Vijay Rayapati，Atomicwork 首席执行官兼联合创始人 – 访谈系列

Vijay Rayapati 是 Atomicwork 的联合创始人兼首席执行官。在创立公司之前，他曾在 Nutanix 担任云网络与安全业务的高级副总裁兼总经理，此前 Nutanix 收购了他创立并以首席执行官身份扩展的云管理平台公司 Minjar。在职业早期，他在 Kuliza 和 Trilogy 担任工程和产品领导职务，积累了构建企业基础设施和软件应用的深厚经验。他的背景涵盖云基础设施、企业软件和 AI 劳动力技术，使他成为企业 IT 领域知名的创始人。

Atomicwork 是一家企业 AI 公司，构建了一个具备代理能力的 IT 服务管理平台，帮助员工解决技术问题、自动化日常支持任务，并通过 AI 访问企业知识。其平台将 AI 代理与现代 ITSM 功能相结合，处理服务请求、排查问题、在企业系统间编排工作流，减轻 IT 团队负担。客户使用 Atomicwork 提供更快速的员工支持，同时提升 IT 与业务运营的运营效率。

您之前共同创立了 Minjar，建立了其企业云管理业务，随后在收购后领导了 Nutanix 的运营。构建、出售并整合一家企业软件公司的哪些经验教训让您在 2022 年创立 Atomicwork，并从头重建面向 AI 时代的 IT 服务管理？

在 Minjar，我们开发的软件能够通过自动化将公司的云费用降低三分之一。客户非常喜欢这些建议。但他们会把这些建议搁置两个季度。我花了一段时间才明白原因，答案并非技术层面。当自动化做出调用且出错时，没人可以追责。企业并不只是购买软件或结果，他们购买的是能够为他们负责的人。没有在组织结构图中位置的软件不会获得授权，无论它多么优秀。

收购让我领悟到更具体的教训。点状产品会被购买，记录系统会被构建。即使你的产品更好，也可能终其一生在绕过拥有工作流的人。

在 Nutanix 的岁月把这两点结合起来。我看到 IT 为了控制而购买服务管理，而员工则把它当作表单和队列来使用。我还意识到，工单本身从不是产品，真正的产品是审计追踪。这也是 ITSM 能在四十年里屹立不倒、即使人人讨厌它的原因，也正因如此没有人能将其淘汰。

因此，2022 年的问题不在于 AI 能否完成工作，而在于是否能给 AI 在组织结构图上一个位置。传统的 ITSM 平台做不到，因为它们的数据模型中心是人为受理人，所有 SLA、审批和报告都基于这一假设。将 AI 嵌入其中，就能得到更快速的表单。

我们的构建思路是另一种答案，即 AI 提供的是混合劳动力，而不仅仅是软件。AI 同事完成工作，IT 像人力资源管理人员一样对其进行治理。你并不是配置一个 AI 同事，而是将其聘入某个角色，审查其工作表现，若未达标则撤销。这正是 AI 作为功能与 AI 作为劳动力的区别所在。

Atomicwork 将其 AI 同事描述为拥有明确工作角色并从头到尾完成工作的系统，而不仅仅是回答问题或执行孤立任务。哪些技术能力能够将真正的 AI 同事与聊天机器人、协助工具或传统自动化工具区分开来？其自主性应在何处止步？

聊天机器人回答问题，协助工具帮助某人完成任务，但二者都不负责将工作推进至完成。AI 同事不同之处在于它被分配了明确的角色并需交付结果。无论是对事件进行分流、提供访问权限还是为员工入职，它都会在每一步持续工作直至实现目标，而不是在第一步后停下来。

这需要远超模型本身的能力。AI 同事需要身份、合适的权限、获批的工具、组织上下文、预算以及明确的运营边界和角色。它必须跨业务系统工作，了解何时（以及向谁）请求批准，并在每一次操作后留下审计记录。这也是我们在模型之上大量投入平台建设的原因。可靠的 AI 同样依赖编排、治理和执行，正如智能本身一样重要。

