Arun Kumar Ramchandran, CEO de QBurst – Serie de entrevistas

Arun Kumar Ramchandran, CEO de QBurst, es un veterano ejecutivo de tecnología y servicios con más de 25 años de experiencia en liderazgo en consultoría global, ventas de grandes contratos, propiedad de P&L y transformación empresarial. Se convirtió en CEO en abril de 2025 y es responsable de liderar a QBurst en todo el negocio, mientras da forma a su estrategia como una empresa de servicios de tecnología y ingeniería digital liderada por IA. Antes de unirse a QBurst, ocupó puestos ejecutivos en Hexaware Technologies (incluyendo presidente y liderazgo de consultoría de GenAI), Capgemini/Sogeti (liderazgo de clientes y ventas), y Infosys y Virtusa, donde construyó y escaló unidades de negocio, lideró programas estratégicos importantes y impulsó el crecimiento en múltiples geografías y verticales de la industria.

QBurst es un socio de ingeniería digital global que se posiciona en torno a la “Alta Calidad de IA”, combinando la entrega habilitada por IA con enfoques impulsados por datos y aplicados para ayudar a las empresas a modernizar, construir y escalar. La empresa enfatiza la ingeniería de experiencias digitales de extremo a extremo, la modernización y la ingeniería de productos, apoyando a los clientes con iniciativas como plataformas digitales componibles, soluciones de experiencia y conversación del cliente, y fundamentos de datos listos para IA, con el objetivo de producir resultados medibles como una productividad mejorada, una entrega más rápida y experiencias del cliente más sólidas en una base de clientes internacional amplia.

Ha asumido el papel de CEO en QBurst después de una larga carrera de liderazgo en Hexaware, Capgemini, Infosys y otras organizaciones globales. ¿Qué lo atrajo a QBurst en este momento de su crecimiento, y cómo su experiencia moldeará la dirección que quiere tomar la empresa?

La decisión de unirse a QBurst fue una confluencia de oportunidad y potencial. Lo que me atrajo a QBurst fue una combinación de sus fortalezas inherentes y una oportunidad de mercado única. La cultura emprendedora de QBurst y su éxito con tecnologías de vanguardia al entregar a clientes exigentes me impresionaron e intrigaron.

Con la convergencia de cambios disruptivos y entornos cambiantes en tecnología, industrias y regulaciones, una empresa enfocada y diferenciada como QBurst tiene una oportunidad única en una generación para destacarse y crear un nuevo modelo de empresa de servicios de tecnología e ingeniería para el futuro impulsado por IA.

Con más de 25 años en transformación impulsada por tecnología en múltiples industrias, ¿cómo ha influido su experiencia en la forma en que piensa sobre la escalabilidad de una plataforma de servicios liderada por IA hoy en día?

He observado que la principal innovación y adopción de tecnología ocurren después de que el ciclo de histeria se ha enfriado y los problemas empresariales reales comienzan a resolverse a nivel empresarial. Hay tres puntos específicos que me gustaría mencionar aquí en términos de escalabilidad de una plataforma de servicios liderada por IA.

1. Cruzar la etapa de “PoC”.

El mayor desafío que veo hoy es cruzar la etapa de PoC. La escalabilidad requiere un cambio de mentalidad: no solo construimos IA, proporcionamos soluciones de producción de grado. En QBurst, ayudamos a los clientes a crecer más allá de la etapa de PoC centrándonos en la agilidad, adoptando nuevos modelos con ventanas de contexto más grandes en lugar de estar bloqueados en la tecnología de ayer.

2. No hay IA sin una base sólida

Una lección que he llevado a través de cada ciclo de tecnología, desde los primeros días de la movilidad en 2009 hasta la revolución de la nube, es que no se puede automatizar el caos. La IA es tan poderosa como los datos que la alimentan. QBurst impulsa el crecimiento asegurando que el trabajo “aburrido pero esencial” se realice, es decir, la modernización digital y la ingeniería de datos avanzada.

3. La visión de “Alta Calidad de IA”

Para liderar este cambio, nos hemos repositionado como una empresa de “Alta Calidad de IA”. Esto refleja la integración de IA Generativa y Agente en todos nuestros servicios principales, impulsando la transformación empresarial nativa de IA. En QBurst, la IA no es una característica aditiva, sino el tejido principal de nuestra estrategia y entrega. Combina modelos de aprendizaje automático personalizados con automatización inteligente para asegurarse de que, a medida que crece el negocio, su inteligencia se escalona con él.

Hemos sido pioneros desde el amanecer de Android, y estamos aplicando el mismo ADN proactivo para liderar la era de la IA. En QBurst, no somos solo una empresa de tecnología, somos un socio de resultados cuyo crecimiento está impulsado por la satisfacción del cliente.

