Arun Kumar Ramchandran, director ejecutivo 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, abarcando consultoría global, ventas de grandes operaciones, gestión de pérdidas y ganancias y transformación empresarial. Asumió el cargo de CEO en abril de 2025 y es responsable de liderar QBurst en toda la empresa, a la vez que define su estrategia como empresa de servicios tecnológicos e ingeniería digital basada en IA. Antes de incorporarse a QBurst, ocupó altos cargos en Hexaware Technologies (incluyendo la presidencia y la dirección de consultoría de GenAI), Capgemini/Sogeti (dirección ejecutiva de clientes y ventas), e Infosys y Virtusa, donde creó y expandió unidades de negocio, dirigió importantes programas estratégicos e impulsó el crecimiento en múltiples geografías y sectores.

Ráfaga Q Es un socio global de ingeniería digital que se posiciona en torno a una IA de alta calidad (High AI-Q), combinando la entrega basada en IA con IA aplicada y enfoques basados ​​en datos para ayudar a las empresas a modernizarse, desarrollarse y escalar. La compañía se centra en la ingeniería integral de la experiencia digital, la modernización y la ingeniería de producto, apoyando a sus clientes con iniciativas como plataformas digitales componibles, soluciones conversacionales y de experiencia del cliente, y bases de datos compatibles con IA. Estas iniciativas buscan generar resultados medibles, como una mayor productividad, entregas más rápidas y experiencias de cliente más sólidas en una amplia base de clientes internacionales.

Asumió el cargo de CEO en QBurst tras una larga trayectoria de liderazgo en Hexaware, Capgemini, Infosys y otras organizaciones globales. ¿Qué le atrajo a QBurst en este momento de crecimiento y cómo influye su experiencia en el rumbo que desea tomar para la empresa?

La decisión de unirme a QBurst fue una combinación de oportunidades y potencial. Lo que me atrajo de QBurst fue la combinación de sus fortalezas inherentes y una oportunidad de mercado única. La cultura emprendedora de Qburst y su éxito con tecnología de vanguardia para atender 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 su generación de diferenciarse del resto y crear una nueva empresa de servicios de tecnología e ingeniería y un modelo de entrega para el futuro impulsado por la IA.

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

He observado que la principal innovación y adopción de tecnología ocurre después de que el ciclo de popularidad se calma y los problemas empresariales reales comienzan a resolverse a nivel empresarial. Hay tres puntos específicos que me gustaría destacar aquí en cuanto a la escalabilidad de una plataforma de servicios basada en IA.

1. Cruzando la “etapa PoC”.

El mayor desafío que veo hoy es superar la fase de PoC. Escalar requiere un cambio de mentalidad: no solo desarrollamos IA; ofrecemos soluciones de producción. En QBurst, ayudamos a nuestros clientes a superar la fase de PoC centrándonos en la agilidad: adoptamos nuevos modelos con ventanas de contexto más amplias en lugar de quedarnos atrapados en la tecnología del pasado.

2. No hay IA sin una base sólida

Una lección que he aprendido en cada ciclo tecnológico, desde los inicios de la tecnología móvil 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 al garantizar que se realice el trabajo "aburrido pero esencial", concretamente la modernización digital y la ingeniería avanzada de datos.

3. La visión de "Alta Inteligencia Artificial"

Para liderar este cambio, nos hemos reposicionado como una empresa de "Alta Calidad en IA". Esto refleja la integración de la IA Generativa y la IA Agentic en todos nuestros servicios principales, impulsando la transformación empresarial basada en IA. En QBurst, la IA no es una función aditiva, sino la base de nuestra estrategia y entrega. Combina modelos de aprendizaje automático personalizados con automatización inteligente para garantizar que, a medida que el negocio crece, su inteligencia se adapte a él.

Hemos sido pioneros desde los inicios de Android y aplicamos ese mismo ADN proactivo para liderar la era de la IA. En QBurst, no solo somos una empresa tecnológicamente avanzada; somos un socio que prioriza los resultados y cuyo crecimiento se basa en la satisfacción del cliente.

Ha hecho hincapié en «Alta IA-Q» como marco definitorio de QBurst. ¿Cómo deberían interpretar este concepto los líderes empresariales y por qué es un diferenciador importante en el panorama actual de la IA?

