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 QBurst, ocupó puestos senior en Hexaware Technologies (HEXT.BO ) (incluyendo presidente y liderazgo de consultoría de GenAI), Capgemini/Sogeti (liderazgo de cliente y ventas ejecutivo), 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 alrededor de la “Alta Calidad de IA”, combinando la entrega habilitada por IA con enfoques de 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 del cliente y conversacional, 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 amplia base de clientes internacionales.

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 anterior moldea la dirección que desea 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 empresarial de QBurst y su éxito con tecnologías de vanguardia en la entrega a clientes exigentes me impresionaron y 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 del paquete y crear una nueva empresa de servicios de tecnología y 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 hype 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. 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 reubicado como una empresa de “Alta Calidad de IA”. Esto refleja la integración de IA Generativa y Agente en todos nuestros servicios básicos, impulsando la transformación empresarial nativa de IA. En QBurst, la IA no es una característica aditiva, sino el tejido básico 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 escala 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 “Alta Calidad de IA” como un marco definitorio para QBurst. ¿Cómo deberían interpretar los líderes empresariales este concepto, y por qué es un diferenciador importante en el panorama actual de IA?

El viaje de QBurst hacia “Alta Calidad de IA” 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 fundacional de cultura, valores y capacidad humana.

Aunque hay 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 a diario a través de nuestro marco de trabajo de SDLC impulsado por IA. Esto es el “cómo” de la transformación, donde hemos integrado la IA en cada etapa del desarrollo, desde la generación de historias de usuario hasta scripts de prueba de auto-curación. 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 consistente del 20-30% en la entrega general.

La capa estratégica es donde nos movemos más allá de la optimización de partes para optimizar todo el ecosistema. Esto demandó 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 entregamos servicios, estamos orquestando una red de valor sin fisuras.

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 raíces de este problema, y cómo pueden las organizaciones salir de ese patrón!

Las empresas acumulan “Deuda de IA” cuando las inversiones en GenAI se detienen en pilotos y no escalan a un 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 una falta de preparación fundamental. Muchas organizaciones se apresuran a la experimentación 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 pruebas de concepto aisladas 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 primer día, alineando la arquitectura, los flujos de datos y la gobernanza para soportar la automatización inteligente a escala.

En la práctica, esto comienza con la ingeniería de datos. Construir tuberías de datos y modelos bien gobernados y robustos desde el principio crea las condiciones para que GenAI se escale 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 está cada vez más visto como desalineado 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 el futuro 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 es válida. 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 horas.

Es por eso 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 el futuro. 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 comerciales, 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 victoria para ambas partes, empresas y 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 permita 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 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 valor permite victorias tempranas y apoya un enfoque iterativo para escalar GenAI.

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

Aquí hay tres pasos que pueden preparar a las organizaciones a medida que avanzan hacia flujos de trabajo de agentes.

1. Priorizar la modernización de la base de datos: Para las organizaciones que operan en arquitecturas legadas, el primer paso es modernizar la base de datos para permitir metadatos, linaje y métricas de calidad de datos para datos siloizados. 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 sencilla. Aunque es posible usar GenAI con arquitecturas legadas, 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 muchos viajes de adopción de IA de las organizaciones.

3. Definir límites y formas de trabajo de los agentes: El tercer paso es asegurarse de que los agentes cumplan con todas las mejores prácticas y cumplimiento de seguridad actualmente seguidas 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.

Al prepararse para la “preparación para IA”, ¿qué se 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 la herramienta adecuada. 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 en aislamiento.

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

La adopción de IA empresarial también se queda atrás de 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 de 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 dar instrucciones de manera efectiva, 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 mandatos de transformación empresarial?

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

Nuestra ventaja competitiva está definida por cinco pilares clave:

1. Profundidad de ingeniería con una mentalidad de pensamiento de diseño – 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 cuidar – nuestra flexibilidad y adaptabilidad 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 también la experiencia para cada mercado.

4. Visión de IA en primer lugar – Estamos integrando la IA en nuestra entrega, nuestras operaciones y las soluciones del cliente, no como un término de moda, sino como un multiplicador de capacidades.

5. Cultura de innovación y experimentación – Nuestros líderes son tecnológicamente hábiles y aman resolver problemas del cliente utilizando la tecnología más reciente y emergente. No tememos al fracaso y hemos creado un impacto significativo para nuestros clientes adoptando un enfoque de inicio en muchos casos.

También no tememos a autodesafiar. Estamos experimentando con modelos basados en resultados, marcos de entrega componibles y laboratorios de co-innovación 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 de agentes y organizaciones nativas de IA, y qué deberían prepararse los líderes para ahora?

La próxima ola de innovación pertenecerá a aquellos que puedan casar capacidades de IA poderosas con sistemas de control, supervisión y confianza reflexivos. Es por eso que la conversación emergente sobre marcos de agentes empresariales se siente 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 todos en auge.
• 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 el valor real, los modelos necesitan ser entrenados y afinados en datos empresariales propietarios, especialmente en la “última milla” de flujos de trabajo y casos de uso específicos)
• Antes de que los agentes autónomos puedan prosperar en la empresa, hay un desafío mayor: construir estructuras supervisoras, aprobaciones y guardias equivalentes a las que existen para los empleados, lo que permite a la fuerza laboral humana ejecutar de manera confiable y escalable.

Los líderes deberían prepararse teniendo en cuenta lo siguiente:

• Los agentes deben ser tratados como nuevos empleados, con alcances claramente definidos, 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 supervisor.
• Recrear los controles y equilibrios que hacen que las organizaciones humanas sean sólidas será crucial para lograr una ejecución segura, precisa y confiable en un mundo empresarial de agentes.
• Administrar el 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, cuando se combina con una sólida comprensión de dominio y soluciones.

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