Arun Kumar Ramchandran, Διευθύνων Σύμβουλος της QBurst – Σειρά Συνεντεύξεων

Αρούν Κουμάρ Ραμτσάντραν, Διευθύνων Σύμβουλος της QBurst, είναι ένα έμπειρο στέλεχος τεχνολογίας και υπηρεσιών με 25+ χρόνια ηγετικής εμπειρίας που καλύπτει παγκόσμιες συμβουλευτικές υπηρεσίες, πωλήσεις μεγάλων συμφωνιών, ιδιοκτησία κερδών και ζημιών και μετασχηματισμό επιχειρήσεων. Έγινε Διευθύνων Σύμβουλος τον Απρίλιο του 2025 και είναι υπεύθυνος για την ηγεσία της QBurst σε ολόκληρη την επιχείρηση, διαμορφώνοντας παράλληλα τη στρατηγική της ως εταιρεία τεχνολογικών υπηρεσιών και ψηφιακής μηχανικής με επικεφαλής την Τεχνητή Νοημοσύνη. Πριν από την QBurst, κατείχε ανώτερες θέσεις στην Hexaware Technologies (συμπεριλαμβανομένης της ηγεσίας Προέδρου και συμβουλευτικής GenAI), στην Capgemini/Sogeti (εκτελεστική ηγεσία πελατών και πωλήσεων) και στις Infosys και Virtusa, όπου δημιούργησε και κλιμάκωσε επιχειρηματικές μονάδες, ηγήθηκε σημαντικών στρατηγικών προγραμμάτων και οδήγησε στην ανάπτυξη σε πολλαπλές γεωγραφικές περιοχές και κάθετους κλάδους.

QBurst είναι ένας παγκόσμιος συνεργάτης ψηφιακής μηχανικής που τοποθετείται γύρω από το «Υψηλό AI-Q», συνδυάζοντας την παροχή υπηρεσιών με δυνατότητα AI με εφαρμοσμένες προσεγγίσεις AI και δεδομένων, για να βοηθήσει τις επιχειρήσεις να εκσυγχρονιστούν, να δημιουργήσουν και να επεκταθούν. Η εταιρεία δίνει έμφαση στη μηχανική ψηφιακής εμπειρίας από άκρο σε άκρο, στον εκσυγχρονισμό και στη μηχανική προϊόντων —υποστηρίζοντας τους πελάτες με πρωτοβουλίες όπως σύνθετες ψηφιακές πλατφόρμες, λύσεις συνομιλίας και εμπειρίας πελατών και βάσεις δεδομένων έτοιμα για AI— με στόχο την παραγωγή μετρήσιμων αποτελεσμάτων, όπως βελτιωμένη παραγωγικότητα, ταχύτερη παράδοση και ισχυρότερες εμπειρίες πελατών σε μια ευρεία διεθνή πελατειακή βάση.

Αναλάβατε τον ρόλο του Διευθύνοντος Συμβούλου στην QBurst μετά από μια μακρά ηγετική καριέρα σε Hexaware, Capgemini, Infosys και άλλους παγκόσμιους οργανισμούς. Τι σας τράβηξε στην QBurst σε αυτή τη φάση ανάπτυξής της και πώς το υπόβαθρό σας διαμορφώνει την κατεύθυνση που θέλετε να ακολουθήσετε για την εταιρεία;

Η απόφαση να ενταχθώ στην QBurst ήταν μια συμβολή ευκαιριών και δυνατοτήτων. Αυτό που με τράβηξε στην QBurst ήταν ένας συνδυασμός των εγγενών δυνατών σημείων της και μιας μοναδικής ευκαιρίας στην αγορά. Η επιχειρηματική κουλτούρα και η επιτυχία της Qburst με την τεχνολογία αιχμής στην εξυπηρέτηση απαιτητικών πελατών με εντυπωσίασαν και με ενδιέφεραν.

Με τη σύγκλιση των ανατρεπτικών αλλαγών και των μεταβαλλόμενων περιβαλλόντων σε όλη την τεχνολογία, τους κλάδους και τους κανονισμούς, μια στοχευμένη και διαφοροποιημένη εταιρεία όπως η QBurst έχει μια μοναδική ευκαιρία να ξεχωρίσει από τους υπόλοιπους και να δημιουργήσει μια νέα εταιρεία τεχνολογικών και μηχανικών υπηρεσιών και ένα νέο μοντέλο παροχής υπηρεσιών για το μέλλον που βασίζεται στην Τεχνητή Νοημοσύνη.

