Arun Hiremath, Chief Business Officer och medgrundare av EvoluteIQ – Intervju-serie

Arun Hiremath, Chief Business Officer och medgrundare av EvoluteIQ, är en teknisk chef och entreprenör med nästan tre decenniers erfarenhet inom företagsautomatisering, produktstrategi, affärsutveckling och telekommunikation. På EvoluteIQ ansvarar han för att driva intäktsökning och stärka kundrelationer, särskilt genom företagets eiq360-verksamhet. Innan han anslöt sig till EvoluteIQ var Hiremath medgrundare och ledare för low-code-plattformen AmperAXP, som integrerades i EvoluteIQ 2021. Hans tidigare karriär omfattade seniora produktledningspositioner på Qualcomm (QCOM ), Ikanos Communications, Conexant Systems och Globespan, samt ansvar för affärsutveckling i Asien och Stilla havet på Tata Elxsi (TATAELXSI.BO ).

EvoluteIQ är ett företag som utvecklar en AI-nativ plattform för automatisering och orkestrering av komplexa, slut-till-slut-företagsprocesser. Deras EIQ-plattform kombinerar agentic AI, generativ AI, process- och beslutsautomatisering, robotisk processautomatisering, intelligent data- och händelsebehandling, företagsintegrationer, analyser och applikationsutveckling inom en low-code/no-code-miljö. Utformad för att ersätta fragmenterade automatiseringsverktyg med en enhetlig arkitektur, hjälper plattformen organisationer att bygga adaptiva arbetsflöden som kopplar samman äldre och moderna system samtidigt som de upprätthåller företagsnivåns styrning, säkerhet och skalbarhet. EvoluteIQ servar organisationer inom olika branscher, inklusive bank, försäkring, hälsovård, telekommunikation, tillverkning, energi och detaljhandel.

I vår tidigare intervju med Sameet Gupte, VD för EvoluteIQ, diskuterade vi EvoluteIQ:s bredare vision för AI-nativ företagsautomatisering. Från din synvinkel, där du arbetar nära kunder, vad har förändrats mest i hur företag tänker på agentic AI sedan det samtalet?

Den största förändringen är att företag har slutat fråga “Kan AI göra detta” och börjat fråga “Kan jag lita på AI att göra detta?”

För ett år sedan fokuserade de flesta samtal på vilken modell som hade vilka funktioner. Kunder är mycket mer pragmatiska nu. De vill veta om AI kan koordinera människor, applikationer, policys, godkännanden, regelefterlevnad och andra agenter kring ett mätbart affärsresultat.

Schadeståndshantering är ett bra exempel. AI i sig är inte nödvändigtvis den svåra delen. Utmaningen är att utforma hur autonoma agenter arbetar sida vid sida med människor och inom IT-styrning över flera system, team och undantag.

Många företag verkar fortfarande behandla AI som ett annat programlager som läggs till ovanpå befintliga arbetsflöden. Varför är det tillvägagångssättet begränsande, och hur ser det ut när ett företag omformar en process kring autonom utförande från början?

Att lägga till AI på en trasig process gör att du kan nå fel resultat snabbare.

Många företagsarbetsflöden utformades för 20 år sedan kring manuell beslutsfattning. Att lägga till AI som ett ytterligare steg kan optimera processen, men det förvandlar den inte. Den bättre frågan är vilka beslut som verkligen kräver en människa i loopet och vilka som kan delegeras till autonoma agenter.

I utgiftshantering, till exempel, kan AI utvärdera policys, utgiftsmönster, anställdas historia och stöddokument. Rutinmässiga anspråk kan godkännas på några minuter, medan ovanliga fall eskaleras till chefer.

Du har hävdat att många kunder inte har ett leverantörsproblem så mycket som ett driftsmodellsproblem. Vilka är de vanligaste organisatoriska problemen som förhindrar företags AI från att skalas bortom piloter?

De flesta företag har inte en AI-brist; de har en ägarbrist.

IT äger infrastrukturen. Företaget äger processen. Säkerhet äger styrningen. Datateam äger modellerna. Drift äger utförandet. Men ingen äger nödvändigtvis hur alla dessa bitar kommer samman för att leverera en autonom affärsprocess. Det som saknas är ett enhetligt sätt att sätta tekniken i arbete.

Det är därför piloter ofta blir isolerade framgångar. Organisationer som lyckas skala automatisering förändrar sina driftsmodeller, inte bara köper mer teknologi. De skapar tvärfunktionella team som gemensamt äger affärsresultat snarare än enskilda system. Den viktiga frågan är: Vem äger resultatet, och vem är ansvarig för att leverera det?

Var drar du gränsen mellan användbar automatisering, intelligent automatisering och sann agentic automatisering?

Jag ser dem som tre mognadsstadier. Automatisering följer instruktioner. Intelligent automatisering förstår den information som tillhandahålls. Agentic automatisering förstår affärsobjektivet och arbetar mot resultatet.

I fakturabearbetning följer traditionell automatisering instruktioner mellan system. Intelligent automatisering läser fakturor, extraherar data och flaggar inkonsekvenser. Sedan kan agentic automatisering identifiera saknad information, kommunicera med leverantörer, tillämpa affärsprinciper, hantera undantag, erhålla godkännanden och slutföra processen.

