Arun Hiremath, Chief Business Officer i współzałożyciel EvoluteIQ – seria wywiadów

Arun Hiremath, Chief Business Officer i współzałożyciel EvoluteIQ, jest executive i przedsiębiorcą z prawie trzema dekadami doświadczenia w dziedzinie automatyzacji przedsiębiorstw, strategii produktów, rozwoju biznesu i telekomunikacji. W EvoluteIQ jest odpowiedzialny za napędzanie wzrostu przychodów i umacnianie relacji z klientami, szczególnie poprzez biznes eiq360. Przed dołączeniem do EvoluteIQ Hiremath współzałożył i kierował dostawcą platformy low-code AmperAXP, który został zintegrowany z EvoluteIQ w 2021 roku. Jego wcześniejsza kariera obejmowała stanowiska kierownicze w zarządzaniu produktami w Qualcomm (QCOM ), Ikanos Communications, Conexant Systems i Globespan, a także odpowiedzialność za rozwój biznesu w regionie Azji i Pacyfiku w Tata Elxsi (TATAELXSI.BO ).

EvoluteIQ jest firmą oprogramowania przedsiębiorstw, która rozwija platformę AI-native do automatyzacji i orchestracji złożonych, kompleksowych procesów biznesowych. Jej platforma EIQ łączy agentic AI, generative AI, automatyzację procesów i decyzji, automatyzację robotyczną, inteligentną przetwarzanie danych i zdarzeń, integracje przedsiębiorstw, analitykę i rozwój aplikacji w środowisku low-code/no-code. Zaprojektowana do zastąpienia fragmentowanych narzędzi automatyzacji jednolitą architekturą, platforma pomaga organizacjom budować adaptacyjne przepływy pracy, które łączą systemy legacy i nowoczesne, przy zachowaniu przedsiębiorstwowych standardów zarządzania, bezpieczeństwa i skalowalności. EvoluteIQ obsługuje organizacje z różnych branż, w tym bankowości, ubezpieczeń, opieki zdrowotnej, telekomunikacji, produkcji, energii i handlu detalicznego.

W naszym poprzednim wywiadzie z Sameet Gupte, CEO EvoluteIQ, omawialiśmy szerszą wizję EvoluteIQ dotyczącą automatyzacji przedsiębiorstw AI-native. Z Twojego punktu widzenia, pracując ściśle z klientami, co najbardziej zmieniło się w sposobie myślenia przedsiębiorstw o agentic AI od tego czasu?

Największa zmiana polega na tym, że przedsiębiorstwa przestały pytać, “Czy AI może to zrobić” i zaczęły pytać, “Czy mogę zaufać AI, aby to zrobić?”

Rok temu większość rozmów koncentrowała się na tym, jaki model miał jakie możliwości. Klienci są teraz znacznie bardziej pragmatyczni. Chcą wiedzieć, czy AI może koordynować ludzi, aplikacje, polityki, zatwierdzenia, zgodność i innych agentów wokół mierzonego wyniku biznesowego.

Przetwarzanie roszczeń jest dobrym przykładem. Samo AI nie jest koniecznie trudne. Wyzwaniem jest zaprojektowanie, jak autonomiczni agenci pracują obok ludzi i w ramach zarządzania IT w wielu systemach, zespołach i wyjątkach.

Wiele firm nadal traktuje AI jako kolejną warstwę oprogramowania dodaną na górze istniejących przepływów pracy. Dlaczego taki podejście jest ograniczające, a co się dzieje, gdy przedsiębiorstwo przebudowuje proces wokół autonomicznej realizacji od samego początku?

Umieszczenie AI na górze złamanego procesu pozwala jedynie osiągnąć niewłaściwy wynik szybciej.

Wiele przedsiębiorstwowych przepływów pracy zostało zaprojektowanych 20 lat temu wokół podejmowania decyzji ręcznych. Dodanie AI jako kolejnego kroku może zoptymalizować proces, ale nie zmienia go. Lepszym pytaniem jest, które decyzje wymagają naprawdę udziału człowieka, a które mogą być bezpiecznie delegowane do autonomicznych agentów.

W zarządzaniu wydatkami, na przykład, AI może ocenić polityki, wzorce wydatków, historię pracowników i dokumenty wspierające. Rutynowe roszczenia mogą być zatwierdzone w ciągu kilku minut, podczas gdy tylko nietypowe przypadki są eskalowane do menedżerów.