La estrategia "High AI-Q" de QBurst es una decisión consciente: actuar con rapidez en la capa operativa con un SDLC impulsado por IA y tomar decisiones audaces en la capa estratégica con agentes gestionados. Y lo más importante, ancla a toda la empresa en el cambio gradual y fundamental de cultura, valores y capacidad humana.

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

Desde la perspectiva de la entrega, vemos cómo esto se materializa a diario a través de nuestro marco de ciclo de vida del desarrollo de software (SDLC) impulsado por IA. Este es el "cómo" de la transformación, donde hemos integrado la IA en cada etapa del desarrollo, desde la generación de historias de usuario hasta los scripts de prueba con autorreparación. Los resultados hablan por sí solos:

• Time-to-Market: Reducción significativa en los ciclos de desarrollo y pruebas.
• Calidad: Una notable reducción 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 pasamos de optimizar partes a optimizar todo el ecosistema. Esto exigió un replanteamiento de los pilares de nuestra solución, lo que llevó a la creación de Agentes Gestionados, una fusión de IA Enterprise Agentic y Servicios Gestionados. Para nuestros clientes, esto significa que los agentes de IA gestionan las tareas front-end y back-end, los flujos de trabajo y las operaciones, impulsando la eficiencia y la innovación continua. No solo prestamos servicios; orquestamos una red de valor integrada.

Muchas empresas están acumulando lo que llaman "deuda de IA": un gasto significativo en proyectos piloto de GenAI que no escalan ni generan valor. ¿Cuáles son las causas fundamentales de este problema y cómo pueden las organizaciones superar este patrón?     

Las empresas acumulan "deuda de IA" cuando las inversiones en GenAI se limitan a los pilotos y no logran escalar para generar valor comercial real. La causa principal es lo que llamamos la trampa de la modernización: un intento de integrar las capacidades de GenAI en sistemas heredados 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 fracasan al escalar.

Esto se ve agravado por la falta de preparación para las bases. Muchas organizaciones se apresuran a experimentar, ignorando inversiones esenciales en estrategia, ingeniería y gobernanza de datos. Sin bases de datos modernizadas ni marcos de control claros, las iniciativas de GenAI se quedan en pruebas de concepto aisladas, en lugar de capacidades empresariales.

Romper este patrón requiere un cambio hacia un diseño que priorice la IA. En lugar de preguntarse dónde se puede incorporar la IA, las organizaciones deben diseñar sistemas teniendo en cuenta los resultados de la IA desde el primer día, alineando la arquitectura, los flujos de datos y la gobernanza para respaldar la automatización inteligente a escala.

En la práctica, esto comienza con la ingeniería de datos. La creación inicial de canales y modelos de datos robustos y bien gobernados crea las condiciones para que GenAI escale de forma sostenible. Cuando la base es sólida, la IA pasa de la experimentación al impacto. Por lo tanto, la deuda de IA da paso a la creación de valor a largo plazo.

El modelo tradicional de contrato de Tiempo y Materiales se percibe cada vez más como incompatible con la eficiencia impulsada por la IA. ¿Por qué este modelo se está quedando obsoleto y cómo podrían enfoques como los "Agentes Gestionados" o el "Servicio como Software" ofrecer un camino más sostenible para la TI empresarial?     

El modelo tradicional de Tiempo y Materiales se diseñó para una era de escasez de recursos, donde el valor estaba directamente ligado al esfuerzo humano. En la era de la IA, esta suposición ya no se sostiene. La inteligencia y la ejecución son cada vez más abundantes, y a medida que aumenta la abundancia, el valor se desplaza del esfuerzo a los resultados. La IA rompe radicalmente la lógica de la facturación por hora.

Por eso, la industria está evolucionando hacia modelos basados ​​en resultados. Métricas como los tickets resueltos sin intervención humana o los flujos de trabajo completados de principio a fin por IA proporcionan un valor claro y medible. Estos modelos tratan la capacidad como software, no como mano de obra, lo que podría describirse como "servicio como software".

Enfoques como los Agentes Gestionados y el Servicio como Software ofrecen un camino más sostenible. Cambian el enfoque de pagar por el esfuerzo a pagar por resultados inteligentes, lo que permite costos predecibles, mejora continua y beneficios compartidos de la automatización. Los Agentes Gestionados permiten que ingenieros humanos y agentes de IA colaboren para alcanzar los objetivos de negocio, mientras que el Servicio como Software permite medir el valor a través de los resultados, en lugar de las horas invertidas.

