Vijay Rayapati, CEO og medgrunnlegger av Atomicwork – Intervju-serie

Vijay Rayapati er medgrunnlegger og CEO av Atomicwork. Før han grunnla selskapet, var han Senior Vice President og General Manager i Nutanix, der han ledet End User Computing-forretningsområdet etter at Nutanix hadde kjøpt Frame, det skybaserte skrivebordselskapet han hadde grunnlagt og utviklet som CEO. Tidligere i karrieren hadde han ingeniør- og produktlederroller i VMware og Microsoft, noe som ga ham stor erfaring med å bygge bedriftsinfrastruktur og slutbrukerplattformer. Hans bakgrunn omfatter skyinfrastruktur, bedriftsprogramvare og AI-drevet arbeidsplasseteknologi, noe som gjør ham til en kjent grunnlegger i bedrifts-IT-miljøet.

Atomicwork er et bedrifts-AI-selskap som bygger en agensbasert IT-tjenestehåndteringplattform som hjelper ansatte med å løse tekniske problemer, automatisere rutinemessige støtteoppgaver og få tilgang til bedrifts kunnskap gjennom AI. Plattformen kombinerer AI-agenter med moderne ITSM-kapasiteter for å håndtere tjenesteforespørsler, feilsøke problemer, orchestrere arbeidsflyter over bedriftssystemer og redusere byrden på IT-teamene. Kunder bruker Atomicwork for å levere raskere støtte til ansatte samtidig som de forbedrer operasjonell effektivitet over IT- og bedriftsoperasjoner.

Tidligere var du medgrunnlegger av Minjar, bygde opp deres bedrifts skytjenesteforvaltning og ledet deretter driften i Nutanix etter oppkjøpet. Hva var det som lærte deg av å bygge, selge og integrere et bedriftsprogramvareselskap som overbeviste deg om å grunnlegge Atomicwork i 2022 og bygge om IT-tjenestehåndtering fra bunnen av for AI-æraen?

I Minjar bygde vi programvare som kunne kutte et selskaps skyregning med en tredjedel gjennom automatisering. Kunder elsket anbefalingene. Deretter satt de på dem i to kvartaler. Det tok meg en stund å forstå hvorfor, og svaret var ikke teknisk. Når automatisering tar en beslutning og det går galt, er det ingen å holde ansvarlig for. Bedrifter kjøper ikke bare programvare eller resultater. De kjøper noen å svare for dem. Programvare uten en plass på orgkartet får ingen autoritet, uansett hvor god den er.

Oppkjøpet lærte meg en smalere lekse. Punktprodukter kjøpes. Systemer for registrering bygges på. Du kan være det bedre produktet og likevel tilbringe livet ditt med å route rundt hvem som eier arbeidsflyten.

Nutanix-årene satte de to sammen. Jeg så IT kjøpe tjenestehåndtering for kontroll og ansatte oppleve det som en skjema og en kø. Jeg forsto også at billetten var aldri produktet. Audit-sporingen var det. Derfor overlevde ITSM førti år med at folk hatet det, og det er også hvorfor ingen kunne fjerne det.

Så spørsmålet i 2022 var ikke om AI kunne gjøre jobben. Det var om du kunne gi AI en plass på orgkartet. Arv ITSM-plattformer kan ikke, fordi en menneskelig tildeler sitter i sentrum av deres datamodell og hver SLA, godkjenning og rapport henger av den antagelsen. Fest AI på og du får en raskere skjema.

Vi bygde for det andre svaret hvor AI levere en hybrid-arbeidsstyrke, ikke bare programvare. AI-kolleger gjør jobben, og IT styrer dem på samme måte som HR styrer mennesker. Du konfigurerer ikke en AI-kollega. Du ansatter den i en rolle, gjennomgår dens arbeid og trekker den tilbake hvis den ikke prestere. Det er forskjellen på AI som en funksjon og AI som en arbeidsstyrke.

Atomicwork beskriver sine AI-kolleger som systemer som eier definerte jobbroller og fullfører arbeid fra start til slutt, i stedet for bare å svare på spørsmål eller utføre isolerte oppgaver. Hva er de tekniske evnene som skiller en ekte AI-kollega fra en chatbot, copilot eller tradisjonell automatiseringsverktøy, og hvor bør dens autonomi slutte?