Με περισσότερα από 25 χρόνια εμπειρίας στον τεχνολογικό μετασχηματισμό σε πολλούς κλάδους, πώς έχει επηρεάσει η εμπειρία σας τον τρόπο που σκέφτεστε να επεκτείνετε μια πλατφόρμα υπηρεσιών με επίκεντρο την Τεχνητή Νοημοσύνη σήμερα;

Έχω παρατηρήσει ότι η κύρια καινοτομία και υιοθέτηση της τεχνολογίας συμβαίνει αφού έχει ηρεμήσει ο κύκλος της διαφημιστικής εκστρατείας και τα πραγματικά επιχειρηματικά προβλήματα αρχίζουν να επιλύονται σε επίπεδο επιχείρησης. Υπάρχουν τρία συγκεκριμένα σημεία που θα ήθελα να επισημάνω εδώ όσον αφορά την κλιμάκωση μιας πλατφόρμας υπηρεσιών με επικεφαλής την Τεχνητή Νοημοσύνη.

1. Διασχίζοντας το «Στάδιο PoC».

Η μεγαλύτερη πρόκληση που βλέπω σήμερα είναι η διέλευση του σταδίου PoC. Η κλιμάκωση απαιτεί αλλαγή νοοτροπίας: δεν κατασκευάζουμε απλώς Τεχνητή Νοημοσύνη. Παρέχουμε λύσεις παραγωγικού επιπέδου. Στην QBurst, βοηθάμε τους πελάτες να ξεπεράσουν το στάδιο PoC εστιάζοντας στην ευελιξία – υιοθετώντας νέα μοντέλα με μεγαλύτερα παράθυρα περιβάλλοντος αντί να περιορίζονται στην τεχνολογία του χθες.

2. Δεν υπάρχει τεχνητή νοημοσύνη χωρίς ισχυρή βάση

Ένα μάθημα που έχω πάρει από κάθε τεχνολογικό κύκλο – από τις πρώτες μέρες των κινητών το 2009 μέχρι την επανάσταση του cloud – είναι ότι δεν μπορείς να αυτοματοποιήσεις το χάος. Η Τεχνητή Νοημοσύνη είναι τόσο ισχυρή όσο τα δεδομένα που την τροφοδοτούν. Η QBurst προωθεί την ανάπτυξη διασφαλίζοντας ότι γίνεται η «βαρετή αλλά απαραίτητη» δουλειά, δηλαδή ο Ψηφιακός Εκσυγχρονισμός και η Προηγμένη Μηχανική Δεδομένων.

3. Το όραμα «Υψηλής Τεχνητής Νοημοσύνης»

Για να ηγηθούμε αυτής της αλλαγής, έχουμε επανατοποθετηθεί ως εταιρεία «υψηλού επιπέδου AI-Q». Αυτό αντικατοπτρίζει την ενσωμάτωση της Γενετικής Τεχνητής Νοημοσύνης (Generative AI) και της Πρακτικής Τεχνητής Νοημοσύνης (Agentic AI) σε όλες τις βασικές μας υπηρεσίες, οδηγώντας τον μετασχηματισμό των επιχειρήσεων που βασίζονται στην AI. Στην QBurst, η Τεχνητή Νοημοσύνη (AI) δεν είναι ένα πρόσθετο χαρακτηριστικό, αλλά ο βασικός ιστός της στρατηγικής και της παράδοσής μας. Συνδυάζει προσαρμοσμένα μοντέλα μηχανικής μάθησης με έξυπνο αυτοματισμό, για να διασφαλίσει ότι καθώς η επιχείρηση αναπτύσσεται, η νοημοσύνη της κλιμακώνεται μαζί της.

Είμαστε πρωτοπόροι από την αυγή του Android και εφαρμόζουμε το ίδιο προληπτικό DNA για να ηγηθούμε της εποχής της Τεχνητής Νοημοσύνης. Στην QBurst, δεν είμαστε απλώς μια εταιρεία που δίνει προτεραιότητα στην τεχνολογία. Είμαστε ένας συνεργάτης που δίνει προτεραιότητα στα αποτελέσματα, του οποίου η ανάπτυξη καθοδηγείται από την ικανοποίηση των πελατών.