En un mundo impulsado por la IA, los modelos comerciales más alineados son aquellos que recompensan los resultados, no el esfuerzo, creando una situación beneficiosa para ambas partes, las empresas y los proveedores de servicios.

Su metodología «High AI-Q» se centra en el talento, la aplicación y el impacto como las tres capas críticas para la preparación en IA. ¿Cómo pueden los CIO evaluar su madurez en estas capas antes de escalar las iniciativas GenAI?

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

En el ámbito del talento, la madurez se refiere a la preparación de las personas. Los CIO deben evaluar las habilidades en IA, la apertura al cambio y si los empleados tienen acceso seguro y regulado a los LLM que les permitan una experimentación segura.

En la capa de aplicación, el enfoque se centra en los aspectos fundamentales de los datos y la gobernanza, como la calidad de los datos, la arquitectura, la seguridad y la madurez de las políticas y las barreras de protección 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 en función del esfuerzo y el valor para el negocio. Identificar oportunidades de bajo esfuerzo y alto impacto permite obtener resultados tempranos y respalda un enfoque iterativo para escalar GenAI.

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

Estos son los tres pasos que pueden preparar a las organizaciones a medida que avanzan hacia flujos de trabajo agentes.

1. Priorizar la modernización de la infraestructura de datos: Para las organizaciones que operan con arquitecturas heredadas, el primer paso es modernizar la infraestructura de datos para habilitar metadatos, linaje y métricas de calidad de datos para datos aislados. Esto garantiza que los agentes tengan los datos contextualmente ricos y explicables que necesitan. La introducción de herramientas basadas en GenAI ha acelerado y simplificado esta modernización. Si bien es posible usar GenAI con arquitecturas heredadas, 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 acumularán una gran cantidad de conocimiento sin documentar. Desarrollar las capas de conocimiento para capturar este conocimiento acumulado transitorio dentro del sistema sería la segunda tarea prioritaria. Esta es la capa que falta en el proceso de adopción de la IA de muchas organizaciones.

3. Definir los límites y las formas de trabajo de los agentes: El tercer paso es garantizar que los agentes cumplan con las mejores prácticas y las normativas de seguridad vigentes en la organización. Los marcos de gobernanza, las políticas de seguridad y los marcos de observabilidad permiten a los agentes pensar y actuar eficazmente dentro de los límites y las formas de trabajo establecidas de la organización.

Al prepararse para la “integridad ante la IA”, ¿qué se requiere más allá de las herramientas, en términos de datos, procesos, gobernanza y capacidades del equipo?

La preparación para la IA va mucho más allá de seleccionar las herramientas adecuadas. En la práctica, el éxito o el fracaso de la adopción de la IA depende de la capacidad de una organización para capturar conocimiento ancestral, como los procesos no escritos, la lógica de decisión y las relaciones clave que solo existen en la mente de los empleados. Este conocimiento debe documentarse en lenguaje natural para que los sistemas de IA puedan razonar con él, no solo procesar datos de forma aislada.

La disponibilidad de los datos es igualmente crucial, pero la calidad por sí sola no es suficiente. Lo que realmente determina el éxito son los metadatos, que incluyen el contexto, el linaje y el significado de los datos. Sin ellos, incluso los modelos más avanzados producen resultados superficiales o poco fiables.

La adopción de la IA empresarial también va a la zaga de la IA de consumo por una razón: la gobernanza, la seguridad y el cumplimiento normativo son innegociables. No se trata de obstáculos que haya que sortear, sino de requisitos que hay que afrontar. Las organizaciones deben establecer marcos de confianza que incluyan medidas de seguridad, observabilidad de GenAI, explicabilidad y flujos de trabajo con intervención humana para garantizar que los resultados de la IA sean seguros, repetibles y precisos.

Finalmente, los equipos necesitan desarrollar la intuición en IA. Estar preparados implica capacitar a los empleados en IA para que sepan cómo generar impulsos eficazmente, validar resultados y auditarlos, en lugar de confiar ciegamente en una "caja negra". La IA funciona mejor cuando los humanos se mantienen al tanto.

El sector de servicios tecnológicos está repleto de empresas tradicionales. ¿Cuáles considera que son los principales diferenciadores de QBurst al competir por mandatos de transformación empresarial?

