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 myynnistä, tuloslaskelmaomistajuudesta ja yritysten transformaatiosta. Hänestä tuli toimitusjohtaja huhtikuussa 2025, ja hän vastaa QBurstin johtamisesta koko liiketoiminnassa ja samalla sen strategian muokkaamisesta tekoälyjohtoisena teknologiapalvelu- ja digitaalisen suunnittelun yrityksenä. Ennen QBurstia hän toimi johtotehtävissä Hexaware Technologiesilla (mukaan lukien toimitusjohtaja ja GenAI-konsultoinnin johto), Capgemini/Sogetilla (asiakas- ja myyntijohto) sekä Infosysillä ja Virtusalla, joissa hän rakensi ja skaalasi liiketoimintayksiköitä, johti merkittäviä strategisia ohjelmia ja edisti kasvua useilla maantieteellisillä alueilla ja toimialoilla.

QBurst on maailmanlaajuinen digitaalisen suunnittelun kumppani, joka asemoi itsensä "High AI-Q" -periaatteiden ympärille yhdistämällä tekoälyyn perustuvan toimituksen sovellettuun tekoälyyn ja datalähtöisiin lähestymistapoihin auttaakseen yrityksiä modernisoimaan, rakentamaan ja skaalaamaan. Yritys painottaa kokonaisvaltaista digitaalisen kokemuksen suunnittelua, modernisointia ja tuotekehitystä – tukien asiakkaita aloitteilla, kuten koottavissa digitaalisissa alustoissa, keskustelu- ja asiakaskokemusratkaisuissa sekä tekoälyvalmiissa dataperustaissa – joiden tavoitteena on tuottaa mitattavia tuloksia, kuten parantunut tuottavuus, nopeampi toimitus ja vahvemmat asiakaskokemukset laajalle kansainväliselle asiakaskunnalle.

Olet ottanut QBurstin toimitusjohtajan roolin vastaan ​​pitkän johtouran jälkeen Hexawarella, Capgeminilla, Infosysillä ja muissa globaaleissa organisaatioissa. Mikä sinut veti QBurstiin juuri nyt sen kasvun aikana, ja miten taustasi muokkaa suuntaa, johon haluat viedä yritystä?

Päätös liittyä QBurstiin oli tilaisuuden ja potentiaalin yhtymäkohta. Minua veti QBurstiin yhdistelmä sen luontaisia ​​vahvuuksia ja ainutlaatuista markkinamahdollisuutta. Qburstin yrittäjähenkinen kulttuuri ja menestys huipputeknologian avulla vaativien asiakkaiden palvelemisessa sekä tekivät minuun vaikutuksen että kiehtoivat minua.

Teknologian, toimialojen ja sääntelyn mullistavien muutosten ja muuttuvien ympäristöjen yhdistyessä keskittyneellä ja erottuvalla yrityksellä, kuten QBurstilla, on ainutlaatuinen tilaisuus irtautua joukosta ja luoda uusi teknologia- ja suunnittelupalveluyritys ja toimitusmalli tekoälypohjaiseen tulevaisuuteen.

Yli 25 vuoden kokemuksellasi teknologiavetoisesta transformaatiosta useilla eri toimialoilla, miten kokemuksesi on vaikuttanut tapaasi ajatella tekoälypohjaisen palvelualustan skaalaamista tänä päivänä?

Olen havainnut, että tärkein innovaatio ja teknologian käyttöönotto tapahtuvat sen jälkeen, kun hype-sykli on laantunut ja todellisia liiketoimintaongelmia aletaan ratkaista yritystasolla. Haluaisin tässä nostaa esiin kolme erityistä asiaa tekoälypohjaisen palvelualustan skaalaamisen osalta.

1. ”PoC-vaiheen” ylittäminen.

Suurin haaste, jonka näen tällä hetkellä, on PoC-vaiheen ylittäminen. Skaalaaminen vaatii ajattelutavan muutosta: emme vain rakenna tekoälyä; tarjoamme tuotantoluokan ratkaisuja. QBurstilla autamme asiakkaita kasvamaan PoC-vaiheen yli keskittymällä ketteryyteen – omaksumalla uusia malleja, joissa on suuremmat konteksti-ikkunat, sen sijaan, että olisimme lukittuina eilisen teknologiaan.