Έχετε τονίσει την έννοια «Υψηλή Τεχνητή Νοημοσύνη-Π» ως καθοριστικό πλαίσιο για το QBurst. Πώς θα πρέπει οι ηγέτες των επιχειρήσεων να ερμηνεύσουν αυτήν την έννοια και γιατί αποτελεί σημαντικό διαφοροποιητικό παράγοντα στο τρέχον τοπίο της Τεχνητής Νοημοσύνης;

Το ταξίδι «Υψηλής Τεχνητής Νοημοσύνης-Ποιότητας» της QBurst είναι μια συνειδητή απόφαση: γρήγορη λειτουργία στο λειτουργικό επίπεδο με SDLC που καθοδηγείται από την Τεχνητή Νοημοσύνη και τολμηρές κινήσεις στο στρατηγικό επίπεδο με Managed Agents. Το πιο σημαντικό, στηρίζει ολόκληρη την επιχείρηση στην αργή, θεμελιώδη αλλαγή κουλτούρας, αξιών και ανθρώπινων δυνατοτήτων.

Ενώ υπάρχουν κίνδυνοι και ανησυχίες σχετικά με την Τεχνητή Νοημοσύνη, εάν εφαρμοστεί με ασφάλεια, η Τεχνητή Νοημοσύνη μπορεί να δημιουργήσει αφθονία και καινοτομία. Οι επιχειρήσεις θα δουν αξία όχι μόνο όσον αφορά την Παραγωγικότητα, αλλά και την Ανάπτυξη και τον Μετασχηματισμό.

Από άποψη υλοποίησης, βλέπουμε αυτό να εξελίσσεται καθημερινά μέσω του πλαισίου SDLC που βασίζεται στην Τεχνητή Νοημοσύνη. Αυτός είναι ο «τρόπος» του μετασχηματισμού, όπου έχουμε ενσωματώσει την Τεχνητή Νοημοσύνη σε κάθε στάδιο ανάπτυξης, από τη δημιουργία ιστοριών χρήστη έως τα σενάρια δοκιμών αυτο-ίασης. Τα αποτελέσματα μιλούν από μόνα τους:

• Χρόνος διάθεσης στην αγορά: Σημαντική μείωση των κύκλων ανάπτυξης και δοκιμών.
• Ποιότητα: Αξιοσημείωτη μείωση 25-35% στα ελαττώματα μετά την κυκλοφορία.
• Αποδοτικότητα: Συνεχής βελτίωση 20-30% στη συνολική απόδοση.

Το στρατηγικό επίπεδο είναι το σημείο όπου προχωράμε πέρα ​​από τη βελτιστοποίηση μερών, στη βελτιστοποίηση ολόκληρου του οικοσυστήματος. Αυτό απαιτούσε μια επανεξέταση των πυλώνων των λύσεών μας, η οποία οδήγησε στη δημιουργία των Managed Agents, μιας συγχώνευσης της Enterprise Agentic AI και των Managed Services. Για τους πελάτες μας, αυτό σημαίνει ότι οι AI agents χειρίζονται εργασίες, ροές εργασίας και λειτουργίες front-end και back-end, προωθώντας τόσο την αποτελεσματικότητα όσο και τη συνεχή καινοτομία. Δεν παρέχουμε απλώς υπηρεσίες. Ενορχηστρώνουμε ένα απρόσκοπτο δίκτυο αξίας.

Πολλές επιχειρήσεις συσσωρεύουν αυτό που αποκαλείτε «Χρέος Τεχνητής Νοημοσύνης» — σημαντικές δαπάνες σε πιλοτικά έργα GenAI που δεν κλιμακώνονται ούτε δημιουργούν αξία. Ποιες είναι οι βασικές αιτίες αυτού του προβλήματος και πώς μπορούν οι οργανισμοί να ξεφύγουν από αυτό το μοτίβο;     

Οι επιχειρήσεις συσσωρεύουν «χρέος τεχνητής νοημοσύνης» όταν οι επενδύσεις σε GenAI σταματούν σε πιλοτικά έργα και δεν καταφέρνουν να κλιμακωθούν σε πραγματική επιχειρηματική αξία. Η βασική αιτία είναι αυτό που ονομάζουμε «παγίδα ανακαίνισης» - μια προσπάθεια να ενσωματωθούν οι δυνατότητες GenAI σε παλαιότερα συστήματα που δεν σχεδιάστηκαν ποτέ για να υποστηρίζουν ροές εργασίας εγγενείς στην τεχνητή νοημοσύνη. Σε αυτά τα περιβάλλοντα, τα δεδομένα, η αρχιτεκτονική και η διακυβέρνηση απλώς δεν είναι έτοιμα, επομένως τα πιλοτικά έργα καθυστερούν ή αποτυγχάνουν σε κλίμακα.