QBurst se diferencia en un mercado de servicios tecnológicos abarrotado al combinar una profunda experiencia en ingeniería con la agilidad de una empresa mucho más pequeña y orientada a la innovación.

Nuestra ventaja competitiva está definida por cinco pilares clave:

1. Ingeniería profunda con mentalidad de Design Thinking: No solo escribimos código. Resolvemos problemas de negocio mediante soluciones integrales y centradas en el usuario.

2. Agilidad y Responsabilidad: Somos lo suficientemente grandes como para escalar, pero lo suficientemente ágiles como para preocuparnos. Nuestra flexibilidad y adaptación a los cambios rápidos es un testimonio de nuestros clientes. Nuestros equipos asumen la responsabilidad del éxito del cliente. Verá cómo la responsabilidad de la entrega llega hasta la alta dirección.

3. Fluidez cultural: ya sean miniaplicaciones LINE en Japón o sistemas de precios integrados para cadenas de supermercados estadounidenses, adaptamos no solo la tecnología, sino también la experiencia, a cada mercado.

4. Visión de IA primero: estamos integrando IA en nuestra entrega, nuestras operaciones y nuestras soluciones para clientes, no como una palabra de moda, sino como un multiplicador de capacidades.

5. Cultura de innovación y experimentación: Nuestros líderes son expertos en tecnología y les encanta resolver los problemas de los clientes utilizando las tecnologías más recientes y emergentes. No tememos al fracaso y hemos generado un impacto significativo para nuestros clientes adoptando un enfoque de startup en muchos casos.

Tampoco tememos ser disruptivos. Experimentamos con modelos basados ​​en resultados, marcos de entrega componibles y laboratorios de coinnovación para clientes empresariales.

De cara a los próximos tres a cinco años, ¿cómo espera que evolucionen los modelos operativos de TI empresariales con el auge de los flujos de trabajo agentes y las organizaciones nativas de IA, y para qué deberían prepararse los líderes ahora?

La próxima ola de innovación pertenecerá a quienes puedan combinar potentes capacidades de IA con sistemas bien pensados ​​de control, supervisión y confianza. Por eso, el debate emergente sobre los marcos de agencia empresarial es tan importante y urgente.

Algunas de las ideas clave para mí son:

• La construcción de centros de datos de IA se está acelerando, no desacelerando; el sentimiento en el mundo de los centros de datos es altamente optimista, con la capacidad, la demanda y la inversión en aumento.
• La adopción de IA empresarial será más lenta que la de IA de consumo (los datos organizacionales suelen ser desordenados, fragmentados y distribuidos en muchos sistemas en lugar de estar limpios y centralizados; los modelos actuales aún no son lo suficientemente precisos para situaciones y funciones empresariales muy específicas sin una adaptación al contexto único de cada organización; para desbloquear el valor real, será necesario entrenar y perfeccionar los modelos con datos empresariales patentados, especialmente en la "última milla" de flujos de trabajo y casos de uso específicos).
• Antes de que los agentes verdaderamente autónomos puedan prosperar en la empresa, hay un desafío mayor: construir el equivalente a las estructuras de supervisión, aprobaciones y barreras que existen para los empleados, lo que permite que la fuerza laboral humana se desempeñe de manera confiable y escale.

Los líderes deben prepararse teniendo en cuenta lo siguiente:

• Los agentes deben ser tratados como nuevos empleados, con alcances claramente definidos, supervisión explícita y mecanismos para contener los errores mientras “aprenden” las reglas escritas y no escritas de la organización.
• Es necesario un “bus de agentes” o una capa de coordinación donde los agentes se registren, obtengan permisos de escritura y sus acciones sean monitoreadas por agentes supervisores.
• Recrear los controles y equilibrios que hacen que las organizaciones humanas sean sólidas será fundamental para lograr una ejecución segura, precisa y confiable en un mundo empresarial agente.
• La gestión del talento humano y su reciclaje es otro aspecto importante a medida que las interfaces y colaboraciones entre humanos e IA cambian con los sistemas y marcos de Agentic.
• La frontera más apasionante es el surgimiento de marcos de trabajo de agentes empresariales avanzados (más allá de lo que existe hoy en día) que pueden convertir esta visión en una realidad práctica y escalable, cuando se combinan con una sólida comprensión del dominio y soluciones.

Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Ráfaga Q.