Ha enfatizado la “Alta Calidad de IA” como un marco definitorio para QBurst. ¿Cómo deben interpretar los líderes empresariales este concepto, y por qué es un diferenciador importante en el panorama actual de IA?

El viaje de “Alta Calidad de IA” de QBurst es una decisión consciente: correr rápido en la capa operativa con SDLC impulsado por IA, y hacer movimientos audaces en la capa estratégica con Agentes administrados. Lo más importante es que ancla toda la empresa en el lento cambio de cultura, valores y capacidad humana.

Aunque existen riesgos y preocupaciones sobre la IA, si se implementa de manera segura, la IA puede crear abundancia e innovación. Las empresas verán valor no solo en términos de productividad, sino también de crecimiento y transformación.

Desde el punto de vista de la entrega, estamos viendo esto suceder a diario a través de nuestro marco de trabajo de SDLC impulsado por IA. Esta es la “forma” de transformación, donde hemos integrado la IA en cada etapa del desarrollo, desde la generación de historias de usuario hasta los scripts de prueba auto-sanadores. Los resultados hablan por sí mismos:

• Tiempo de comercialización: Reducción significativa en los ciclos de desarrollo y prueba.
• Calidad: Una reducción notable del 25-35% en los defectos posteriores al lanzamiento.
• Eficiencia: Una mejora constante del 20-30% en la entrega general.

La capa estratégica es donde nos movemos más allá de optimizar partes para optimizar todo el ecosistema. Esto exigió una reevaluación de nuestros pilares de solución, lo que llevó a la creación de Agentes administrados, una fusión de IA Agente Empresarial y Servicios administrados. Para nuestros clientes, esto significa que los agentes de IA manejan tareas front-end y back-end, flujos de trabajo y operaciones, impulsando tanto la eficiencia como la innovación continua. No solo estamos entregando servicios, estamos orquestando una red de valor sin problemas.

Muchas empresas están acumulando lo que usted llama “Deuda de IA” — un gasto significativo en pilotos de GenAI que no escalan o generan valor. ¿Cuáles son las causas raíz de este problema, y cómo pueden las organizaciones romper con este patrón?

Las empresas acumulan “Deuda de IA” cuando las inversiones en GenAI se detienen en pilotos y no logran escalar en valor empresarial real. La causa raíz es lo que llamamos la trampa de retroajuste – un intento de agregar capacidades de GenAI a sistemas legados que nunca fueron diseñados para soportar flujos de trabajo nativos de IA. En estos entornos, los datos, la arquitectura y la gobernanza simplemente no están listos, por lo que los pilotos se estancan o se rompen bajo escala.

Esto se ve agravado por la falta de preparación fundamental. Muchas organizaciones se apresuran a experimentar mientras pasan por alto las inversiones esenciales en estrategia de datos, ingeniería de datos y gobernanza. Sin fundamentos de datos modernizados y marcos de control claros, las iniciativas de GenAI permanecen como conceptos aislados en lugar de capacidades empresariales.

Romper este patrón requiere un cambio a un diseño de IA en primer lugar. En lugar de preguntar dónde se puede agregar IA, las organizaciones deben diseñar sistemas con resultados de IA en mente desde el principio, alineando la arquitectura, los flujos de datos y la gobernanza para soportar la automatización inteligente a escala.

Prácticamente, esto comienza con la ingeniería de datos. Construir tuberías de datos robustas y gobernadas, y modelos de datos de alta calidad, crea las condiciones para que GenAI se escalona de manera sostenible. Cuando la base es correcta, la IA se mueve de la experimentación al impacto. Así, la “Deuda de IA” da paso a la creación de valor a largo plazo.

El modelo de contrato tradicional de Tiempo y Materiales es cada vez más visto como no alineado con las realidades de la eficiencia impulsada por IA. ¿Por qué este modelo se está volviendo obsoleto, y cómo podrían enfoques como “Agentes administrados” o “Servicio como software” proporcionar un camino más sostenible hacia adelante para la TI empresarial!

El modelo tradicional de Tiempo y Materiales se creó para una era de escasez de recursos, donde el valor estaba directamente vinculado al esfuerzo humano. En la era de la IA, esa suposición ya no se mantiene. La inteligencia y la ejecución están volviéndose abundantes, y a medida que aumenta la abundancia, el valor se desplaza del esfuerzo a los resultados. La IA rompe fundamentalmente la lógica de la facturación por hora.

Es por esto que la industria se está moviendo hacia modelos basados en resultados. Métricas como tickets resueltos sin intervención humana o flujos de trabajo completados de extremo a extremo por IA proporcionan un valor claro y medible. Estos modelos tratan la capacidad como software, no como mano de obra, lo que se puede describir como “servicio como software”.