En chatbot svarer på et spørsmål, og en copilot hjelper noen med å fullføre en oppgave, men ingen av dem er ansvarlig for å føre arbeidet gjennom til fullførelse. En AI-kollega er annerledes fordi den er tildelt en definert rolle og forventes å levere en resultater. Uansett om det er å triage hendelser, å gi tilgang eller å onboard ansatte, fortsetter den å arbeide over hver trinn for å nå målet, i stedet for å stoppe etter den første vendingen.

Dette krever mye mer enn et kapabelt modell. En AI-kollega trenger en identitet, riktige tillatelser, tilgang til godkjente verktøy, organisatorisk kontekst, en budsjett og klare operasjonelle grenser og dens rolle. Den må arbeide over bedriftssystemer, forstå når (og hvem) å be om godkjenning og etterlate en audit-sporing etter hver handling. Derfor har vi fokusert så mye på plattformen rundt modellen. Pålidelig AI avhenger like mye av orkestrering, styring og gjennomføring som intelligens.

Autonomi bør aldri være ubegrenset. En AI-kollega bør operere innenfor ansvarsgrensene for dens jobbrolle, mens mennesker er involvert når arbeidet påvirker sensitive systemer eller har juridiske, finansielle eller ansettelsesmessige implikasjoner.

Deres plattform tillater spesialiserte AI-kolleger å samarbeide over hendelseshåndtering, tilgangsbevilgning, onboarding og IT-operasjoner. Hvordan deler disse AI-kollegene ansvar, deler kontekst og gjenoppretter når en AI-kollega tar en feil beslutning som kan påvirke resten av arbeidsflyten?

Vi tror ikke at en AI-kollega bør prøve å gjøre alle jobbene. IT-organisasjoner skiller allerede ansvar over forskjellige team fordi hver rolle har forskjellige mål, tillatelser og ekspertise. Vi har anvendt samme tenkning til AI-kolleger, noe er grunnen til at vi lanserte med sertifiserte AI-kolleger som spesialiserer seg i forskjellige IT-operasjonelle områder.

Hver kollega eier en spesifikk funksjon mens den deler samme bedriftskontekst. Når en ansatt oppretter en billett i Atomicwork, sikrer smart routing at den blir sendt til riktig AI-kollega som arbeider med forespørselen og (avhengig av forespørselen) tilordner den til en annen AI-kollega, oppretter underbilletter for AI-kolleger å løse problemet parallelt (for eksempel kan en onboarding-billett deles inn i aktiviteter som kan arbeides med parallelt) eller eskalerer den til et menneske. Mens arbeidet flytter fra en kollega til en annen, flytter relevant informasjon med det gjennom billetten (systemet for registrering), sammen med tilgang til relevante systemer som tjenestedesken, identitetsplattformer, HR-systemer og samarbeidsverktøy. Den delte konteksten lar hver kollega ta beslutninger basert på hva som allerede har skjedd, i stedet for å starte fra scratch.

Atomicwork støtter forskjellige agent-rammer og modeller fra leverandører som OpenAI, Anthropic og Google. Hvordan bestemmer du hvilket modell som skal håndtere innhenting, resonnering, planlegging og gjennomføring, og hvordan kan bedrifter opprettholde konsistent atferd når de underliggende modellene fortsetter å endre seg?

Forskjellige modeller er gode til forskjellige typer arbeid. Vårt fokus har vært på å bygge en plattform som kan dra nytte av fremgang uten å tvinge kundene til å redesigne sine arbeidsflyter hver gang en modell endres. Bedriftskontekst, orkestrering, identitet, politikkenhet, telemetri og evaluering gir konsistensen som organisasjonene trenger i produksjon, uansett hvilket modell som sitter under.

Vi har offentlig diskutert støtte for flere modell-leverandører sammen med evaluering-rammer og styring, men vi har ikke beskrevet routing-logikken som bestemmer hvilket modell som håndterer innhenting, resonnering, planlegging eller gjennomføring. Vi har heller ikke delt valideringsprosessen vi bruker når leverandører slipper nye modeller og oppdateringer.

En bedrifts AI-agent kan møte på motstridende dokumentasjon, ufullstendige konfigurasjonsopptegnelser, foreldet kunnskap, og forskjellige tillatelser over systemer. Hvordan bestemmer Atomicworks Universal Context-lag hvilken informasjon som er pålitelig og aktuell før den tillater en agent å ta en beslutning eller utføre en handling?