Αυτό επιδεινώνεται από την έλλειψη βασικής ετοιμότητας. Πολλοί οργανισμοί σπεύδουν να πειραματιστούν, παρακάμπτοντας βασικές επενδύσεις στη στρατηγική δεδομένων, τη μηχανική δεδομένων και τη διακυβέρνηση. Χωρίς εκσυγχρονισμένα θεμέλια δεδομένων και σαφή πλαίσια ελέγχου, οι πρωτοβουλίες GenAI παραμένουν μεμονωμένες αποδείξεις της ιδέας και όχι επιχειρηματικές δυνατότητες.

Η άρση αυτού του μοτίβου απαιτεί μια στροφή προς τον σχεδιασμό με προτεραιότητα την Τεχνητή Νοημοσύνη. Αντί να αναρωτιούνται πού μπορεί να προστεθεί η Τεχνητή Νοημοσύνη, οι οργανισμοί πρέπει να σχεδιάζουν συστήματα με γνώμονα τα αποτελέσματα της Τεχνητής Νοημοσύνης από την πρώτη κιόλας ημέρα, ευθυγραμμίζοντας την αρχιτεκτονική, τις ροές δεδομένων και τη διακυβέρνηση για την υποστήριξη του έξυπνου αυτοματισμού σε μεγάλη κλίμακα.

Πρακτικά, αυτό ξεκινά με τη μηχανική δεδομένων. Η δημιουργία ισχυρών, καλά διαχειριζόμενων αγωγών δεδομένων και μοντέλων εκ των προτέρων δημιουργεί τις προϋποθέσεις για τη βιώσιμη κλιμάκωση της Γενικής Τεχνητής Νοημοσύνης (GenAI). Όταν τα θεμέλια είναι σωστά, η Τεχνητή Νοημοσύνη μεταβαίνει από τον πειραματισμό στον αντίκτυπο. Έτσι, το χρέος της Τεχνητής Νοημοσύνης δίνει τη θέση του στη μακροπρόθεσμη δημιουργία αξίας.

Το παραδοσιακό μοντέλο συμβάσεων Χρόνου & Υλικών θεωρείται ολοένα και περισσότερο ως μη ευθυγραμμισμένο με την πραγματικότητα της αποδοτικότητας που βασίζεται στην Τεχνητή Νοημοσύνη. Γιατί αυτό το μοντέλο καθίσταται ξεπερασμένο και πώς μπορούν προσεγγίσεις όπως οι «Διαχειριζόμενοι Πράκτορες» ή η «Υπηρεσία ως Λογισμικό» να προσφέρουν μια πιο βιώσιμη πορεία προς τα εμπρός για την εταιρική πληροφορική;     

Το παραδοσιακό μοντέλο Χρόνου & Υλικών δημιουργήθηκε για μια εποχή σπανιότητας πόρων, όπου η αξία συνδεόταν άμεσα με την ανθρώπινη προσπάθεια. Στην εποχή της Τεχνητής Νοημοσύνης, αυτή η υπόθεση δεν ισχύει πλέον. Η νοημοσύνη και η εκτέλεση γίνονται άφθονες και καθώς η αφθονία αυξάνεται, η αξία μετατοπίζεται από την προσπάθεια στα αποτελέσματα. Η Τεχνητή Νοημοσύνη σπάει ριζικά τη λογική της ωριαίας χρέωσης.

Αυτός είναι ο λόγος για τον οποίο ο κλάδος στρέφεται προς μοντέλα που βασίζονται στα αποτελέσματα. Μετρήσεις όπως τα αιτήματα που επιλύονται χωρίς ανθρώπινη παρέμβαση ή οι ροές εργασίας που ολοκληρώνονται από άκρο σε άκρο από την Τεχνητή Νοημοσύνη παρέχουν σαφή, μετρήσιμη αξία. Αυτά τα μοντέλα αντιμετωπίζουν την ικανότητα ως λογισμικό, όχι ως εργασία, η οποία μπορεί να περιγραφεί ως «υπηρεσία ως λογισμικό».