Enfoques como Agentes administrados y Servicio como software ofrecen un camino más sostenible hacia adelante. Cambian el enfoque de pagar por esfuerzo a pagar por resultados inteligentes, permitiendo costos predecibles, mejora continua y beneficio compartido de la automatización. Los Agentes administrados permiten que los ingenieros humanos y los agentes de IA trabajen juntos hacia objetivos empresariales, mientras que el Servicio como software hace que el valor sea medible a través de resultados en lugar de horas invertidas.

En un mundo impulsado por IA, los modelos comerciales más alineados son aquellos que recompensan los resultados, no el esfuerzo, creando una situación de ganar-ganar tanto para las empresas como para los proveedores de servicios.

Su metodología de “Alta Calidad de IA” se centra en Talento, Aplicación e Impacto como las tres capas críticas para la preparación para IA. ¿Cómo pueden los CIO evaluar su madurez en estas capas antes de escalar las iniciativas de GenAI?

Antes de escalar GenAI, los CIO necesitan una visión clara de la madurez en las tres capas de “Alta Calidad de IA” de talento, aplicación e impacto, y no solo la pila de tecnología.

En la capa de talento, la madurez se trata de la preparación de las personas. Los CIO deben evaluar las habilidades de IA, la apertura al cambio y si los empleados tienen acceso seguro y gobernado a LLM que permite la experimentación segura.

En la capa de aplicación, el enfoque está en los fundamentos de datos y gobernanza, como la calidad de los datos, la arquitectura, la seguridad y la madurez de las políticas y guardias en todo el acceso a LLM y las prácticas de desarrollo de IA.

En la capa de impacto, los CIO deben evaluar los casos de uso por esfuerzo versus valor empresarial. Identificar oportunidades de bajo esfuerzo y alto impacto permite victorias tempranas y apoya un enfoque iterativo para escalar GenAI.

Para las organizaciones que aún operan en arquitecturas heredadas, ¿qué pasos de modernización fundamentales se requieren para prepararse para flujos de trabajo agentes y modelos de entrega nativos de IA?

1. Priorizar la modernización de la base de datos: Para las organizaciones que operan en arquitecturas heredadas, el primer paso es modernizar la base de datos para habilitar la metadata, la línea de datos y las métricas de calidad de datos para los datos siloeados. Esto asegura que los agentes tengan los datos contextualmente ricos y explicables que necesitan. La introducción de herramientas basadas en GenAI ha hecho que esta modernización sea más rápida y directa. Mientras que el uso de GenAI con arquitecturas heredadas es posible, el requisito de tokens para obtener resultados significativos sería extremadamente alto.

2. Establecer capas de conocimiento empresarial: Las organizaciones que no han modernizado sus sistemas tendrán mucho conocimiento acumulado sin documentar. Construir las capas de conocimiento para capturar este conocimiento acumulado transitorio dentro del sistema sería la segunda tarea de alta prioridad. Esta es la capa que falta en el viaje de adopción de IA de muchas organizaciones.

3. Definir los límites de los agentes y las formas de trabajo: El tercer paso es asegurarse de que los agentes cumplan con las mejores prácticas y los cumplimientos de seguridad actuales en la organización. Los marcos de gobernanza, las políticas de seguridad y los marcos de observabilidad permiten que los agentes piensen y actúen de manera efectiva dentro de los límites y las formas de trabajo establecidas de la organización.

Cuando se prepara para la “preparación para IA”, ¿qué requiere más allá de la herramienta — en términos de datos, procesos, gobernanza y capacidades del equipo?

La preparación para IA va mucho más allá de la selección de las herramientas correctas. En la práctica, la adopción de IA tiene éxito o fracasa en la capacidad de la organización para capturar el conocimiento tribal, como los procesos no escritos, la lógica de decisión y las relaciones clave que existen solo en las mentes de los empleados. Este conocimiento debe estar documentado en lenguaje natural que los sistemas de IA puedan razonar, no solo procesar datos de manera aislada.

La preparación de los datos es igualmente crítica, pero la calidad sola no es suficiente. Lo que realmente determina el éxito es la metadata, que incluye el contexto, la línea de datos y el significado detrás de los datos. Sin esto, incluso los modelos más avanzados producen resultados superficiales o poco confiables.

La adopción de IA empresarial también se retrasa con respecto a la IA de consumo por una razón: la gobernanza, la seguridad y el cumplimiento son inegociables. Estos no son obstáculos para trabajar alrededor, sino requisitos para construir. Las organizaciones deben establecer marcos de confianza que incluyan guardias, observabilidad de GenAI, explicabilidad y flujos de trabajo con humanos en el bucle para asegurarse de que las salidas de IA sean seguras, repetibles y precisas.