2. Ei tekoälyä ilman vahvaa perustaa

Olen oppinut läpi jokaisen teknologiasyklin – mobiililaitteiden alkuajoista vuonna 2009 pilvivallankumoukseen – että kaaosta ei voi automatisoida. Tekoäly on vain niin tehokas kuin sitä syöttävä data. QBurst vauhdittaa kasvua varmistamalla, että "tylsät mutta välttämättömät" työt, eli digitaalinen modernisointi ja edistynyt datatekniikka, tehdään.

3. ”Korkean tekoäly-Q:n” visio

Tämän muutoksen johtamiseksi olemme asemoineet itsemme uudelleen "korkean tekoäly-Q" -yritykseksi. Tämä heijastaa generatiivisen tekoälyn ja agenttisen tekoälyn integrointia kaikkiin ydinpalveluihin, mikä edistää tekoälyyn perustuvaa yritysmaailman muutosta. QBurstilla tekoäly ei ole lisäominaisuus, vaan strategiamme ja toimitusketjumme ydin. Se yhdistää räätälöityjä koneoppimismalleja älykkääseen automaatioon varmistaakseen, että liiketoiminnan kasvaessa sen älykkyys skaalautuu sen mukana.

Olemme olleet edelläkävijöitä Androidin alusta asti, ja sovellamme samaa proaktiivista DNA:tamme johtaaksemme tekoälyaikakautta. QBurstilla emme ole vain teknologiakeskeinen yritys; olemme tuloskeskeinen kumppani, jonka kasvua ohjaa asiakastyytyväisyys.

Olet korostanut "korkeaa tekoäly-Q:tä" QBurstin määrittelevänä viitekehyksenä. Miten yritysjohtajien tulisi tulkita tätä käsitettä, ja miksi se on tärkeä erottava tekijä nykyisessä tekoälymaisemassa?

QBurstin ”High AI-Q” -matka on tietoinen päätös: operatiivisella tasolla toimitaan nopeasti tekoälypohjaisen teknologian elinkaarihallinnan (SDLC) avulla ja strategisella tasolla tehdään rohkeita toimia hallittujen agenttien avulla. Mikä tärkeintä, se ankkuroi koko yrityksen hitaaseen, perustavanlaatuiseen kulttuurin, arvojen ja inhimillisten kykyjen muutokseen.

Vaikka tekoälyyn liittyy riskejä ja huolenaiheita, turvallisesti toteutettuna tekoäly voi luoda yltäkylläisyyttä ja innovaatioita. Yritykset näkevät arvoa paitsi tuottavuuden myös kasvun ja muutoksen kannalta.

Toimituksen näkökulmasta näemme tämän tapahtuvan päivittäin tekoälypohjaisen SDLC-kehyksemme kautta. Näin muutos etenee, ja olemme upottaneet tekoälyn jokaiseen kehitysvaiheeseen käyttäjätarinoiden luomisesta itseään korjaaviin testiskripteihin. Tulokset puhuvat puolestaan:

• Markkinoille saamisaika: Merkittävästi lyhyemmät kehitys- ja testaussyklit.
• Laatu: Merkittävä 25–35 %:n vähennys julkaisun jälkeisissä virheissä.
• Tehokkuus: Kokonaistoimituksen parannus on johdonmukainen 20–30 %.

Strateginen taso on se, jossa siirrymme osien optimoinnista koko ekosysteemin optimointiin. Tämä vaati ratkaisupilareidemme uudelleenarviointia, mikä johti hallinnoitujen agenttien luomiseen, jotka yhdistävät yritysagenttien tekoälyn ja hallinnoidut palvelut. Asiakkaillemme tämä tarkoittaa, että tekoälyagentit hoitavat käyttöliittymän ja taustapään tehtäviä, työnkulkuja ja toimintoja, mikä edistää sekä tehokkuutta että jatkuvaa innovointia. Emme ainoastaan ​​toimita palveluita, vaan rakennamme saumatonta arvoverkostoa.

Monet yritykset kerryttävät niin sanottua tekoälyvelkaa – merkittäviä menoja tekoälyn pilottihankkeisiin, jotka eivät skaalaudu tai tuota arvoa. Mitkä ovat tämän ongelman perimmäiset syyt ja miten organisaatiot voivat päästä tästä kaavasta eroon?     