Προσεγγίσεις όπως οι Managed Agents και η Service-as-a-Software προσφέρουν μια πιο βιώσιμη πορεία προς τα εμπρός. Μετατοπίζουν την εστίαση από την πληρωμή για την προσπάθεια στην πληρωμή για έξυπνα αποτελέσματα, επιτρέποντας προβλέψιμο κόστος, συνεχή βελτίωση και κοινό όφελος από τον αυτοματισμό. Οι Managed Agents επιτρέπουν στους ανθρώπινους μηχανικούς και τους πράκτορες Τεχνητής Νοημοσύνης να συνεργάζονται για την επίτευξη επιχειρηματικών στόχων, ενώ η Service-as-a-Software καθιστά την αξία μετρήσιμη μέσω των αποτελεσμάτων και όχι μέσω των ωρών που δαπανώνται.

Σε έναν κόσμο που βασίζεται στην Τεχνητή Νοημοσύνη, τα πιο ευθυγραμμισμένα εμπορικά μοντέλα είναι αυτά που ανταμείβουν τα αποτελέσματα, όχι την προσπάθεια, δημιουργώντας μια win-win κατάσταση τόσο για τις επιχειρήσεις όσο και για τους παρόχους υπηρεσιών.

Η μεθοδολογία σας «Υψηλό AI-Q» εστιάζει στο Ταλέντο, την Εφαρμογή και τον Αντίκτυπο ως τα τρία κρίσιμα επίπεδα για την ετοιμότητα της Τεχνητής Νοημοσύνης. Πώς μπορούν οι CIO να αξιολογήσουν την ωριμότητά τους σε αυτά τα επίπεδα πριν από την κλιμάκωση των πρωτοβουλιών Γενικής Τεχνητής Νοημοσύνης;

Πριν από την κλιμάκωση της Γενικής Τεχνητής Νοημοσύνης (GenAI), οι CIO χρειάζονται μια σαφή εικόνα της ωριμότητας και στα τρία επίπεδα «Υψηλής Τεχνητής Νοημοσύνης» - το ταλέντο, την εφαρμογή και τον αντίκτυπο - και όχι μόνο στο τεχνολογικό επίπεδο.

Στο επίπεδο των ταλέντων, η ωριμότητα αφορά την ετοιμότητα των ανθρώπων. Οι CIO θα πρέπει να αξιολογούν τις δεξιότητες Τεχνητής Νοημοσύνης, την προθυμία τους για αλλαγή και το κατά πόσον οι εργαζόμενοι έχουν ασφαλή, ελεγχόμενη πρόσβαση σε LLM που επιτρέπει τον ασφαλή πειραματισμό.

Στο επίπεδο εφαρμογών, η εστίαση είναι στα θεμελιώδη στοιχεία των δεδομένων και της διακυβέρνησης, όπως η ποιότητα των δεδομένων, η αρχιτεκτονική, η ασφάλεια και η ωριμότητα των πολιτικών και των προστατευτικών κιγκλιδωμάτων σε όλες τις πρακτικές πρόσβασης στο LLM και ανάπτυξης τεχνητής νοημοσύνης.

Στο επίπεδο επιπτώσεων, οι CIO θα πρέπει να αξιολογούν τις περιπτώσεις χρήσης με βάση την προσπάθεια έναντι της επιχειρηματικής αξίας. Ο εντοπισμός ευκαιριών με χαμηλή προσπάθεια και υψηλό αντίκτυπο επιτρέπει την επίτευξη πρώιμων κερδών και υποστηρίζει μια επαναληπτική προσέγγιση για την κλιμάκωση της Γενικής Τεχνητής Νοημοσύνης (GenAI).

Για οργανισμούς που εξακολουθούν να λειτουργούν με παλαιότερες αρχιτεκτονικές, ποια βασικά βήματα εκσυγχρονισμού απαιτούνται για την προετοιμασία τους για ροές εργασίας πρακτόρων και μοντέλα παράδοσης με τεχνητή νοημοσύνη;

Ακολουθούν τα τρία βήματα που μπορούν να προετοιμάσουν τους οργανισμούς καθώς προχωρούν προς τις ροές εργασίας των πρακτορείων.

1. Προτεραιότητα στον Εκσυγχρονισμό της Βάσης Δεδομένων: Για τους οργανισμούς που λειτουργούν με αρχιτεκτονικές παλαιού τύπου, το πρώτο βήμα είναι ο εκσυγχρονισμός της βάσης δεδομένων, ώστε να είναι δυνατή η χρήση μεταδεδομένων, γενεαλογίας και μετρήσεων ποιότητας δεδομένων για τα απομονωμένα δεδομένα. Αυτό διασφαλίζει ότι οι πράκτορες έχουν τα πλούσια σε συμφραζόμενα και επεξηγήσιμα δεδομένα που χρειάζονται. Η εισαγωγή εργαλείων που βασίζονται στο GenAI έχει κάνει αυτόν τον εκσυγχρονισμό ταχύτερο και απλούστερο. Ενώ η χρήση του GenAI με αρχιτεκτονική παλαιού τύπου είναι δυνατή, η απαίτηση token για την επίτευξη ουσιαστικών αποτελεσμάτων θα ήταν εξαιρετικά υψηλή.

