Arun Kumar Ramchandran, QBurstin toimitusjohtaja – Haastattelusarja

Arun Kumar Ramchandran, QBurstin toimitusjohtaja, on kokenut teknologia- ja palvelujohtaja, jolla on yli 25 vuoden johtamiskokemus globaalista konsultoinnista, suurten kauppojen myyntiin, P&L-omistajuuteen ja yritysten muutokseen. Hänestä tuli toimitusjohtaja huhtikuussa 2025, ja hän on vastuussa QBurstin johdosta liiketoiminnan aikana ja sen strategian muotoilusta AI-vetoinen teknologiapalvelu- ja digitaalisen insinööritalon yrityksenä. Ennen QBurstia hänellä oli johtavat roolit Hexaware Technologiesissa (mukaan lukien presidentti ja GenAI-konsultointijohtajuus), Capgemini/Sogetissa (asiakas- ja myyntijohtajuus) ja Infosys ja Virtusassa, missä hän rakensi ja laajensi liiketoimintayksiköitä, johti suuria strategisia ohjelmia ja ajoi kasvua useilla maantieteellisillä alueilla ja toimialoilla.

QBurst on globaali digitaalisen insinööritalon kumppani, joka asettuu “High AI-Q”:n ympärille, yhdistäen AI-käyttöön ottaneen toimituksen soveltamalla AI:ta ja dataohjattuja lähestymistapoja auttamaan yrityksiä modernisoimaan, rakentamaan ja skaalaamaan. Yritys korostaa kokonaisvaltaista digitaalista kokemussuunnittelua, modernisointia ja tuotesuunnittelua – tukeakseen asiakkaita aloitteilla, kuten koostuvilla digitaalisilla alustoilla, keskustelupalvelu- ja asiakaskokemussoluilla sekä AI-valmiilla data-perustalla – pyrkien tuottamaan mitattavia tuloksia, kuten parantunutta tuottavuutta, nopeampaa toimitusta ja vahvempaa asiakaskokemusta laajan kansainvälisen asiakasryhmän ympärillä.

Olet ottanut vastaan toimitusjohtajan roolin QBurstissa pitkän johtamisuran jälkeen Hexaware, Capgemini, Infosys ja muissa globaaleissa organisaatioissa. Mikä veti sinut QBurstiin tässä vaiheessa sen kasvussa, ja miten taustasi muotoilee suuntaa, jonka haluat ottaa yritykselle?

Päätös liittyä QBurstiin oli mahdollisuuksien ja potentiaalin yhdistelmä. Se, mikä veti minut QBurstiin, oli yhdistelmä sen sisäisistä vahvuuksista ja ainutlaatuisesta markkinatilaisuudesta. QBurstin yrityskulttuuri ja menestys ääriviivaisella teknologialla vaativien asiakkaiden toimittamisessa sekä vaikuttivat minuun että kiehtoivat minua.

Teknologian, teollisuuden ja sääntelyiden muutosten yhteenlaskettu vaikutus ympäristössä antaa keskittyneelle ja erottuvalle yritykselle, kuten QBurst, kerran sukupolven mahdollisuuden eroon tulla joukosta ja luoda uusi teknologia- ja insinööritalon palvelu- ja toimitusmalli AI-vetiselle tulevaisuudelle.

Yli 25 vuoden kokemuksella teknologiapohjaisessa muutoksessa useilla aloilla, miten kokemuksesi on vaikuttanut siihen, miten ajattelet AI-vetoinen palvelualustan skaalaamisesta tänään?

Olen havainnut, että pääasiallinen innovaatio ja teknologian omaksuminen tapahtuvat sen jälkeen, kun hype-kierto on laantunut ja oikeat liiketoimintaratkaisut alkavat toteutua yritysten tasolla. On kolme tärkeää seikkaa, jotka haluan korostaa AI-vetoinen palvelualustan skaalaamisen suhteen.