自主性绝不应是无限的。AI 同事应在其工作角色的职责范围内运行，而在人类仍需介入的敏感系统或涉及法律、财务或雇佣影响的操作时，仍需人工参与。

您的平台允许专门化的 AI 同事在事件管理、访问授权、入职以及 IT 运营等领域协作。这些 AI 同事如何划分职责、共享上下文，并在某个 AI 同事做出可能影响整个工作流的错误决策时进行恢复？

我们并不认为单个 AI 同事应尝试承担所有工作。IT 组织已经在不同团队之间划分职责，因为每个角色有不同的目标、权限和专长。我们将同样的思路应用到 AI 同事上，这也是我们推出经过认证的、专注于不同 IT 运营领域的 AI 同事的原因。

每个同事负责特定职能，同时共享相同的企业上下文。当员工在 Atomicwork 中创建工单时，智能路由确保工单被分配给对应的 AI 同事处理，并根据请求（视情况）将其重新指派给其他 AI 同事，或为 AI 同事创建子工单以并行解决问题（例如，将入职工单拆分为可并行处理的活动），或升级至人工。随着工作在同事之间转移，相关信息通过工单（记录系统）随之传递，并可访问服务台、身份平台、HR 系统和协作工具等相关系统。这种共享上下文使每个同事能够基于已有的进展做出决策，而无需从头开始。

Atomicwork 支持来自 OpenAI、Anthropic 和 Google 等供应商的不同代理框架和模型。您如何决定哪个模型负责检索、推理、规划和执行？在底层模型持续变化的情况下，企业如何保持行为的一致性？

不同模型擅长不同类型的工作。我们的重点是构建一个平台，使其能够利用模型的进步，而无需在每次模型更换时让客户重新设计工作流。企业上下文、编排、身份、策略执行、遥测和评估为组织在生产环境中提供了一致性，无论底层使用的是哪种前沿模型。

我们公开讨论了支持多模型供应商以及评估框架和治理，但尚未披露决定哪个模型处理检索、推理、规划或执行的路由逻辑。我们也未分享在供应商发布新模型和更新时我们使用的验证流程。

企业 AI 代理可能会遇到文档冲突、配置记录不完整、知识过时以及系统间权限差异等情况。Atomicwork 的通用上下文层在允许代理做出决策或采取行动之前，如何判断哪些信息是可信且最新的？

企业知识很少集中在单一位置。一部分存在于文档中，一部分在记录系统中，另一部分体现在业务的日常活动中。如果 AI 要做出可靠的决策，就需要所有这些上下文。

通用上下文通过将企业知识与来自实时运营系统的人员、网络、基础设施和设备数据相结合，将这些来源汇聚在一起。AI 同事可以引用 Confluence、SharePoint 等平台的信息，引用 Intune、JAMF 等 MDM，同时了解 Jira、Workday、Salesforce 或身份提供商等系统的运行情况。它还遵守现有权限，确保人员和 AI 同事只能访问其已有授权的内容。

我们已经阐述了通用上下文如何连接企业系统并保持安全边界，但尚未描述在可信来源出现冲突时它如何解决冲突信息，或如何决定哪个来源应优先。这些实现细节不在我们的公开文档中。

通用 AI 同事可以通过 Microsoft Teams、Slack、电子邮件、浏览器、门户以及聊天、语音和视觉模式支持员工。当代理能够看到并听到员工的实际体验时，会产生哪些新的故障排除能力？又如何防止敏感屏幕内容或对话被泄露？

传统 IT 支持依赖员工准确描述技术问题，而这往往是交互中最困难的环节。语音和视觉上下文使 AI 能够看到员工所看到的错误信息、应用或配置界面，从而更容易理解问题，并在无需长时间来回沟通的情况下引导员工完成下一步。

这些能力只有在员工信任的前提下才有效。我们认为视觉访问应获得明确同意，用户应始终知道何时处于激活状态。通过 PII 脱敏、管理控制和适当的保留策略来保护敏感信息。

我们也明确表示，客户数据不会用于训练我们的模型或第三方基础模型。这让组织能够在不放弃数据控制权的情况下采用多模态 AI。

Atomicwork 可以与现有的 ServiceNow 或 Jira Service Management 环境并行部署，无需立即迁移。您是否主要将其视为过渡策略，还是会有许多企业在其传统记录系统之上永久运行 AI 劳动力？