2. Δημιουργία Επιπέδων Γνώσης για την Επιχείρηση: Οι οργανισμοί που δεν έχουν εκσυγχρονίσει τα συστήματά τους θα έχουν μεγάλο μέρος της συσσωρευμένης γνώσης που δεν έχει τεκμηριωθεί. Η δημιουργία των επιπέδων γνώσης για την καταγραφή αυτής της παροδικής συσσωρευμένης γνώσης εντός του συστήματος θα ήταν το δεύτερο έργο υψηλής προτεραιότητας. Αυτό είναι το επίπεδο που λείπει από την πορεία υιοθέτησης της Τεχνητής Νοημοσύνης σε πολλούς οργανισμούς.

3. Ορισμός Ορίων και Τρόπων Εργασίας των Πράκτορων: Το τρίτο βήμα είναι να διασφαλιστεί ότι οι πράκτορες τηρούν όλες τις βέλτιστες πρακτικές και τις συμμορφώσεις ασφαλείας που ακολουθούνται επί του παρόντος στον οργανισμό. Τα πλαίσια διακυβέρνησης, οι πολιτικές ασφαλείας και τα πλαίσια παρατηρησιμότητας επιτρέπουν στους πράκτορες να σκέφτονται και να ενεργούν αποτελεσματικά εντός των ορίων και των καθιερωμένων τρόπων εργασίας του οργανισμού.

Κατά την προετοιμασία για την «ετοιμότητα για την Τεχνητή Νοημοσύνη», τι απαιτείται πέρα ​​από τα εργαλεία — όσον αφορά τα δεδομένα, τις διαδικασίες, τη διακυβέρνηση και τις δυνατότητες της ομάδας;

Η ετοιμότητα για την Τεχνητή Νοημοσύνη υπερβαίνει κατά πολύ την επιλογή των κατάλληλων εργαλείων. Στην πράξη, η υιοθέτηση της Τεχνητής Νοημοσύνης επιτυγχάνει ή αποτυγχάνει με βάση την ικανότητα ενός οργανισμού να καταγράφει τη φυλετική γνώση, όπως οι άγραφες διαδικασίες, η λογική των αποφάσεων και οι βασικές σχέσεις που υπάρχουν μόνο στο μυαλό των εργαζομένων. Αυτή η γνώση πρέπει να τεκμηριώνεται σε φυσική γλώσσα, ώστε τα συστήματα Τεχνητής Νοημοσύνης να μπορούν να τη χρησιμοποιούν συλλογιστικά, όχι απλώς να επεξεργάζονται δεδομένα μεμονωμένα.

Η ετοιμότητα των δεδομένων είναι εξίσου κρίσιμη, αλλά η ποιότητα από μόνη της δεν αρκεί. Αυτό που πραγματικά καθορίζει την επιτυχία είναι τα μεταδεδομένα, τα οποία περιλαμβάνουν το πλαίσιο, την καταγωγή και το νόημα πίσω από τα δεδομένα. Χωρίς αυτά, ακόμη και τα πιο προηγμένα μοντέλα παράγουν επιφανειακά ή αναξιόπιστα αποτελέσματα.

Η υιοθέτηση της τεχνητής νοημοσύνης στις επιχειρήσεις υστερεί επίσης σε σχέση με την τεχνητή νοημοσύνη των καταναλωτών για έναν λόγο: η διακυβέρνηση, η ασφάλεια και η συμμόρφωση είναι αδιαπραγμάτευτα. Αυτά δεν αποτελούν εμπόδια προς αντιμετώπιση, αλλά απαιτήσεις για τις οποίες πρέπει να οικοδομήσουμε. Οι οργανισμοί πρέπει να δημιουργήσουν πλαίσια εμπιστοσύνης που περιλαμβάνουν προστατευτικά κιγκλιδώματα, παρατηρησιμότητα GenAI, εξηγησιμότητα και ροές εργασίας human-in-the-loop, για να διασφαλίσουν ότι τα αποτελέσματα της τεχνητής νοημοσύνης είναι ασφαλή, επαναλήψιμα και ακριβή.

