Vijay Rayapati, VD och medgrundare av Atomicwork – Intervjuserie

Vijay Rayapati är medgrundare och VD för Atomicwork. Innan han grundade företaget tjänstgjorde han som Senior Vice President och General Manager för Cloud Networking and Security‑verksamheten på Nutanix, efter Nutanix förvärv av Minjar, molnhanteringsplattformen som han grundade och skötte som VD. Tidigare i sin karriär hade han ingenjörs‑ och produktledarroller på Kuliza och Trilogy, vilket gav honom djup erfarenhet av att bygga företagsinfrastruktur och mjukvaruapplikationer. Hans bakgrund spänner över molninfrastruktur, företagsprogramvara och AI‑arbetskraftsteknologi, vilket gör honom till en välkänd grundare inom företags‑IT‑området.

Atomicwork är ett företag inom företags‑AI som bygger en agentbaserad IT‑servicehanteringsplattform som hjälper anställda att lösa tekniska problem, automatisera rutinmässiga supportuppgifter och få tillgång till företagskunskap via AI. Plattformen kombinerar AI‑agenter med moderna ITSM‑funktioner för att hantera serviceförfrågningar, felsöka problem, orkestrera arbetsflöden över företagsystem och minska bördan för IT‑team. Kunder använder Atomicwork för att leverera snabbare medarbetarsupport samtidigt som de förbättrar driftseffektiviteten inom IT och affärsverksamheter.

Du grundade tidigare Minjar, byggde dess företags‑molnhanteringsverksamhet och ledde sedan driften på Nutanix efter förvärvet. Vilka lärdomar från att bygga, sälja och integrera ett företagsprogramvaruföretag övertygade dig om att grunda Atomicwork 2022 och bygga om IT‑servicehantering från grunden för AI‑eran?

På Minjar byggde vi mjukvara som kunde minska ett företags molnkostnad med en tredjedel genom automatisering. Kunderna älskade rekommendationerna. Sedan låg de kvar i två kvartal. Det tog ett tag för mig att förstå varför, och svaret var inte tekniskt. När automatisering fattar ett beslut och det går fel finns ingen att hålla ansvarig. Företag köper inte bara mjukvara eller resultat. De köper någon som kan stå för dem. Mjukvara som saknar en plats i organisationsschemat får ingen auktoritet, oavsett hur bra den är.

Förvärvet lärde mig en mer snäv insikt. Punktprodukter köps. Registersystem byggs på. Du kan vara den bättre produkten och ändå tillbringa ditt liv med att gå runt den som äger arbetsflödet.

Nutanix‑åren kombinerade de två. Jag såg hur IT köpte servicehantering för kontroll och hur anställda upplevde det som ett formulär och en kö. Jag insåg också att ärendet aldrig var produkten. Det var spårningsloggen. Det är därför ITSM har överlevt fyrtio år av motvilja, och också varför ingen kunde ta bort det.

Så frågan 2022 var inte om AI kunde utföra arbetet. Det handlade om huruvida du kunde ge AI en plats i organisationsschemat. Äldre ITSM‑plattformar kan inte det, eftersom en mänsklig tilldelad sitter i centrum av deras datamodell och varje SLA, godkännande och rapport hänger på den förutsättningen. Koppla på AI så får du ett snabbare formulär.

Vi byggde för det andra svaret där AI levererar en hybridarbetskraft, inte bara mjukvara. AI‑medarbetare utför arbetet, och IT styr dem på samma sätt som HR styr människor. Du konfigurerar inte en AI‑medarbetare. Du anställer den i en roll, granskar dess arbete och återkallar den om den inte presterar. Det är skillnaden mellan AI som en funktion och AI som en arbetskraft.

Atomicwork beskriver sina AI‑medarbetare som system som äger definierade arbetsroller och slutför arbete från början till slut, snarare än att bara svara på frågor eller utföra isolerade uppgifter. Vilka tekniska förmågor skiljer en genuin AI‑medarbetare från en chatbot, en copilot eller ett traditionellt automatiseringsverktyg, och var bör dess autonomi sluta?

