Arun Kumar Ramchandran, CEO společnosti QBurst – Interview Series

Arun Kumar Ramchandran, CEO společnosti QBurst, je zkušený technologický a servisní manažer s více než 25 lety zkušeností v oblasti globálního poradenství, velkých prodejů, vlastnictví zisku a podnikové transformace. Stal se CEO v dubnu 2025 a je zodpovědný za vedení QBurst napříč podnikem a formování jeho strategie jako technologické a digitální inženýrské firmy s využitím umělé inteligence. Předtím zastával seniorní pozice ve společnostech Hexaware Technologies (HEXT.BO ) (včetně prezidenta a vedení konzultací GenAI), Capgemini/Sogeti (výkonné klienty a prodejní vedení), Infosys a Virtusa, kde budovat a škálovat obchodní jednotky, vedl významné strategické programy a poháněl růst napříč několika geografickými oblastmi a odvětvími.

QBurst je globálním partnerem pro digitální inženýrství, který se zaměřuje na „High AI-Q“, kombinuje AI-podporované dodávky s aplikovanými přístupy založenými na datech a umělou inteligencí, aby pomohl podnikům modernizovat, budovat a škálovat. Společnost zdůrazňuje inženýrství digitálních zkušeností, modernizaci a produktové inženýrství – podporuje klienty s iniciativami, jako jsou komponovatelné digitální platformy, konverzační a zákaznické zkušenosti a AI-připravené datové základy – zaměřené na produkci měřitelných výsledků, jako je zlepšená produktivita, rychlejší dodání a silnější zákaznické zkušenosti napříč širokou mezinárodní klientelou.

Převzali jste roli CEO ve společnosti QBurst po dlouhé kariéře v leadershipu napříč společnostmi Hexaware, Capgemini, Infosys a dalšími globálními organizacemi. Co vás přitáhlo k QBurst v tomto okamžiku jeho růstu a jak vaše zkušenosti formují směr, kterým chcete společnost vést?

Rozhodnutí připojit se k QBurst bylo spojením příležitosti a potenciálu. Co mě přitáhlo k QBurst, byla kombinace jeho vnitřních sil a jedinečné tržní příležitosti. Entrepreneurští kultura a úspěch QBurst s využitím nejnovějších technologií při dodávkách pro náročné klienty mě både ohromily a zaujaly.

S konvergencí disruptivních změn a měnících se prostředí v oblasti technologií, odvětví a předpisů má zaměřená a diferencovaná firma, jako je QBurst, jedinečnou příležitost odlišit se od ostatních a vytvořit novou technologickou a inženýrskou firmu a model dodávek pro budoucnost poháněnou umělou inteligencí.

S více než 25 lety zkušeností v oblasti technologií a transformace napříč několika odvětvími, jak vaše zkušenosti ovlivnily váš přístup ke škálování AI-podporované servisní platformy dnes?

Jsem pozoroval, že hlavní inovace a přijetí technologií se vyskytují poté, co se hype cyklus uklidnil a skutečné podnikové problémy začínají být řešeny na úrovni podniku. Existují tři konkrétní body, které bych chtěl zmínit v souvislosti se škálováním AI-podporované servisní platformy.

1. Překročení fáze „PoC“.

Největší výzvou, kterou vidím dnes, je překročení fáze „PoC“. Škálování vyžaduje změnu myšlení: nebudeme jen stavět AI, ale poskytovat řešení připravená pro produkci. V QBurst pomáháme klientům růst za fázi „PoC“ zaměřením se na agilitu – přijímáním nových modelů s větším kontextovým oknem než být uzamčeni v technologiích včerejška.

2. Žádná AI bez silného základu

Lekce, kterou jsem si odnesl z každé technologické vlny – od raných dnů mobilních technologií v roce 2009 po revoluci cloudu – je, že nelze automatizovat chaos. AI je pouze tak silná, jako jsou data, která ji živí. QBurst pohání růst zajištěním, že „nudná, ale esenciální“ práce je provedena, konkrétně digitální modernizace a pokročilé datové inženýrství.

3. Vize „High AI-Q“

Abyste vedli tuto změnu, jsme se sami označili jako „High AI-Q“ společnost. To odráží integraci Generative AI a Agentic AI do všech našich základních služeb, pohánějících transformaci podniku s využitím umělé inteligence. V QBurst není AI pouze přidruženou funkcí, ale jádrem naší strategie a dodávek. Kombinuje customizované modely strojového učení s inteligentní automatizací, aby zajistilo, že když podnik roste, jeho inteligence roste s ním.

Byli jsme průkopníky od úsvitu Androidu a aplikujeme stejnou proaktivní DNA, abychom vedli éru AI. V QBurst nejsme pouze technologickou firmou; jsme partnerem, který se zaměřuje na výsledky, jehož růst je poháněn spokojeností zákazníků.