1. Ylittäminen “PoC-vaiheesta.”

Suurin haaste, jonka näen tänään, on ylittäminen PoC-vaiheesta. Skaalaamiseen vaaditaan muutos ajattelutavassa: emme vain rakenna AI:ta, vaan tarjoamme tuotantovalmiita ratkaisuja. QBurstissa autamme asiakkaita kasvamaan PoC-vaiheen yli keskittymällä joustavuuteen – omaksumalla uusia malleja laajemmalla kontekstilla kuin lukkiutumalla eilisen teknologiaan.

2. Ei AI:ta ilman vahvaa perustaa

Opin, jonka olen kantanut kaiken teknologisen kehityksen läpi – varhaisista mobiilipäivistä 2009 vuonna pilvipalveluihin – on, ettei voi automatisoida kaaosta. AI on yhtä voimakas kuin sille syötettävä data. QBurst ajaa kasvua varmistamalla, että “tylsät mutta olennaiset” työt tehdään, nimittäin digitaalisen modernisoinnin ja edistyneen data-insinööritalon.

3. “High AI-Q” -visio

Johtamaan tätä muutosta olemme uudelleen profiloinneet itsellemme “High AI-Q” -yrityksenä. Tämä heijastaa Generative AI:n ja Agentic AI:n integroimista kaikkiin palveluihimme, ajamalla AI-käyttöön ottaneen yritysten muutosta. QBurstissa AI ei ole lisäominaisuus, vaan strategiamme ja toimituksemme perusrunko. Se yhdistää mukautuvia koneoppimismalleja älykkääseen automaatioon, varmistaen, että liiketoiminnan kasvaessa sen älykkyys skaalautuu mukana.

Olemme olleet edelläkävijöitä Androidin aamunkoitosta lähtien, ja soveltamme samaa proaktiivista DNA:ta johtamaan AI-aikakautta. QBurstissa emme ole pelkästään teknologiajohtoinen yritys, vaan tuloksia ensin -kumppani, jonka kasvu perustuu asiakastyytyväisyyteen.

Olet korostanut “High AI-Q”:ta QBurstin määrittävänä kehyksenä. Miten yritysjohtajien tulisi tulkita tämä käsite, ja miksi se on tärkeä erottautumisen tekijä nykyisessä AI-maailmankuvassa?

QBurstin “High AI-Q” -matka on tietoinen päätös: suorittaa nopeasti toiminnallisen tason AI-ohjatulla SDLC:llä ja tehdä rohkeita siirtoja strategisen tason Managed Agentsilla. Ennen kaikkea se ankkuroi koko yrityksen hitaaseen, perustavanlaatuiseen kulttuurin, arvojen ja inhimillisen kyvyn muutokseen.

Vaikka on riskejä ja huolenaiheita AI:sta, voidaan turvallisesti toteutettuna luoda runsautta ja innovaatioita. Yritykset näkevät arvon ei pelkästään tuottavuuden, vaan myös kasvun ja muodonmuutoksen suhteen.

Toimituksen kannalta näemme tämän toteutuvan päivittäin AI-ohjatun SDLC-kehyksemme kautta. Tämä on “miten” -muutos, jossa olemme upottaneet AI:n jokaiseen kehitysvaiheeseen, käyttäjätarinaiden luomisesta itsekorjaaviin testiskripteihin. Tulokset puhuvat itsestään:

• Markkinoille saattaminen: Merkittävä vähennys kehitys- ja testausjaksoissa.
• Laatu: Merkittävä 25-35% vähennys julkaisun jälkeisissä virheissä.
• Tehokkuus: Jatkuvasti 20-30% parannus koko toimituksessa.