En chatbot svarar på en fråga, och en copilot hjälper någon att slutföra en uppgift, men ingen av dem är ansvarig för att föra arbetet till fullbordan. En AI‑medarbetare är annorlunda eftersom den tilldelas en definierad roll och förväntas leverera ett resultat. Oavsett om den triagerar incidenter, provisionerar åtkomst eller introducerar anställda, fortsätter den arbeta genom varje steg för att nå målet i stället för att stanna efter första steget.

Det kräver mycket mer än en kapabel modell. En AI‑medarbetare behöver en identitet, rätt behörigheter, åtkomst till godkända verktyg, organisatorisk kontext, en budget och tydliga operativa gränser för sin roll. Den måste kunna arbeta över affärssystem, förstå när (och vem) den ska be om godkännande och lämna ett spårningslogg för varje åtgärd. Det är därför vi har fokuserat så starkt på plattformen kring modellen. Tillförlitlig AI beror på orkestrering, styrning och verkställande lika mycket som på intelligens.

Autonomi bör aldrig vara obegränsad. En AI‑medarbetare bör verka inom ramen för sina arbetsuppgifter, medan människor förblir involverade när arbete påverkar känsliga system eller innebär juridiska, finansiella eller anställningsrelaterade konsekvenser.

Din plattform låter specialiserade AI‑medarbetare samarbeta inom incidenthantering, åtkomstprovisionering, onboarding och IT‑drift. Hur delar dessa AI‑medarbetare ansvar, delar kontext och återhämtar sig när en AI‑medarbetare fattar ett felaktigt beslut som kan påverka resten av arbetsflödet?

Vi tror inte att en AI‑medarbetare bör försöka utföra alla jobb. IT‑organisationer separerar redan ansvar över olika team eftersom varje roll har olika mål, behörigheter och expertis. Vi har tillämpat samma tankesätt på AI‑medarbetare, vilket är anledningen till att vi lanserade med certifierade AI‑medarbetare som specialiserar sig på olika IT‑operativa områden.

Varje medarbetare äger en specifik funktion samtidigt som de delar samma företagskontext. När en anställd skapar ett ärende i Atomicwork säkerställer intelligent routning att det dirigeras till rätt AI‑medarbetare som arbetar med förfrågan och (beroende på förfrågan) omdirigeras till en annan AI‑medarbetare, skapar underärenden för att AI‑medarbetare ska kunna lösa problemet parallellt (t.ex. kan ett onboarding‑ärende delas upp i aktiviteter som kan utföras samtidigt) eller eskaleras till en människa. När arbete förflyttas från en medarbetare till en annan följer den relevanta informationen med genom ärendet (registersystemet), tillsammans med åtkomst till relevanta system som servicedesken, identitetsplattformar, HR‑system och samarbetsverktyg. Den delade kontexten låter varje medarbetare fatta beslut baserat på vad som redan har hänt i stället för att börja från början.

Atomicwork stöder olika agentramverk och modeller från leverantörer som OpenAI, Anthropic och Google. Hur bestämmer du vilken modell som ska hantera hämtning, resonemang, planering och verkställande, och hur kan företag upprätthålla ett konsekvent beteende när de underliggande modellerna fortsätter att förändras?

Olika modeller är bra på olika typer av arbete. Vårt fokus har varit att bygga en plattform som kan utnyttja framsteg utan att tvinga kunder att omdesigna sina arbetsflöden varje gång en modell förändras. Företagskontext, orkestrering, identitet, policystyrning, telemetri och utvärdering ger den konsistens som organisationer behöver i produktion, oavsett vilken frontier‑modell som ligger under.

Vi har offentligt diskuterat stöd för flera modellleverantörer samt utvärderingsramverk och styrning, men vi har inte beskrivit den routningslogik som avgör vilken modell som hanterar hämtning, resonemang, planering eller verkställande. Vi har heller inte delat den valideringsprocess vi använder när leverantörer släpper nya modeller och uppdateringar.

En företags‑AI‑agent kan stöta på motstridig dokumentation, ofullständiga konfigurationsregister, föråldrad kunskap och olika behörigheter i olika system. Hur avgör Atomicworks Universal Context‑lager vilken information som är pålitlig och aktuell innan en agent får fatta ett beslut eller vidta en åtgärd?