Skillnaden är inte bara att AI är smartare. Skillnaden är att det äger resultatet snarare än en uppgift.

Företagsledare är under tryck för att visa AI-avkastning snabbt, men komplex processomvandling tar tid. Hur bör företag balansera hastighet, styrning och långsiktig driftsmodellsförändring?

Hastighet utan styrning skapar risk. Styrning utan hastighet skapar frustration. Företag måste balansera båda.

Företag bör börja med en affärsprocess som betyder något – något som kan demonstrera mätbart värde – men bygga det på en grund som stöder styrning, säkerhet, observerbarhet och regelefterlevnad. Den initiala lösningen bör inte bli en annan silo.

Felet är att tro att styrning bromsar innovation. God styrning accelererar faktiskt antagande eftersom den skapar förtroende. När rätt kontroller är på plats kan organisationer flytta snabbare och skala med större tillförsikt.

EvoluteIQ har betonat slut-till-slut-processautomatisering snarare än att automatisera isolerade uppgifter. Varför är den distinktionen så viktig när man flyttar från AI-experiment till produktionsdistribution?

Företag upplever inte arbete som enskilda uppgifter, de upplever resultat. Ingen firar för att dokumentextrahering blev 60% snabbare. De firar för att kundregistrering nu tar några timmar istället för två veckor. Att förbättra isolerade uppgifter förändrar ofta bara flaskhalsen någon annanstans.

När intag, validering, godkännanden, beslutsfattning, systemintegrationer och kundkommunikation orkestreras som ett AI-nativt arbetsflöde börjar organisationen se meningsfulla affärsresultat. Att optimera en uppgift förbättrar effektiviteten, men att optimera processen förändrar den övergripande affärsprestationen och kan påverka vinst- och förlustredovisningen.

Molnmarknader blir alltmer distributionskanaler för företags AI. Hur ser du på plattformar som Google Cloud förändrar hur stora organisationer upptäcker, utvärderar, köper och distribuerar AI-nativ automatisering?

Molnmarknader gör för företagsprogramvara vad appbutiker gjorde för konsumenter, men med företagsstyrning inbyggd.

De tar bort friktion över inköp, säkerhetsgranskningar och kommersiella avtal. Organisationer kan också utnyttja befintliga molnengagemang, vilket gör att team kan fokusera mindre på hur man köper programvara och mer på affärsresultaten.

En kund bör inte behöva vänta på en sexmånaders inköpscykel bara för att utvärdera en AI-nativ plattform. Marknader tillåter dem att börja lösa affärsproblem mycket snabbare medan de förblir inom etablerad företagsstyrning.

EvoluteIQ har nyligen betonat eiq360 som en Google Cloud- och Gemini-baserad plattform som kan omvandla affärsavsikt till företagsklara arbetsflöden med hjälp av naturligt språk, samtidigt som den upprätthåller styrning och kontroll. Vad innebär den förändringen för icke-tekniska affärsanvändare?

Vi flyttar från en värld där affärsanvändare beskriver krav till ingenjörsteam och väntar på resultat, till en värld där användare beskriver resultat.

Med eiq360 kan användare nu beskriva den process de vill förbättra med hjälp av naturligt språk. Plattformen kan sedan hjälpa till att generera företagsklara arbetsflöden samtidigt som den automatiskt tillämpar styrning, säkerhet, regelefterlevnad och operativa kontroller.

Det eliminerar inte IT; det höjer IT. Tekniska team kan nu fokusera på att definiera företagsräcken, återanvändbara tjänster och styrfunktioner istället för att manuellt bygga varje arbetsflöde. Det är en av de viktigaste förändringarna som AI för med sig till företagsprogramvaran.

Fraset “företags AI bör kännas tråkig” går emot mycket av den nuvarande hype. Vad bör kännas tråkigt, förutsägbart eller upprepbart om AI när det används för uppdragskritisk affärsutförande?

Ingen vill att löneutbetalningar ska vara spännande. Ingen vill att en försäkringsanspråk ska vara överraskande. Ingen vill att en banktransaktion ska vara kreativ.

Företags AI bör absolut vara innovativ under experiment. När det kommer in i produktion bör det bli underbart förutsägbart. Det bör producera konsekventa resultat, förklara sina beslut, känna igen när förtroendet är lågt och begära mänskligt ingripande när det behövs. Den bästa företags AI är inte den som alla vill prata om. Det är den som ingen lägger märke till för att affärerna bara fungerar bättre.

Om vi blickar framåt, vad kommer att skilja företag som framgångsrikt operationaliserar agentic AI från de som förblir fast i pilotläge?

Vinnarna kommer inte nödvändigtvis att ha de mest avancerade AI-modellerna. De kommer att ha de bästa driftsmodellerna för AI. De kommer att omforma processer istället för att digitalisera ineffektiviteter, bygga styrning innan skala och skapa återanvändbara företagsförmågor snarare än isolerade bevis på koncept.

De viktigaste kommer att sluta se AI som ett annat program och börja behandla det som en ny arbetskraft som samarbetar med människor, system och affärsprinciper. De kommande decennierna kommer att handla om att optimera hur människor, AI-agenter och företagssystem arbetar tillsammans.