Strateginen taso on se, jolla siirrymme optimoimasta osista koko ekosysteemin optimointiin. Tämä vaati ratkaisupilareiden uudelleenajattelua, mikä johti Managed Agentsin luomiseen, Enterprise Agentic AI:n ja Managed Servicesin fuusiosta. Asiakkaidemme kannalta tämä tarkoittaa, että AI-agentit käsittelevät sekä etu- että taka-työtehtäviä, työvirtoja ja toimintoja, ajamalla sekä tehokkuutta että jatkuvaan innovaatioon. Emme ole vain toimittamassa palveluita, vaan orkesteroimme saumattoman arvoverkkoa.

Monet yritykset kerryttävät sitä, mitä kutsun “AI-velaksi” – merkittävää kulutusta GenAI-kokeiluihin, jotka eivät skaalautu tai luo arvoa. Mitkä ovat tämän ongelman juurisyyt, ja miten organisaatiot voivat murtaa tämän kaavan?

Yritykset kerryttävät “AI-velkaa”, kun GenAI-sijoitukset loppuvat kokeiluihin ja eivät skaalautu kohtuulliseksi liiketoimintarviksi. Juurisyy on se, mitä kutsun “retrofitting-loukkuksi” – yritykseksi kiinnittää GenAI-ominaisuuksia perinteisiin järjestelmiin, jotka eivät ole suunniteltu tukemaan AI-käyttöön ottamista työvirtoja. Näissä ympäristöissä data, arkkitehtuuri ja hallinto eivät ole valmiit, joten kokeilut jumiutuvat tai menevät rikki skaalautumisen alla.

Tämä on yhdistetty perustavanlaatuiseen valmistumattomuuteen. Monet organisaatiot ryntäävät kokeiluihin ohittamalla olennaiset sijoitukset datastrategiaan, data-insinööritaloon ja hallintoon. Ilman modernisoitua data-perustaa ja selkeää valvontakehyksiä GenAI-aloitteet jäävät eristetyiksi kokeiluiksi eivätkä yrityksen kyvyiksi.

Tämän kaavan rikkomiseen vaaditaan siirtymistä AI-ensin-suunnitteluun. Sen sijaan, että kysytään, mihin AI voidaan lisätä, organisaatioiden on suunniteltava järjestelmiä AI-tuloksilla mielessä alusta alkaen, johtamalla arkkitehtuuria, data-virtoja ja hallintoa tukemaan älykästä automaatiota skaalautuvasti.

Käytännössä tämä alkaa data-insinööritalosta. Rakentamalla vahvat, hyvin hallitut data-putkitukset ja mallit etukäteen luodaan edellytykset GenAI:n kestävälle skaalautumiselle. Kun perusta on oikein, AI siirtyy kokeilusta vaikutukseen. Näin ollen AI-velka antaa tilaa pitkäaikaiselle arvonluomiselle.

Perinteinen aika- ja materiaalihintaisen sopimusmalli nähdään yhä useammin vanhentuneena AI-vetoinen tehokkuuden todellisuuksien suhteen. Miksi tämä malli vanhenee, ja miten lähestymistavat, kuten “Managed Agents” tai “Service-as-Software”, voivat tarjota kestävämmän tien eteenpäin yritysten IT:lle?

Perinteinen aika- ja materiaalihintainen malli rakennettiin aikakaudeksi, jossa resurssien niukkuus oli yleinen, ja arvo oli suoraan sidottu inhimilliseen ponnisteluun. AI-aikakaudella tämä oletus ei enää pidä. Älykkyys ja suorituskyky muuttuvat runsaaksi, ja runsauden kasvaessa arvo siirtyy ponnistelusta tuloksiin. AI rikkoaa perustavanlaatusesti tunne- ja tuntihinnan logiikan.

Tämä on syynä, miksi ala siirtyy tuloksiperusteisiin malleihin. Mittarit, kuten ongelmat, jotka ratkaistaan ilman inhimillistä väliintuloa tai työvirtoja, jotka suoritetaan loppuun asti AI:n avulla, tarjoavat selkeää, mitattavaa arvoa. Nämä mallit kohdellevat kykyä ohjelmistona, ei työnä, mikä voidaan kuvata “palveluna ohjelmistona”.