Bedrifts kunnskap finnes sjelden på ett sted. Noen av den bor i dokumentasjon, noen i systemer for registrering og noen innen dag-til-dag-aktiviteten til bedriften. AI trenger all denne konteksten hvis den skal ta pålitelige beslutninger.

Universal Context bringer disse kildene sammen ved å kombinere bedrifts kunnskap med personer, nettverk, infrastruktur og enhetsdata fra live-operasjonelle systemer. En AI-kollega kan referere informasjon fra plattformer som Confluence eller SharePoint, MDM-er som Intune og JAMF, mens den også forstår hva som skjer i systemer som Jira, Workday, Salesforce eller identitetsleverandører. Den respekterer også eksisterende tillatelser, så mennesker og AI-kolleger bare får tilgang til informasjon de allerede er autorisert til å se.

Vi har forklart hvordan Universal Context kobler bedriftssystemer og bevare sikkerhetsgrenser, men vi har ikke beskrevet hvordan den løser motstridende informasjon når pålitelige kilder er uenige eller hvordan den bestemmer hvilken kilde som bør ha forrang. Disse implementeringsdetaljene er ikke en del av vår offentlige dokumentasjon.

Den universelle AI-kollega kan støtte ansatte gjennom Microsoft Teams, Slack, e-post, nettleser, portal og via chat, stemme og visuelle moduser. Hva nye feilsøkingsmuligheter blir mulige når en agent kan se og høre hva ansatte opplever, og hvordan kan du forhindre at sensitive skjerminnhold eller samtaler blir avdekket?

Tradisjonell IT-støtte avhenger av at ansatte beskriver tekniske problemer nøyaktig, og det er ofte det hardeste delen av interaksjonen. Stemme- og visuell kontekst lar AI se samme feilmelding, applikasjon eller konfigurasjonsskjermbildet ansatte ser på, noe som gjør det mye lettere å forstå problemet og guide noen gjennom neste trinn uten en lang tilbake-og-frem-over-tilbake-samtale.

Disse mulighetene fungerer bare hvis ansatte stoler på dem. Vi tror at visuell tilgang bør kreve eksplisitt samtykke og brukere bør alltid vite når det er aktivt. Følsom informasjon beskyttes gjennom PII-masking, administrative kontroller og passende oppbevaringspolitikker.

Vi har også vært klare på at kundedata ikke brukes til å trene våre modeller eller tredjeparts grunnmodeller. Dette gir organisasjonene mulighet til å adoptere multimodal AI uten å gi avkall på kontroll over sine data.

Atomicwork kan deployeres sammen med en eksisterende ServiceNow eller Jira Service Management-miljø uten å kreve en umiddelbar migrering. Ser du dette primært som en overgangsstrategi, eller vil mange bedrifter permanent operere en AI-arbeidsstyrke over sine legacy-systemer for registrering?

De fleste store bedrifter har brukt år på å bygge prosesser, integrasjoner og styring rundt plattformer som ServiceNow og Jira Service Management. Å kreve at de erstatter disse systemene før de kan adoptere AI, skaper unødvendig friksjon.

Vi bygde Atomicwork-integrasjonene med ServiceNow og Jira Service Management så kundene kan transformere ansatt-erfaringen og forbedre sine tjenesteteam med AI-kolleger fra dag én, uten å forstyrre systemene de allerede er avhengige av. Connector trekker inn relevant bedrifts-IT-kontekst for AI-kolleger å utnytte, mens den opprettholder en toveisk sync for tjenesteanter i deres eksisterende system. Vi tror ikke at bedrifter bør velge en vei på dag én. Prioriteten er å hjelpe dem med å adoptere AI på deres egen tidslinje.

Å gi AI-kolleger tilgang til identitetssystemer, ansattdata, infrastruktur og forretningsapplikasjoner introduserer risikoer som prompt-injeksjon, forgiftet kunnskapskilder, overflodige tillatelser og kaskaderende agentfeil. Hva er de essensielle sikkerhetstiltakene, godkjenningsgrensene og revisjonsmekanismene før en bedrift kan trygt tillate agenter å operere autonomt?