Finalmente, los equipos necesitan desarrollar intuición de IA. La preparación significa capacitar a los empleados en alfabetización de IA para que sepan cómo hacer preguntas efectivas, validar resultados y auditar salidas en lugar de confiar ciegamente en una “caja negra”. La IA funciona mejor cuando los humanos permanecen firmemente en el bucle.

El sector de servicios de tecnología está lleno de actores establecidos. ¿Qué considera que son los diferenciadores más fuertes de QBurst al competir por los mandatos de transformación empresarial?

QBurst se diferencia en un mercado de servicios de tecnología congestionado al emparejar una profunda experiencia en ingeniería con la agilidad de una empresa de innovación mucho más pequeña.

Nuestra ventaja competitiva se define por cinco pilares clave:

1. Profundidad de ingeniería con una mentalidad de diseño centrado en el usuario – No solo escribimos código. Resolvemos problemas empresariales a través de soluciones holísticas y centradas en el usuario.

2. Agilidad y propiedad – Somos lo suficientemente grandes como para escalar, pero lo suficientemente ágiles como para importarnos – nuestra flexibilidad y adaptación a los cambios rápidos es algo que nuestros clientes han testificado. Nuestros equipos asumen una verdadera propiedad del éxito del cliente. Verás la propiedad de la entrega que se extiende hasta el nivel de liderazgo senior.

3. Fluidez cultural: Ya sea que se trate de miniaplicaciones de LINE en Japón o sistemas de precios integrados para cadenas de supermercados estadounidenses, personalizamos no solo la tecnología, sino la experiencia, para cada mercado.

4. Visión de IA en primer lugar – Estamos integrando la IA en nuestra entrega, nuestras operaciones y nuestras soluciones para los clientes, no como un buzzword, sino como un multiplicador de capacidades.

5. Cultura de innovación y experimentación – Nuestros líderes son técnicamente hábiles y aman resolver problemas de los clientes utilizando la tecnología más reciente y emergente. No tenemos miedo de fallar y hemos creado un impacto significativo para nuestros clientes adoptando un enfoque de startup en muchos casos.

También no tememos disruptirnos a nosotros mismos. Estamos experimentando con modelos basados en resultados, marcos de entrega componibles y laboratorios de coinnovación para clientes empresariales.

Mirando hacia adelante tres a cinco años, ¿cómo espera que los modelos operativos de TI empresarial evolucionen con el surgimiento de flujos de trabajo agentes y organizaciones nativas de IA, y qué deben prepararse los líderes ahora?

La próxima ola de innovación pertenecerá a aquellos que puedan casar capacidades de IA poderosas con sistemas de control, supervisión y confianza bien pensados. Es por eso que la conversación emergente sobre marcos de agentes empresariales parece tan importante, y tan urgente.

Algunas de las ideas clave para mí son:

• La construcción de centros de datos de IA está acelerando, no desacelerando; la opinión en el mundo de los centros de datos es muy optimista, con capacidad, demanda y inversión todas en aumento.
• La adopción de IA empresarial será más lenta que la IA de consumo (los datos organizacionales a menudo son desordenados, fragmentados y distribuidos en muchos sistemas en lugar de estar limpios y centralizados; los modelos actuales no son lo suficientemente precisos para situaciones y funciones de empresa específicas sin adaptación al contexto único de cada organización; para desbloquear un valor real, los modelos necesitarán ser entrenados y afinados en datos de empresa propietarios, especialmente en la “última milla” de casos de uso y flujos de trabajo específicos)
• Antes de que los agentes autónomos puedan prosperar en la empresa, hay un desafío más grande: construir las estructuras supervisoras equivalentes, aprobaciones y guardias que existen para los empleados, lo que permite que la fuerza laboral humana ejecute de manera confiable y escalable.

Los líderes deben prepararse teniendo en cuenta lo siguiente:

• Los agentes deben ser tratados como nuevos empleados, con alcance definido claramente, supervisión explícita y mecanismos para contener errores mientras “aprenden” las reglas escritas y no escritas de la organización.
• Hay una necesidad de un “autobús de agentes” o capa de coordinación donde los agentes se registren, obtengan permisos de escritura y tengan sus acciones monitoreadas por agentes supervisoras.
• Recrear los controles y equilibrios que hacen que las organizaciones humanas sean robustas será crítico para lograr una ejecución segura, precisa y confiable en un mundo empresarial de agentes.
• La gestión del talento humano y la recualificación es otro aspecto importante a medida que las interfaces y colaboraciones humanas con IA cambian con los sistemas y marcos de agentes.
• La frontera más emocionante es el surgimiento de marcos de agentes empresariales avanzados — más allá de lo que existe hoy — que pueden convertir esta visión en una realidad práctica y escalable, combinada con una sólida comprensión de dominio y soluciones.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar QBurst.