Lähestymistavat, kuten Managed Agents ja Service-as-a-Software, tarjoavat kestävämmän tien eteenpäin. Ne siirtävät fokuksen ponnistelusta älykkäisiin tuloksiin, mahdollistaen ennustettavat kulut, jatkuva parantaminen ja jaettu ylentäminen automaation ansiosta. Managed Agents sallivat inhimillisten insinöörien ja AI-agenttien työskentelyn yhdessä liiketoimintatavoitteita kohti, kun taas Service-as-a-Software tekee arvon mitattavaksi tuloksina eikä tunteina.

AI-vetoisessa maailmassa kaikkein sopivimmat kaupalliset mallit ovat niitä, jotka palkitsevat tuloksia, ei ponnistelua – luoden voittavan tilanteen sekä yrityksille että palveluntarjoajille.

Millä tavoin ‘High AI-Q’ -metodologianne keskittyy kykyihin, sovelluksiin ja vaikutuksiin kolmena kriittisenä kerroksena AI-valmiudelle? Miten CIO:t voivat arvioida kypsiänsä näiden kerrosten yli ennen GenAI-aloitteiden skaalaamista?

Ennen GenAI-aloitteiden skaalaamista CIO:iden on oltava selkeä käsitys kypsiänsä ‘High AI-Q’ -kerrosten yli – ei pelkästään teknologiapinosta.

Taitojen tasolla kypsiys on ihmisten valmiuden asiassa. CIO:iden tulisi arvioida AI-taitoja, avoimuutta muutoksille ja sitä, onko työntekijöillä turvallinen, hallittu pääsy LLM:ihin, joka mahdollistaa turvallisen kokeilun.

Sovellustasolla fokus on data- ja hallintoperusteissa, kuten data-laadussa, arkkitehtuurissa, turvallisuudessa ja LLM-pääsytasojen ja AI-kehitystapojen politiikkojen ja varusteiden kypsiydessä.

Vaikutustasolla CIO:iden tulisi arvioida käyttötapauksia ponnistelun ja liiketoimintarvikkeen suhteen. Matalan ponnistelun ja korkean liiketoimintarvikkeen löytäminen mahdollistaa varhaiset voitot ja tukee iteratiivista lähestymistapaa GenAI:n skaalaamiseen.

Organisaatioille, jotka toimivat edelleen perinteisillä arkkitehtuureilla, mitkä perustavanlaatuiset modernisointitoimet vaaditaan valmistautumaan agenteille työvirroille ja AI-käyttöön otetuille toimitusmalleille?

Tässä on kolme askelta, jotka voivat valmistaa organisaatiot siirtymään agenteille työvirroille.

1. Priorisoi data-perustan modernisointi: Organisaatioiden, jotka toimivat perinteisillä arkkitehtuureilla, ensimmäinen askel on modernisoida data-perusta, jotta voidaan ottaa käyttöön metadata, datajäljitelmä ja data-laatuindikaattorit hajautetulle datasta. Tämä varmistaa, että agentit saavat kontekstuaalisesti rikkaan, selitettävän datan, jota he tarvitsevat. GenAI-pohjaisen työkalujen käyttöönotto on tehnyt tämän modernisoinnin nopeammaksi ja suoremmaksi.

2. Rakenna tietämyskerrokset: Organisaatiot, jotka eivät ole modernisoineet järjestelmiään, ovat kerryttäneet paljon tietämystä, jota ei ole dokumentoitu. Rakentaminen tietämyskerroksia, joilla voidaan kaapata tämä väliaikainen kertynyt tietämys järjestelmään, on toinen korkean prioriteetin tehtävä. Tämä on puuttuva kerros monissa organisaatioiden AI-omaksumisessa.