大多数大型企业花费多年时间围绕 ServiceNow 和 Jira Service Management 等平台构建流程、集成和治理。在采用 AI 之前要求他们更换这些系统会产生不必要的摩擦。

我们构建了与 ServiceNow 和 Jira Service Management 的集成，使客户能够从第一天就通过 AI 同事提升员工体验并增强服务团队，而不干扰他们已依赖的系统。连接器为 AI 同事提取相关的企业 IT 上下文，同时保持与其现有系统中服务代理的双向同步。我们认为企业不必在第一天就只能选择一条路径。关键是帮助他们按自己的时间表采用 AI。

让 AI 同事访问身份系统、员工数据、基础设施和业务应用会带来提示注入、知识源污染、权限过度以及级联代理错误等风险。在企业安全地让代理自主行动之前，哪些防护措施、批准边界和审计机制是必不可少的？

AI 同事的治理方式类似于拥有特权访问权的员工。每个同事都有明确的角色、受限的权限、获批的工具、支出上限以及对其可独立执行操作的明确边界。涉及身份、基础设施、财务、法律或雇佣等敏感操作必须获得人工批准。

技能和指令在发布前会进行风险审查，包括提示注入、隐藏指令、凭证访问、数据泄露和不安全操作等风险。如果工具的变更增加了风险，它会自动被禁用，直至完成审查。额外的防护措施——包括操作限制、重复操作防止、紧急停机控制以及人工接管——有助于在错误扩散之前将其遏制。

每一次操作都有可追溯性；组织可以看到触发同事的原因、使用了哪些信息和工具、获得了哪些批准以及产生了何种结果。持续的评估、监控和红队测试确保这些防护措施在模型、工具和企业环境演进时仍保持有效。

我们在评估、策略执行、监控和红队测试方面投入巨大，因为部署 AI 只是开始。组织需要确信这些同事在模型和企业环境演进时仍能如预期般运行。

Atomicwork 的《2026 年 IT AI 状态报告》发现，三分之二的 IT 专业人士报告 AI 投资带来了积极回报，而只有五分之一的组织在其服务管理团队中全面嵌入 AI。哪些因素使得能够产生可衡量业务价值的部署与仍停留在实验阶段的试点项目区别开来？

大多数组织已经证明 AI 能提升单个任务的效率。能够实现可衡量业务价值的公司是将 AI 与完整的运营工作流相结合，而不是将其作为独立的助手使用。

这始于通过角色思维解决具体业务问题，为 AI 同事提供所需系统的访问权限，并衡量关键成果——无论是更快的解决时间、更低的支持成本还是更佳的员工体验。一旦团队对这些结果产生信任，扩展 AI 到更多工作流就会容易得多。

我们的研究还发现，负责任的 AI 仍是 IT 领导者的最高优先事项之一。这很合理，因为组织不会在不了解 AI 决策过程、无法事后审查决策且缺乏适当防护措施的情况下赋予 AI 更大的责任。

随着 AI 同事开始处理支持请求、管理访问、诊断事件并协调工作流，服务台专业人员、IT 运营团队和首席信息官的职责将如何变化？进一步展望，IT 是否会成为负责招聘、治理和衡量整个企业数字劳动力的部门？

AI 将接管大量消耗当今服务台的重复性运营工作，使人员能够将更多时间用于处理例外情况、改进流程以及完善 AI 所依赖的知识。

IT 运营团队将越来越专注于治理 AI 同事，而不是手动执行每个工作流。他们将定义权限、连接系统、监控性能，并确保 AI 在既定政策范围内运行。

我也预期 CIO 的角色会扩大。管理数百个 AI 同事类似于管理其他企业基础设施。必须决定这些同事可以访问什么、如何衡量、何时更新以及是否在创造价值。业务团队将继续定义工作内容，而 IT 将成为 AI 的人力资源部门，即负责平台、治理和运营控制，确保企业 AI 劳动力安全运行。

感谢这次精彩的访谈，想了解更多的读者请访问 Atomicwork。