Företagskunskap finns sällan på ett enda ställe. En del av den finns i dokumentation, en del i registersystem och en del i den dagliga verksamheten. AI behöver all denna kontext för att kunna fatta pålitliga beslut.

Universal Context samlar dessa källor genom att kombinera företagskunskap med data om personer, nätverk, infrastruktur och enheter från levande operativa system. En AI‑medarbetare kan referera till information från plattformar som Confluence eller SharePoint, MDM‑system som Intune och JAMF, samtidigt som den förstår vad som händer i system som Jira, Workday, Salesforce eller identitetsleverantörer. Den respekterar också befintliga behörigheter, så att personer och AI‑medarbetare endast får åtkomst till information de redan är auktoriserade att se.

Vi har förklarat hur Universal Context kopplar ihop företagsystem och bevarar säkerhetsgränser, men vi har inte beskrivit hur den löser motstridig information när betrodda källor är oense eller hur den avgör vilken källa som ska ha företräde. Dessa implementationsdetaljer ingår inte i vår offentliga dokumentation.

Den universella AI‑medarbetaren kan stödja anställda via Microsoft Teams, Slack, e‑post, webbläsare, portal och via chatt, röst och visuella lägen. Vilka nya felsökningsmöjligheter blir möjliga när en agent kan se och höra vad den anställde upplever, och hur förhindrar du att känsligt skärminnehåll eller konversationer exponeras?

Traditionell IT‑support bygger på att anställda beskriver tekniska problem exakt, och det är ofta den svåraste delen av interaktionen. Röst‑ och visuell kontext gör att AI kan se samma felmeddelande, applikation eller konfigurationsskärm som den anställde tittar på, vilket gör det mycket enklare att förstå problemet och guida någon genom nästa steg utan en lång fram‑och‑tillbaka‑konversation.

Dessa funktioner fungerar bara om de anställda litar på dem. Vi anser att visuell åtkomst bör kräva explicit samtycke och att användare alltid ska veta när den är aktiv. Känslig information skyddas genom PII‑maskering, administrativa kontroller och lämpliga lagringspolicyer.

Vi har också tydligt gjort klart att kunddata inte används för att träna våra modeller eller tredjeparts‑grundmodeller. Det ger organisationer möjlighet att anta multimodal AI utan att ge upp kontrollen över sin data.

Atomicwork kan implementeras parallellt med en befintlig ServiceNow‑ eller Jira Service Management‑miljö utan att kräva en omedelbar migrering. Ser du detta främst som en övergångsstrategi, eller kommer många företag permanent att driva en AI‑arbetskraft ovanför sitt äldre registersystem?

De flesta stora företag har lagt år på att bygga processer, integrationer och styrning kring plattformar som ServiceNow och Jira Service Management. Att kräva att de ersätter dessa system innan de kan anta AI skapar onödig friktion.

Vi byggde Atomicwork‑integrationerna med ServiceNow och Jira Service Management så att kunder kan förändra medarbetarupplevelsen och förstärka sina serviceteam med AI‑medarbetare från dag ett, utan att störa de system de redan förlitar sig på. Anslutningen hämtar relevant företags‑IT‑kontext för AI‑medarbetare att utnyttja samtidigt som den upprätthåller en tvåvägssynk för serviceagenter i deras befintliga system. Vi anser inte att företag måste välja en väg från dag ett. Prioriteten är att hjälpa dem att anta AI i sin egen takt.

Att ge AI‑medarbetare åtkomst till identitetssystem, anställdas data, infrastruktur och affärsapplikationer medför risker såsom prompt‑injektion, förgiftade kunskapskällor, överdrivna behörigheter och kedjereaktioner av agentfel. Vilka skyddsåtgärder, godkännandegränser och granskningsmekanismer är väsentliga innan ett företag säkert kan låta agenter agera autonomt?