3. Määritä agenttien rajat ja työskentelytavat: Kolmas askel on varmistaa, että agentit noudattavat kaikkia parhaita käytäntöjä ja turvallisuutta, jotka noudatetaan organisaatiossa. Hallintokehykset, turvallisuuspolitiikat ja havainnointikehykset mahdollistavat agenttien ajattelun ja toimimisen tehokkaasti organisaation rajojen ja työskentelytavoissa.

Kun valmistaudutaan “AI-valmiuteen”, mitä se vaatii työkalujen lisäksi – datan, prosessien, hallinnon ja tiimien kykyjen suhteen?

AI-valmius menee paljon pidemmälle kuin oikean työkalun valinta. Käytännössä AI-omaksuminen onnistuu tai epäonnistuu organisaation kyvystä kaapata heimoperinnettä, kuten kirjoittamattomia prosesseja, päätöksenteon logiikkaa ja avainsuhteita, jotka ovat vain työntekijöiden päässä. Tämä tietämys on dokumentoitava luonnollisessa kielessä, jota AI-järjestelmät voivat syyttää, eikä pelkästään prosessoida dataa erillään.

Data-valmius on yhtä tärkeää, mutta laatu yksin ei riitä. Se, mikä todella määrää onnistumisen, on metadata, joka sisältää kontekstin, datajäljityksen ja datan merkityksen. Ilman tätä jopa edistyneimmät mallit tuottavat pintapuolisia tai epäluotettavia tuloksia.

Yritysten AI-omaksuminen jää kuluttaja-AI:n jälkeen, koska hallinto, turvallisuus ja säätely eivät ole neuvotteluasioita, vaan vaatimuksia, joihin on rakennettava. Organisaatioiden on luotava luottamussuhteita, jotka sisältävät varusteita, GenAI-havainnointia, selitettävyyttä ja inhimillisen silmän havainnointia, jotta AI-tulokset ovat turvallisia, toistettavissa ja tarkkoja.

Lopulta tiimien on kehitettävä AI-älykkyyttä. Valmius tarkoittaa työntekijöiden osaamisen kehittämistä AI-kirjallisuudessa, jotta he tietävät, miten ohjata tehokkaasti, validoida tulokset ja tarkastaa tulokset eikä luoteta sokeasti “mustaan laatikkoon”. AI toimii parhaiten, kun ihmiset pysyvät tiukasti silmällä.

Teknologiapalvelujen ala on täynnä perinteisiä toimijoita. Mitkä ovat QBurstin vahvimmat erottautumiset kilpaillessa yritysten muutosohjelmista?

QBurst erottuu teknologiapalveluiden markkinassa yhdistämällä syvän insinööritaito ja pienemmän, innovaatiojohtoisen yrityksen joustavuuden.

Kilpailukykyämme määrittää viisi avainpilaria:

1. Insinööritaidon syvyys suunnittelijamielentilällä – Emme kirjoita vain koodia. Ratkaistaan liiketoimintaratkaisuja kokonaisvaltaisilla, käyttäjälähtöisillä ratkaisuilla.

2. Joustavuus ja omistajuus – Olemme tarpeeksi suuria skaalautumaan, mutta tarpeeksi pieniä voidaksemme välittää – asiakkaamme ovat antaneet todistuksia joustavuudestamme nopeisiin muutoksiin. Tiimimme ottaa todellista omistajuutta asiakkaiden menestyksestä. Näet toimitusomistajuuden kulkevan ylös johtajuuteen.

3. Kulttuurinen sulavuus: Olipa kyse sitten Japanin LINE-minisovelluksista tai yhdysvaltalaisista ruokakauppojen integroiduista hinnoittelujärjestelmistä, sovellaan sekä teknologiaa että kokemusta jokaiseen markkinaan.

4. AI-ensin-näkemys – Upotamme AI:ta toimitukseemme, operaatioihimme ja asiakkaiden ratkaisuihimme – ei pelkästään buuzzisanana, vaan kyvykkyyden moninkertaistajana.