Vy jste zdůraznili „High AI-Q“ jako definující rámec pro QBurst. Jak by měli lídři podniků interpretovat tento koncept a proč je to důležitý diferenciátor v současném AI krajínu?

Cesta QBurst k „High AI-Q“ je vědomým rozhodnutím: běžíme rychle na operační úrovni s AI-poháněným SDLC a činíme odvážné kroky na strategické úrovni s Managed Agents. Nejvíce důležité je, že kotví celou firmu v pomalé, fundamentální změně kultury, hodnot a lidské kapacity.

I když existují rizika a obavy týkající se AI, pokud je implementována bezpečně, AI může vytvářet bohatství a inovace. Podniky uvidí hodnotu nejenom v termínech produktivity, ale také růstu a transformace.

Z pohledu dodávek vidíme, jak se to projevuje denně prostřednictvím našeho AI-poháněného rámce SDLC. To je „jak“ transformace, kde jsme vložili AI do každé fáze vývoje, od generování uživatelských příběhů po samoopravné testovací skripty. Výsledky mluví samy za sebe:

• Čas na trh: Značné snížení vývojových a testovacích cyklů.
• Kvalita: Pozoruhodné snížení o 25-35 % chyb po vydání.
• Efektivita: Konsistentní zlepšení o 20-30 % celkové dodávky.

Strategická úroveň je tam, kde se přesouváme za hranice optimalizace částí a optimalizujeme celý ekosystém. To vyžadovalo přehodnocení našich pilířů řešení, vedoucího k vytvoření Managed Agents, fúze Enterprise Agentic AI a Managed Services. Pro naše klienty to znamená, že AI agenti zpracovávají front-end a back-end úkoly, pracovní postupy a operace, pohánějící jak efektivitu, tak kontinuální inovace. Nedodáváme pouze služby; orchestrujeme bezproblémovou síť hodnoty.

Mnohé podniky nahromadily to, co nazýváte „AI dluhem“ – významné výdaje na piloty GenAI, které neskalují nebo nevytvářejí hodnotu. Jaké jsou kořeny tohoto problému a jak mohou organizace vyjít z tohoto vzorce?

Podniky nahromadí „AI dluh“, když investice do GenAI skončí u pilotů a nevedou k reálné obchodní hodnotě. Kořenem tohoto problému je to, co nazýváme pastí retrofittingu – pokus o přidání funkcí GenAI k legacy systémům, které nebyly navrženy pro podporu AI-podporovaných pracovních postupů. V těchto prostředích nejsou data, architektura a governance připraveny, takže piloty zastaví nebo se rozpadnou pod škálováním.

To je zhoršeno nedostatkem fundamentální připravenosti. Mnohé organizace spěchají do experimentování, zatímco se vyhýbají základním investicím do datové strategie, datové inženýrství a governance. Bez modernizovaných datových základů a jasných kontrolních rámců zůstávají iniciativy GenAI izolovanými důkazy konceptu, nikoli podnikovými schopnostmi.

Rozbití tohoto vzorce vyžaduje posun k AI-prvnímu designu. Místo ptaní se, kde lze přidat AI, musí organizace navrhovat systémy s AI-výsledky na mysli od samého počátku, sladění architektury, toků dat a governance, aby podpořily inteligentní automatizaci ve velkém měřítku.

Prakticky to začíná datovým inženýrstvím. Stavba robustních, dobře spravovaných datových potrubí a modelů na začátku vytváří podmínky pro udržitelné škálování GenAI. Když je základ správný, AI se posune z experimentování k dopadům. Takže AI dluh ustupuje dlouhodobé tvorbě hodnoty.

Tradiční model smlouvy o času a materiálu je stále více považován za nesouladný s realitou AI-poháněné efektivity. Proč se tento model stává zastaralým a jak mohou přístupy, jako jsou „Managed Agents“ nebo „Service-as-Software“, poskytnout udržitelnější cestu vpřed pro podnikovou IT?

Tradiční model smlouvy o času a materiálu byl vytvořen pro éru nedostatku zdrojů, kde hodnota byla přímo spojena s lidským úsilím. V éře AI inteligence a výkon se stávají hojné a jak se hojnost zvyšuje, hodnota se posouvá z úsilí na výsledky. AI fundamentálně láme logiku hodinového fakturace.

To je důvod, proč se průmysl pohybuje směrem k výsledkům založeným modelech. Metriky, jako je počet vyřešených tiketů bez lidského zásahu nebo pracovních postupů dokončených koncovými AI, poskytují jasnou, měřitelnou hodnotu. Tyto modely zacházejí s kapacitou jako se softwarem, ne s prací, což lze popsat jako „service-as-software“.