AI‑medarbetare styrs som anställda med privilegierad åtkomst. Varje medarbetare har en definierad roll, begränsade behörigheter, godkända verktyg, utgiftsgränser och tydliga gränser för vad den kan göra självständigt. Känsliga åtgärder – särskilt de som rör identitet, infrastruktur, ekonomi, juridiska frågor eller anställning – kräver mänskligt godkännande.

Färdigheter och instruktioner granskas innan publicering för risker som prompt‑injektion, dolda instruktioner, åtkomst till autentiseringsuppgifter, dataläckage och osäkra åtgärder. Om ett verktyg förändras på ett sätt som ökar dess risk, inaktiveras det automatiskt tills det har granskats. Ytterligare skyddsåtgärder – inklusive åtgärdsgränser, förhindrande av dubbla åtgärder, nödstoppkontroller och mänsklig övertagning – hjälper till att begränsa fel innan de kan spridas.

Varje åtgärd är spårbar: organisationer kan se vad som utlöste medarbetaren, vilken information och vilka verktyg den använde, vilka godkännanden som erhölls och vilket resultat som följde. Pågående utvärdering, övervakning och red‑team‑testning säkerställer att dessa skyddsåtgärder förblir effektiva när modeller, verktyg och företagsmiljöer utvecklas.

Vi har investerat kraftigt i utvärdering, policy‑genomdrivning, övervakning och red‑team‑testning eftersom implementering av AI bara är början. Organisationer behöver förtroende för att dessa medarbetare fortsätter att agera som förväntat när modeller och företagsmiljöer förändras.

Atomicworks State of AI in IT 2026‑rapport visade att två tredjedelar av IT‑proffs rapporterar positiva avkastningar på AI‑investeringar, medan endast en av fem organisationer har fullt integrerat AI i sina servicehanteringsteam. Vad skiljer implementationer som ger mätbart affärsvärde från pilotprojekt som fastnar i experimentering?

De flesta organisationer har redan visat att AI kan förbättra enskilda uppgifter. De företag som ser mätbart affärsvärde kopplar AI till hela operativa arbetsflöden snarare än att använda det som en fristående assistent.

Det börjar med att lösa ett specifikt affärsproblem genom att tänka i roller, ge AI‑medarbetare åtkomst till de system de behöver och mäta resultat som betyder något – oavsett om det är snabbare lösningstider, lägre supportkostnader eller en bättre medarbetarupplevelse. När teamen litar på dessa resultat blir det mycket enklare att expandera AI till ytterligare arbetsflöden.

Vår forskning fann också att ansvarsfull AI fortfarande är en av de högsta prioriteringarna för IT‑ledare. Det är logiskt eftersom organisationer inte ger AI mer ansvar om de inte förstår hur den fattar beslut, kan granska dessa beslut i efterhand och vet att rätt skyddsåtgärder finns på plats.

När AI‑medarbetare börjar lösa supportförfrågningar, hantera åtkomst, diagnostisera incidenter och samordna arbetsflöden, hur kommer ansvarsområdena för servicedesk‑personal, IT‑operativteam och Chief Information Officers att förändras? På längre sikt, kan IT bli den avdelning som ansvarar för att anställa, styra och mäta ett företags hela digitala arbetskraft?

AI kommer att ta över mycket av det repetitiva operativa arbete som idag upptar servicedeskar, vilket gör att människor kan lägga mer tid på att hantera undantag, förbättra processer och förfina den kunskap som AI är beroende av.

IT‑operativteam kommer i allt högre grad att fokusera på att styra AI‑medarbetare i stället för att manuellt utföra varje arbetsflöde. De kommer att definiera behörigheter, koppla system, övervaka prestanda och säkerställa att AI fortsätter att verka inom fastställda policyer.

Jag förväntar mig också att CIO‑rollen kommer att expandera. Att hantera hundratals AI‑medarbetare börjar likna att hantera någon annan företagsinfrastruktur. Någon måste bestämma vad dessa medarbetare kan komma åt, hur de mäts, när de uppdateras och om de levererar värde. Affärsteam fortsätter att definiera arbetet, medan IT blir HR för AI, alltså ansvarig för plattformen, styrning och operativa kontroller som håller en företags‑AI‑arbetskraft igång på ett säkert sätt.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka Atomicwork.