Utwierdziłeś, że wiele klientów nie ma problemu z dostawcą, ale raczej z modelem operacyjnym. Jakie są najczęstsze problemy organizacyjne, które uniemożliwiają przedsiębiorstwom AI skalowanie poza pilotażem?

Większość przedsiębiorstw nie ma niedoboru AI; mają one niedobór własności.

IT posiada infrastrukturę. Biznes posiada proces. Bezpieczeństwo posiada zarządzanie. Zespoły danych posiadają modele. Operacje posiadają wykonanie. Ale nikt koniecznie nie posiada sposobu, w jaki wszystkie te elementy łączą się, aby dostarczyć autonomiczny proces biznesowy. To, co brakuje, to ujednolicony sposób wykorzystania technologii.

Dlatego pilotaż często staje się izolowanym sukcesem. Organizacje, które z powodzeniem skalują automatyzację, zmieniają swoje modele operacyjne, a nie po prostu kupują więcej technologii. Tworzą zespoły międzyfunkcyjne, które wspólnie posiadają wyniki biznesowe, a nie poszczególne systemy. Ważne pytanie brzmi: Kto posiada wynik, a kto jest odpowiedzialny za jego dostarczenie?

Gdzie rysujesz granicę między użyteczną automatyzacją, inteligentną automatyzacją a prawdziwą automatyzacją agentic?

Traktuję je jako trzy etapy dojrzałości. Automatyzacja wykonuje polecenia. Inteligentna automatyzacja rozumie informacje, które są dostarczane. Automatyzacja agentic rozumie cel biznesowy i pracuje w kierunku osiągnięcia wyniku.

W przetwarzaniu faktur tradycyjna automatyzacja kopiuję informacje między systemami. Inteligentna automatyzacja odczytuje faktury, wyodrębnia dane i flaguje nieścisłości. Następnie automatyzacja agentic może zidentyfikować brakujące informacje, skontaktować się z dostawcami, zastosować polityki biznesowe, obsłużyć wyjątki, uzyskać zatwierdzenia i ukończyć proces.

Różnica nie polega tylko na tym, że AI jest bardziej inteligentne. Różnica polega na tym, że AI posiada wynik, a nie tylko jeden zadanie.

Liderzy przedsiębiorstw są pod presją, aby szybko wykazać zwrot z inwestycji w AI, ale złożona transformacja procesów wymaga czasu. Jak firmy powinny balansować szybkość, zarządzanie i długoterminową zmianę modelu operacyjnego?

Szybkość bez zarządzania tworzy ryzyko. Zarządzanie bez szybkości tworzy frustrację. Przedsiębiorstwa muszą balansować oba te elementy.

Firmy powinny zacząć od procesu biznesowego, który ma znaczenie – czegoś, co może wykazać wymierne korzyści, ale zbudować go na fundamencie, który wspiera zarządzanie, bezpieczeństwo, obserwowalność i zgodność. Początkowe rozwiązanie nie powinno stać się kolejną enklawą.

Błąd polega na tym, że zarządzanie spowalnia innowacje. Dobre zarządzanie przyspiesza wdrożenie, ponieważ tworzy zaufanie. Gdy odpowiednie kontrole są na miejscu, organizacje mogą poruszać się szybciej i skalować z większą pewnością.

EvoluteIQ podkreśla automatyzację procesów end-to-end, a nie automatyzację izolowanych zadań. Dlaczego ta różnica jest tak ważna, gdy przechodzimy od eksperymentowania z AI do wdrożenia w produkcji?

Przedsiębiorstwa nie doświadczają pracy jako poszczególne zadania, doświadczają wyników. Nikt nie świętuje, ponieważ ekstrakcja dokumentów stała się 60% szybsza. Świętują, ponieważ proces onboardingu klienta teraz zajmuje kilka godzin, a nie dwa tygodnie. Ulepszanie izolowanych zadań często tylko przenosi wąskie gardło w innym miejscu.

Gdy intake, walidacja, zatwierdzenia, podejmowanie decyzji, integracje systemów i komunikacja z klientem są orchestrowane jako jeden przepływ pracy AI-native, organizacja zaczyna widzieć znaczące wyniki biznesowe. Optymalizacja zadania poprawia wydajność, ale optymalizacja procesu zmienia całkowity wynik biznesowy i może wpłynąć na zysk.