Přístupy, jako jsou Managed Agents a Service-as-a-Software, nabízejí udržitelnější cestu vpřed. Posouvají se od platby za úsilí k platbě za inteligentní výsledky, umožňují předvídatelné náklady, kontinuální zlepšování a sdílený prospěch z automatizace. Managed Agents umožňují lidským inženýrům a AI agentům pracovat společně směrem k obchodním cílům, zatímco Service-as-a-Software činí hodnotu měřitelnou prostřednictvím výsledků, nikoli hodin strávených.

V AI-poháněném světě jsou nejvíce sladěné komerční modely ty, které odměňují výsledky, ne úsilí – vytvářejí výhru pro obě strany, pro podniky i poskytovatele služeb.

Vaše metodologie „High AI-Q“ se zaměřuje na Talenty, Aplikace a Dopad jako tři kritické vrstvy pro AI připravenost. Jak mohou CIOové vyhodnotit svou zralost napříč těmito vrstvami před škálováním iniciativ GenAI?

Před škálováním GenAI CIOové potřebují jasný pohled na zralost napříč třemi vrstvami „High AI-Q“ – talenty, aplikacemi a dopadem – a ne pouze technologickým zásobníkem.

Na úrovni talentů je zralost otázkou připravenosti lidí. CIOové by měli vyhodnotit AI dovednosti, otevřenost ke změně a zda zaměstnanci mají zabezpečený, spravovaný přístup k LLM, který umožňuje bezpečné experimentování.

Na úrovni aplikace je zaměřeno na datové a governance základy, jako je kvalita dat, architektura, bezpečnost a zralost politik a ochranných mechanismů napříč LLM přístupem a AI vývojovými postupy.

Na úrovni dopadu by CIOové měli vyhodnotit použití případů podle úsilí versus obchodní hodnoty. Identifikace nízkoúsilových, vysokohodnotových příležitostí umožňuje rané výhry a podporuje iterativní přístup ke škálování GenAI.

Pro organizace, které stále fungují na legacy architekturách, jaké jsou základní kroky modernizace potřebné k přípravě na agentic pracovní postupy a AI-podporované dodávací modely?

Zde jsou tři kroky, které mohou organizace připravit, když se pohybují směrem k agentic pracovním postupům.

1. Priorizujte modernizaci datové základny: Pro organizace, které fungují na legacy architekturách, prvním krokem je modernizace datové základny, aby umožnila metadata, linii a kvalitu dat pro izolovaná data. To zajišťuje, že agenti mají kontextově bohatá, vysvětlitelná data, která potřebují. Zavedení GenAI nástrojů učinilo tuto modernizaci rychlejší a přímější. Zatímco použití GenAI s legacy architekturou je možné, token požadavky pro získání smysluplných výsledků by byly extrémně vysoké.

2. Vytvořte vrstvy znalostí: Organizace, které nemodernizovaly své systémy, budou mít mnoho nahromaděných znalostí, které nejsou zdokumentovány. Budování vrstev znalostí pro zachycení tohoto přechodného nahromaděného znalostí uvnitř systému by byl druhý úkol s vysokou prioritou. To je chybějící vrstva v mnoha organizacích na cestě k AI.

3. Definujte hranice agentů a způsoby práce: Třetím krokem je zajistit, aby agenti dodržovali všechny nejlepší postupy a bezpečnostní compliance, které jsou目前 v organizaci. Governance rámce, bezpečnostní politiky a pozorovatelné rámce umožňují agentům myslet a jednat efektivně v rámci hranic a stanovených způsobů práce organizace.

Při přípravě na „AI připravenost“, co to vyžaduje za hranicí nástrojů – v termínech dat, procesů, governance a týmových schopností?

AI připravenost jde daleko za výběr správných nástrojů. V praxi je úspěšnost AI adopce závislá na schopnosti organizace zachytit tribální znalosti, jako jsou neučené postupy, rozhodovací logika a klíčové vztahy, které existují pouze v hlavách zaměstnanců. Tyto znalosti musí být zdokumentovány v přirozeném jazyce, který AI systémy mohou rozumět, ne pouze zpracovávat data v izolaci.

Připravenost dat je stejně kritická, ale kvalita sama o sobě nestačí. To, co skutečně určuje úspěch, je metadata, která zahrnuje kontext, linii a význam za daty. Bez toho i nejmodernější modely produkují mělké nebo nespolehlivé výsledky.

Podniková adopce AI také zaostává za spotřebitelskou AI z důvodu governance, bezpečnosti a compliance. Tyto nejsou překážkami, které je třeba obejít, ale požadavky, které je třeba postavit. Organizace musí vytvořit rámce důvěry, které zahrnují ochranné mechanismy, GenAI pozorovatelnost, vysvětlitelnost a lidské pracovní postupy, aby zajistily, že AI výstupy jsou bezpečné, opakované a přesné.