AI-kolleger styres som ansatte med privilegert tilgang. Hver kollega har en definert rolle, begrensede tillatelser, godkjente verktøy, budsjetter og klare grenser for hva den kan gjøre uavhengig. Følsomme handlinger – spesielt de som involverer identitet, infrastruktur, finansielle eller ansettelsesmessige aspekter – krever menneskelig godkjenning.

Ferdigheter og instruksjoner er verifisert før publisering for risikoer som prompt-injeksjon, skjulte instruksjoner, kredensialtilgang, datalekkasje og farlige handlinger. Hvis et verktøy endres på en måte som øker risikoen, blir det automatisk deaktivert til den er gjennomgått. Ytterligere sikkerhetstiltak – inkludert handlingsgrensene, duplikat-handling-forhindring, nødavstengningskontroller og menneskelig overtakelse – hjelper med å begrense feil før de kan spre seg.

Hver handling er sporbar: organisasjoner kan se hva som utløste kollegaen, hvilken informasjon og verktøy den brukte, hvilke godkjenninger som ble innhentet og hvilket resultat fulgte. Kontinuerlig evaluering, overvåking og red-team-testing sikrer at disse sikkerhetstiltakene forblir effektive når modeller, verktøy og bedriftsmiljøer utvikler seg.

Vi har investert tungt i evaluering, politikkenhet, overvåking og red-team-testing fordi å deployere AI bare er begynnelsen. Organisasjoner trenger tillit til at kollegaene fortsetter å oppføre seg som forventet når modeller og bedriftsmiljøer utvikler seg.

Atomicworks State of AI in IT 2026-rapport fant at to tredeler av IT-proffene rapporterte positive avkastninger fra AI-investeringer, mens bare en av fem organisasjoner har fullt ut integrert AI i sine tjenestehåndteringsteam. Hva skiller deployeringer som produserer målbare forretningsverdi fra piloter som forblir fast i eksperiment?

De fleste organisasjonene har allerede vist at AI kan forbedre enkeltstående oppgaver. Selskapene som ser målbare forretningsverdi, kobler AI til fullstendige operasjonelle arbeidsflyter, i stedet for å bruke det som en selvstendig assistent.

Dette starter med å løse et spesifikt forretningsproblem ved å tenke i roller, gi AI-kolleger tilgang til systemene de trenger og måle resultater som teller – enten det er raskere løsningstider, lavere støttekostnader eller en bedre ansatt-erfaring. Når teamene stoler på disse resultater, blir det mye lettere å utvide AI over flere arbeidsflyter.

Vår forskning fant også at ansvarlig AI fortsatt er en av de høyeste prioritetene for IT-ledere. Dette har mening fordi organisasjonene ikke vil gi AI mer ansvar hvis de ikke forstår hvordan det tar beslutninger, kan gjennomgå disse beslutningene etterpå og vite at riktige retningslinjer er på plass.

Når AI-kolleger begynner å løse støtteforespørsler, håndtere tilgang, diagnostisere hendelser og koordinere arbeidsflyter, hvordan vil ansvarighetene til tjenestedeskanter, IT-operasjonsteam og IT-direktører endre seg? Ser du videre, kan IT bli avdelingen som er ansvarlig for å ansette, styre og måle hele bedriftens digitale arbeidsstyrke?

AI vil overta mye av det repetitive operasjonelle arbeidet som forbruker dagens tjenestedesker, og lar mennesker bruke mer tid på å håndtere unntak, forbedre prosesser og finpusse kunnskapen AI avhenger av.

IT-operasjonsteamene vil økende fokusere på å styre AI-kolleger i stedet for å manuelt utføre hver arbeidsflyt. De vil definere tillatelser, koble systemer, overvåke ytelse og sikre at AI fortsetter å operere innen etablerte retningslinjer.

Jeg forventer også at IT-direktørens rolle vil utvides. Å styre hundrevis av AI-kolleger begynner å ligne å styre andre bedriftsinfrastruktur. Noen må bestemme hva kollegaene kan få tilgang til, hvordan de måles, når de oppdateres og om de leverer verdi. Forretnings-teamene vil fortsette å definere arbeidet, mens IT blir HR for AI, dvs. ansvarlig for plattformen, styringen og de operasjonelle kontrollene som holder en bedrifts AI-arbeidsstyrke i gang trygt.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Atomicwork.