Τέλος, οι ομάδες πρέπει να αναπτύξουν τη διαίσθηση της Τεχνητής Νοημοσύνης. Η ετοιμότητα σημαίνει αναβάθμιση των δεξιοτήτων των εργαζομένων στην Τεχνητή Νοημοσύνη, ώστε να γνωρίζουν πώς να προτρέπουν αποτελεσματικά, να επικυρώνουν τα αποτελέσματα και να ελέγχουν τα αποτελέσματα, αντί να εμπιστεύονται τυφλά ένα «μαύρο κουτί». Η Τεχνητή Νοημοσύνη λειτουργεί καλύτερα όταν οι άνθρωποι παραμένουν ενήμεροι για τα πάντα.

Ο τομέας των τεχνολογικών υπηρεσιών είναι γεμάτος με παλαιούς παίκτες. Ποια θεωρείτε τα ισχυρότερα διαφοροποιητικά στοιχεία της QBurst όταν ανταγωνίζεται για εντολές μετασχηματισμού επιχειρήσεων;

Η QBurst διαφοροποιείται σε μια αγορά υπηρεσιών τεχνολογίας που χαρακτηρίζεται από μεγάλο όγκο συναλλαγών, συνδυάζοντας την βαθιά μηχανική εμπειρογνωμοσύνη με την ευελιξία μιας πολύ μικρότερης, πρωτοποριακής εταιρείας.

Το ανταγωνιστικό μας πλεονέκτημα καθορίζεται από πέντε βασικούς πυλώνες:

1. Βάθος στη Μηχανική με μια Σκέψη Σχεδιασμού – Δεν γράφουμε απλώς κώδικα. Λύνουμε επιχειρηματικά προβλήματα μέσω ολιστικών, επικεντρωμένων στον χρήστη λύσεων.

2. Ευελιξία και Υπευθυνότητα – Είμαστε αρκετά μεγάλοι για να επεκταθούμε, αλλά αρκετά ευέλικτοι για να φροντίζουμε – η ευελιξία και η προσαρμογή μας στις γρήγορες αλλαγές είναι κάτι για το οποίο οι πελάτες μας έχουν αποδείξει. Οι ομάδες μας αναλαμβάνουν πραγματικά την ευθύνη της επιτυχίας των πελατών. Θα δείτε την ευθύνη για την υλοποίηση να φτάνει μέχρι το επίπεδο της ανώτερης ηγεσίας.

3. Πολιτισμική ευχέρεια: Είτε πρόκειται για μίνι εφαρμογές LINE στην Ιαπωνία είτε για ολοκληρωμένα συστήματα τιμολόγησης για αμερικανικές αλυσίδες παντοπωλείων, προσαρμόζουμε όχι μόνο την τεχνολογία —αλλά και την εμπειρία— σε κάθε αγορά.

4. Όραμα με γνώμονα την Τεχνητή Νοημοσύνη – Ενσωματώνουμε την Τεχνητή Νοημοσύνη στην παροχή υπηρεσιών, στις λειτουργίες μας και στις λύσεις για τους πελάτες μας—όχι ως λέξη-κλειδί, αλλά ως πολλαπλασιαστή δυνατοτήτων.

5. Κουλτούρα Καινοτομίας και Πειραματισμού – Οι ηγέτες μας είναι τεχνολογικά καταρτισμένοι και λατρεύουν να λύνουν τα προβλήματα των πελατών χρησιμοποιώντας την πιο πρόσφατη και αναδυόμενη τεχνολογία. Δεν φοβόμαστε την αποτυχία και έχουμε δημιουργήσει ουσιαστικό αντίκτυπο για τους πελάτες μας υιοθετώντας μια προσέγγιση νεοσύστατων επιχειρήσεων σε πολλές περιπτώσεις.

Δεν φοβόμαστε επίσης να ανατρέψουμε την εικόνα μας. Πειραματιζόμαστε με μοντέλα που βασίζονται σε αποτελέσματα, σύνθετα πλαίσια παράδοσης και εργαστήρια συν-καινοτομίας για εταιρικούς πελάτες.