Nakonec týmy potřebují vyvinout AI intuici. Připravenost znamená, že zaměstnanci musí být vyškoleni v AI gramotnosti, aby věděli, jak účinně vyvolat, ověřit výsledky a auditovat výstupy, spíše než slepě důvěřovat „černé skříňce“. AI funguje nejlépe, když lidé zůstávají pevně v smyčce.

Technologický servisní sektor je přeplněn legacy hráči. Co považujete za nejsilnější diferenciátory QBurst, když soutěžíte o transformační mandáty podniků?

QBurst se odlišuje v přeplněném technologickém servisním trhu spojením hluboké inženýrské odbornosti s agilitou mnohem menší, inovace-vedené firmy.

Naší konkurenční výhodou jsou pět klíčových pilířů:

1. Inženýrská hloubka s design thinking mindset – Nejenom píšeme kód, ale řešíme podnikové problémy prostřednictvím holistických, uživatelsky orientovaných řešení.

2. Agilita a vlastnictví – Jsme dostatečně velcí, abychom škálovali, ale dostatečně malí, abychom se starali – naše flexibilita a adaptabilita na rychlé změny je něco, za co nás naši klienti chválí. Naši týmy berou skutečné vlastnictví zákaznického úspěchu. Uvidíte, že vlastnictví dodávek běží až na úroveň senior leadershipu.

3. Kulturní zdatnost: Bez ohledu na to, zda se jedná o LINE mini-aplikace v Japonsku nebo integrované cenové systémy pro americké řetězce potravin, přizpůsobujeme nejen technologie, ale i zkušenosti pro každou trh.

4. AI-first vize – Vkládáme AI do naší dodávky, našich operací a klientů řešení – ne jako buzzword, ale jako násobitel kapacity.

5. Kultura inovace a experimentování – Naši lídři jsou technicky zdatní a rádi řeší zákaznické problémy pomocí nejnovějších a vznikajících technologií. Není nám strach z neúspěchu a vytvořili jsme významný dopad pro naše klienty přijetím start-up přístupu ve многих případech.

Nebojíme se také disruptovat sami sebe. Experimentujeme s výsledkem-založenými modely, komponovatelnými dodávacími rámci a ko-inovacemi laboratoří pro podnikové klienty.

Pohledem vpřed tři až pět let, jak očekáváte, že podniková IT operační modely budou evoluce s vzestupem agentic pracovních postupů a AI-podporovaných organizací, a co by měli lídři připravovat nyní?

Další vlna inovací bude patřit těm, kteří mohou spojit silné AI schopnosti s uvážlivými systémy kontroly, dohledu a důvěry. To je důvod, proč se vznikající konverzace kolem podnikových agentic rámců cítí tak důležité – a tak naléhavé.

Některé z klíčových poznatků pro mě jsou:

• Konstrukce AI datového centra se zrychluje, ne zpomaluje; sentiment v datovém centru je vysoce optimistický, s kapacitou, poptávkou a investicemi, které všechny rostou.
• Podniková adopce AI bude pomalejší než spotřebitelská AI (organizační data jsou často špinavá, fragmentovaná a rozdělena napříč mnoha systémy, spíše než čistá a centralizovaná; současné modely nejsou dostatečně přesné pro vysoce specifické firemní situace a funkce bez adaptace na jedinečný kontext každé organizace; aby se odemkly skutečné hodnoty, modely budou muset být trénovány a jemně upraveny na proprietárních podnikových datech, zejména v „poslední míli“ specifických pracovních postupů a použití).
• Předtím, než mohou skutečně autonomní agenti prosperovat v podniku, existuje větší výzva: budování ekvivalentu supervizních struktur, schválení a ochranných mechanismů, které existují pro zaměstnance, což umožňuje lidskému pracovnímu síle spolehlivě a škálovatelně pracovat.

Lídři by měli připravovat následující:

• Agenti by měli být léčeni jako noví zaměstnanci, s jasně definovanými rozsahy, explicitním dohledem a mechanismy pro obsažení chyb, zatímco „učí“ se psané a nepsané pravidla organizace.
• Existuje potřeba „agent bus“ nebo koordinační vrstvy, kde se agenti registrují, získávají oprávnění a jejich akce jsou monitorovány supervizními agenty.
• Rekreace kontrol a vyvážení, které dělají lidské organizace robustní, bude kritická pro dosažení bezpečné, přesné a spolehlivé exekuce v agentic podnikovém světě.
• Správa lidského talentu a přeškolení je dalším důležitým aspektem, protože se mění lidské rozhraní a spolupráce s agentic systémy a rámci.
• Nejpříbuznější hranicí je vznik pokročilých podnikových agentic rámců – za tím, co existuje dnes – které mohou tuto vizi proměnit v praktickou, škálovatelnou realitu, když jsou kombinovány se silným pochopením domény a řešeními.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit QBurst.