør ikke bli et annet silo.

Feilen er å tro at styring sakte ned innovasjon. God styring akselerer faktisk adopsjon fordi det skaper tillit. Når riktige kontroller er på plass, kan organisasjoner flytte raskere og skala med større tillit.

EvoluteIQ har betont ende-til-ende-prosess-automatisering i stedet for å automatisere isolerte oppgaver. Hvorfor er denne distinksjonen så viktig når man går fra AI-eksperimentering til produksjons-utforming?

Bedrifter opplever ikke arbeid som enkelt-oppgaver, de opplever resultater. Ingen feirer fordi dokument-ekstraksjon ble 60% raskere. De feirer fordi kunde-oppstart nå tar noen timer i stedet for to uker. Forbedring av isolerte oppgaver flytter ofte bare flasken til et annet sted.

Når inntak, validering, godkjenninger, beslutning, system-integrering og kunde-kommunikasjon er orkestrert som en AI-nativ arbeidsflyt, begynner organisasjonen å se meningsfulle forretningsresultater. Optimalisering av en oppgave forbedrer effektivitet, men optimalisering av prosessen endrer hele bedriftsytelsen og kan påvirke resultatet.

Skylet markedsplasser blir stadig mer distribusjonskanaler for bedrifts-AI. Hvordan ser du på plattformer som Google Cloud endrer hvordan store organisasjoner oppdager, vurderer, anskaffer og utformer AI-nativ automatisering?

Skylet markedsplasser gjør for bedriftsprogramvare hva app-butikker gjorde for forbrukere, men med bedrifts-styring bygget inn.

De fjerner friksjon over hele anskaffelses-, sikkerhets-gjennomgang og kommersielle avtaler. Organisasjoner kan også utnytte eksisterende skylet-forpliktelser, som lar teamene fokusere mindre på hvordan de kan kjøpe programvare og mer på forretningsresultatene.

En kunde bør ikke måtte vente gjennom en seks-måneders anskaffelses-syklus bare for å evaluere en AI-nativ plattform. Markedsplasser lar dem begynne å løse forretningsproblemer mye raskere samtidig som de forblir innen etablerte bedrifts-styring.

EvoluteIQ har nylig fremhevet eiq360 som en Google Cloud- og Gemini-basert plattform som kan omdanne forretnings-intent til bedrifts-klare arbeidsflyter ved hjelp av naturlig språk, samtidig som de opprettholder styring og kontroll. Hva betyr denne endringen for ikke-tekniske forretningsbrukere?

Vi flytter oss fra en verden hvor forretningsbrukere beskriver krav til ingeniør-team og venter på resultater, til en verden hvor brukerne beskriver resultater.

Med eiq360 kan brukerne nå beskrive prosessen de vil forbedre i naturlig språk. Plattformen kan deretter hjelpe med å generere bedrifts-klare arbeidsflyter samtidig som den automatisk anvender styring, sikkerhet, compliance og driftskontroller.

Dette eliminerer ikke IT; det eleveterer IT. Teknologiteamene kan nå fokusere på å definere bedrifts-veggene, gjenbrukbare tjenester og styrings-standarder i stedet for å bygge hver enkelt arbeidsflyt manuelt. Det er en av de viktigste endringene AI bringer til bedriftsprogramvare som vi ser det.

Uttrykket “bedrifts-AI bør føles kjedelig” går mot mye av den nåværende hypen. Hva bør føles kjedelig, forutsigbar eller gjentakende om AI når det brukes til kritiske forretnings-utførelser?

Ingen ønsker at lønn skal være spennende. Ingen ønsker at en forsikringskrav skal være overraskende. Ingen ønsker at en banktransaksjon skal være kreativ.

Bedrifts-AI bør absolutt være innovativ under eksperimentering. Når det kommer i produksjon, bør det bli vidunderlig forutsigbar. Det bør produsere konsistente resultater, forklare sine beslutninger, gjenkjenne når tillit er lav og be om menneskelig inngripen når nødvendig. Den beste bedrifts-AI er ikke den AI alle ønsker å snakke om. Det er den AI ingen legger merke til fordi bedriften fungerer bedre.

Ser fremover, hva vil skille bedrifter som vellykker å operasjonalisere agens-basert AI fra de som blir stående i pilot-modus?

Vinnerne vil ikke nødvendigvis ha de mest avanserte AI-modellene. De vil ha de beste driftsmodellene for AI. De vil redesigne prosesser i stedet for å digitalisere ineffektiviteter, bygge styring før skala og skape gjenbrukbare bedrifts-funksjoner i stedet for isolerte bevis på konsept.

De viktigste vil ikke nødvendigvis ha de mest avanserte AI-modellene. De vil være de som redesigner prosesser i stedet for å digitalisere ineffektiviteter, bygge styring før skala og skape gjenbrukbare bedrifts-funksjoner i stedet for isolerte bevis på konsept. De vil stoppe å tenke på AI som et annet program og begynne å behandle det som en ny arbeidsstyrke som samarbeider med mennesker, systemer og forretningspolitikk. De neste ti årene vil handle om å optimalisere hvordan mennesker, AI-agenter og bedrifts-systemer arbeider sammen.