Rynki chmury stają się coraz bardziej kanałami dystrybucji dla przedsiębiorstw AI. Jak widzisz, że platformy takie jak Google Cloud zmieniają sposób, w jaki duże organizacje odkrywają, oceniają, kupują i wdrażają automatyzację AI-native?

Rynki chmury robią dla oprogramowania przedsiębiorstw to, co sklepy z aplikacjami zrobiły dla konsumentów, ale z wbudowanym zarządzaniem przedsiębiorstw.

Usuwa się tarcie w procesach zakupu, przeglądach bezpieczeństwa i umowach handlowych. Organizacje mogą również wykorzystywać istniejące zobowiązania chmury, co pozwala zespołom skupić się mniej na tym, jak kupić oprogramowanie, a bardziej na wynikach biznesowych.

Klient nie powinien czekać przez sześciomiesięczny cykl zakupowy, aby tylko ocenić platformę AI-native. Rynki pozwalają im zacząć rozwiązywać problemy biznesowe znacznie szybciej, przy zachowaniu ustalonych ram zarządzania przedsiębiorstw.

EvoluteIQ niedawno podkreślił eiq360 jako platformę opartą na Google Cloud i Gemini, która może przekształcić intencje biznesowe w przepływy pracy gotowe do użycia w przedsiębiorstwie przy użyciu języka naturalnego, przy zachowaniu zarządzania i kontroli. Co to oznacza dla nietechnicznych użytkowników biznesowych?

Przechodzimy ze świata, w którym użytkownicy biznesowi opisują wymagania zespołom inżynierskim i czekają na wyniki, do świata, w którym użytkownicy opisują wyniki.

Z eiq360 użytkownicy mogą teraz opisać proces, który chcą ulepszyć, w języku naturalnym. Platforma może następnie pomóc w wygenerowaniu przepływów pracy gotowych do użycia w przedsiębiorstwie, przy automatycznym stosowaniu zarządzania, bezpieczeństwa, zgodności i kontroli operacyjnej.

To nie eliminuje IT; to podnosi IT. Zespoły technologiczne mogą teraz skupić się na definiowaniu przedsiębiorstwowych barier, usług wielokrotnego użytku i standardów zarządzania, zamiast ręcznego budowania każdego przepływu pracy. To jedna z najważniejszych zmian, jakie AI wprowadza do oprogramowania przedsiębiorstw, jak je widzimy.

Wyrażenie „AI przedsiębiorstw powinno być nudne” stoi w sprzeczności z większością obecnej hiperbolizacji. Co powinno być nudne, przewidywalne lub powtarzalne w AI, gdy jest używana do misji-krytycznej realizacji biznesu?

Nikt nie chce, aby wynagrodzenie było ekscytujące. Nikt nie chce, aby roszczenie ubezpieczeniowe było zaskakujące. Nikt nie chce, aby transakcja bankowa była kreatywna.

AI przedsiębiorstw powinno być absolutnie innowacyjne podczas eksperymentowania. Gdy wejdzie do produkcji, powinno stać się wspaniale przewidywalne. Powinno produkować spójne wyniki, wyjaśniać swoje decyzje, rozpoznawać, kiedy zaufanie jest niskie, i żądać interwencji ludzkiej, gdy jest to konieczne. Najlepsze AI przedsiębiorstw to nie to, o którym wszyscy chcą mówić. To AI, której nikt nie zauważa, bo po prostu biznes działa lepiej.

Spójrzając w przyszłość, co będzie oddzielać przedsiębiorstwa, które z powodzeniem operacjonalizują AI agentic, od tych, które pozostaną zakleszczone w trybie pilotażu?

Zwycięzcy nie będą koniecznie mieli najbardziej zaawansowanych modeli AI. Będą to ci, którzy mają najlepsze modele operacyjne dla AI. Przebudują procesy, a nie zcyfryzują niewydajności, zbudują zarządzanie przed skalowaniem i stworzą możliwości przedsiębiorstw, które mogą być ponownie wykorzystane, zamiast izolowanych pojęć.

Najważniejsze jest to, że przestaną myśleć o AI jako o kolejnej aplikacji i zaczną traktować ją jako nową siłę roboczą, która współpracuje z ludźmi, systemami i politykami biznesowymi. Następna dekada będzie dotyczyć optymalizacji współpracy między ludźmi, agentami AI i systemami przedsiębiorstw.