Κοιτάζοντας μπροστά για τρία έως πέντε χρόνια, πώς αναμένετε να εξελιχθούν τα λειτουργικά μοντέλα πληροφορικής των επιχειρήσεων με την άνοδο των ροών εργασίας των πρακτορείων και των οργανισμών που βασίζονται στην τεχνητή νοημοσύνη, και για τι πρέπει να προετοιμαστούν τώρα οι ηγέτες;

Το επόμενο κύμα καινοτομίας θα ανήκει σε εκείνους που μπορούν να συνδυάσουν ισχυρές δυνατότητες Τεχνητής Νοημοσύνης με στοχαστικά συστήματα ελέγχου, εποπτείας και εμπιστοσύνης. Γι' αυτό η αναδυόμενη συζήτηση γύρω από τα εταιρικά πρακτορικά πλαίσια φαίνεται τόσο σημαντική - και τόσο επείγουσα.

Μερικές από τις βασικές γνώσεις για μένα είναι:

• Η κατασκευή κέντρων δεδομένων τεχνητής νοημοσύνης επιταχύνεται, όχι επιβραδύνεται. Το κλίμα στον κόσμο των κέντρων δεδομένων είναι εξαιρετικά αισιόδοξο, με τη χωρητικότητα, τη ζήτηση και τις επενδύσεις να σημειώνουν άνοδο.
• Η υιοθέτηση της τεχνητής νοημοσύνης στις επιχειρήσεις θα είναι πιο αργή από την τεχνητή νοημοσύνη των καταναλωτών (τα οργανωτικά δεδομένα είναι συχνά ακατάστατα, κατακερματισμένα και κατανεμημένα σε πολλά συστήματα αντί να είναι καθαρά και κεντρικά. Τα σημερινά μοντέλα δεν είναι ακόμη αρκετά ακριβή για πολύ συγκεκριμένες εταιρικές καταστάσεις και λειτουργίες χωρίς προσαρμογή στο μοναδικό πλαίσιο κάθε οργανισμού. Για να ξεκλειδώσουν πραγματική αξία, τα μοντέλα θα πρέπει να εκπαιδευτούν και να βελτιστοποιηθούν σε ιδιόκτητα εταιρικά δεδομένα, ειδικά στο «τελευταίο μίλι» συγκεκριμένων ροών εργασίας και περιπτώσεων χρήσης).
• Πριν οι πραγματικά αυτόνομοι πράκτορες μπορέσουν να ευδοκιμήσουν στην επιχείρηση, υπάρχει μια μεγαλύτερη πρόκληση: η δημιουργία του αντίστοιχου των εποπτικών δομών, των εγκρίσεων και των προστατευτικών κιγκλιδωμάτων που υπάρχουν για τους εργαζομένους, τα οποία επιτρέπουν στο ανθρώπινο δυναμικό να εκτελεί αξιόπιστα και να κλιμακώνεται.

Οι ηγέτες θα πρέπει να προετοιμαστούν έχοντας κατά νου τα εξής:

• Οι πράκτορες θα πρέπει να αντιμετωπίζονται ως νεοπροσληφθέντες, με σαφώς καθορισμένα πεδία αρμοδιότητας, σαφή εποπτεία και μηχανισμούς για τον περιορισμό των λαθών ενόσω «μαθαίνουν» τους γραπτούς και άγραφους κανόνες του οργανισμού.
• Υπάρχει ανάγκη για έναν «δίαυλο πρακτόρων» ή ένα επίπεδο συντονισμού όπου οι πράκτορες εγγράφονται, λαμβάνουν δικαιώματα εγγραφής και οι ενέργειές τους παρακολουθούνται από εποπτικούς πράκτορες.
• Η αναδημιουργία των ελέγχων και των ισορροπιών που καθιστούν τις ανθρώπινες οργανώσεις ισχυρές θα είναι κρίσιμη για την επίτευξη ασφαλούς, ακριβούς και αξιόπιστης εκτέλεσης σε έναν κόσμο πρακτορικών επιχειρήσεων.
• Η διαχείριση του ανθρώπινου ταλέντου και η επανεκπαίδευση είναι μια άλλη σημαντική πτυχή, καθώς οι διεπαφές και οι συνεργασίες ανθρώπου-τεχνητής νοημοσύνης αλλάζουν με τα συστήματα και τα πλαίσια πρακτορείων.
• Το πιο συναρπαστικό μέτωπο είναι η εμφάνιση προηγμένων Enterprise Agentic Frameworks —πέρα από αυτά που υπάρχουν σήμερα— που μπορούν να μετατρέψουν αυτό το όραμα σε μια πρακτική, κλιμακώσιμη πραγματικότητα, όταν συνδυάζονται με ισχυρή κατανόηση του τομέα και λύσεις.

Σας ευχαριστούμε για την υπέροχη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να το επισκεφτούν QBurst.