5. Innovaatio- ja kokeilukulttuuri – Johtajamme ovat teknologiaan perehtyneitä ja rakastavat ratkaisemista asiakkaiden ongelmia viimeisimmän ja nousussa olevan teknologian avulla. Emme pelkää epäonnistumista, ja olemme luoneet merkittävää vaikutusta asiakkaillemme ottamalla start-up-lähestymistapaa useissa tapauksissa.

Olemme myös valmiit häiritsemään itseämme. Kokeilemme tuloksiperusteisia malleja, koostuvia toimituskehyksiä ja yhteiskehityslaboratorioita yritysasiakkaille.

Katsoen eteenpäin kolmeen viiden vuoteen, miten odotat yritysten IT-toimintamallien kehittyvän agenteille työvirroilla ja AI-käyttöön otetuilla organisaatioilla, ja mitä johtajien tulisi valmistautua nyt?

Seuraava innovaatioaalto kuuluu niille, jotka voivat yhdistää voimakkaita AI-kykyjä tarkoituksenmukaisiin järjestelmiin, valvontaan ja luottamukseen. Siksi keskustelu yritysten agenteille kehyksistä tuntuu niin tärkeältä – ja niin kiireelliseltä.

Jotkut avainnäkemykset minulle ovat:

• AI-datakeskuksen rakentaminen kiihtyy, eikä hidastu; datakeskuksen maailman mieliala on erittäin optimistinen, kapasiteetin, kysynnän ja investointien kaikkien kasvaessa.
• Yritysten AI-omaksuminen on hitaampaa kuin kuluttaja-AI (organisaatioiden data on usein sekavaa, hajanaista ja jakautunutta useiden järjestelmien ympärille eikä puhdasta ja keskitettyä; nykyiset mallit eivät ole vielä tarpeeksi tarkkoja erittäin spesifisiin yrityskohtaisiin tilanteisiin ja toimintoihin ilman mukautumista kunkin organisaation yksilölliseen kontekstiin; mallien on oltava koulutettu ja hienosäädetty yritysten omilla datalla, erityisesti “viimeisen mailin” spesifisiä työvirtoja ja käyttötapauksia varten)
• Ennen kuin todella autonomiset agentit voivat menestyä yrityksissä, on suurempi haaste: rakentaa vastaavanlainen valvontarakenteita, hyväksyntää ja varusteita, jotka ovat olemassa työntekijöille, mikä mahdollistaa työvoiman suorittaa luotettavasti ja skaalautua.

Johtajien tulisi valmistautua seuraavilla seikoilla:

• Agentit tulisi kohdella uusina palkkioina, joilla on selkeästi määritellyt laajuudet, eksplisiittinen valvonta ja mekanismit sisäisten virheiden rajoittamiseksi, kun he “oppivat” organisaation kirjoitetut ja kirjoittamattomat säännöt.
• On tarve “agenttibussille” tai koordinaatiokerrokselle, jossa agentit rekisteröityvät, saavat kirjoitusoikeudet ja niiden toimintaa valvotaan valvontaa vastaavilla agenteilla.
• Uudelleenluominen tasapainoa ja valvontaa, jotka tekevät inhimillisten organisaatioiden vahvoiksi, on avainasemassa saavuttamiseen turvallista, tarkkaa ja luotettavaa suoritusta agenteille yritysmaailmassa.
• Inhimillisen kyvykkyyden hallinta ja uudelleen koulutus on toinen tärkeä näkökohta, kun inhimillisen ja AI-välinen yhteistyö muuttuu agenteille järjestelmissä ja kehyksissä.
• Kaikkein jännittävin raja on edistyneiden yritysten agenteille kehysten (beyond mitä on olemassa tänään) emergenssi – jotka voivat muuttaa tämän vision käytännölliseksi, skaalautuvaksi todellisuudeksi, kun yhdistettyyn vahvaan toimialatuntemukseen ja ratkaisuihin.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla QBurst.