Yritykset kerryttävät ”tekoälyvelkaa”, kun GenAI-investoinnit pysähtyvät pilottihankkeisiin eivätkä skaalaudu todelliseksi liiketoiminta-arvoksi. Perimmäinen syy on niin sanottu jälkiasennusansa – yritys liittää GenAI-ominaisuudet vanhoihin järjestelmiin, joita ei ole koskaan suunniteltu tukemaan tekoälypohjaisia ​​työnkulkuja. Näissä ympäristöissä data, arkkitehtuuri ja hallinta eivät yksinkertaisesti ole valmiita, joten pilottihankkeet pysähtyvät tai epäonnistuvat liian pienessä mittakaavassa.

Tätä pahentaa perustavanlaatuisten valmiuksien puute. Monet organisaatiot kiirehtivät kokeiluihin ja ohittavat samalla olennaiset investoinnit datastrategiaan, datatekniikkaan ja -hallintaan. Ilman modernisoituja dataperustoja ja selkeitä valvontakehyksiä GenAI-aloitteet jäävät erillisiksi konsepti-todistuksiksi eivätkä yritystason kyvyiksi.

Tämän kaavan rikkominen edellyttää siirtymistä tekoälykeskeiseen suunnitteluun. Sen sijaan, että organisaatiot kysyisivät, mihin tekoälyä voidaan lisätä, niiden on suunniteltava järjestelmät tekoälyn tulokset mielessä pitäen alusta alkaen yhdenmukaistamalla arkkitehtuuri, tietovirrat ja hallinta älykkään automaation tukemiseksi skaalautuvasti.

Käytännössä tämä alkaa datatekniikasta. Vankkojen ja hyvin hallittujen dataputkien ja -mallien rakentaminen etukäteen luo edellytykset GenAI:n kestävälle skaalautumiselle. Kun perusta on oikea, tekoäly siirtyy kokeilusta vaikuttavuuteen. Näin ollen tekoälyvelka antaa tietä pitkän aikavälin arvonluonnille.

Perinteistä työaika- ja materiaalisopimusmallia pidetään yhä useammin epäsuhtaisena tekoälypohjaisen tehokkuuden kanssa. Miksi tämä malli on vanhentumassa, ja miten lähestymistavat, kuten "hallitut agentit" tai "palvelu ohjelmistona", voisivat tarjota kestävämmän polun eteenpäin yritysten IT-alalle?     

Perinteinen aika- ja materiaalimalli rakennettiin resurssien niukkuuden aikakautta varten, jossa arvo oli suoraan sidoksissa ihmisen työpanokseen. Tekoälyn aikakaudella tämä oletus ei enää päde. Älykkyyttä ja toteutusta on tulossa runsaasti, ja runsauden kasvaessa arvo siirtyy työpanoksesta tuloksiin. Tekoäly rikkoo perusteellisesti tuntiperusteisen laskutuksen logiikan.

Tästä syystä toimiala on siirtymässä kohti tulospohjaisia ​​malleja. Mittarit, kuten ilman ihmisen puuttumista ratkaistut tiketit tai tekoälyn alusta loppuun suorittamat työnkulut, tarjoavat selkeää ja mitattavissa olevaa arvoa. Nämä mallit käsittelevät kyvykkyyttä ohjelmistona, eivät työvoimana, jota voidaan kuvailla "palveluksi ohjelmistona".

Lähestymistavat, kuten hallinnoidut agentit ja palvelu ohjelmistona, tarjoavat kestävämmän polun eteenpäin. Ne siirtävät painopisteen työpanoksesta maksamiseen älykkäiden tulosten maksamiseen, mikä mahdollistaa ennustettavat kustannukset, jatkuvan parantamisen ja automaation jaetut hyödyt. Hallitut agentit mahdollistavat ihmisinsinöörien ja tekoälyagenttien yhteistyön liiketoimintatavoitteiden saavuttamiseksi, kun taas palvelu ohjelmistona tekee arvosta mitattavan tulosten eikä käytettyjen tuntien perusteella.

Tekoälypohjaisessa maailmassa yhdenmukaisimmat kaupalliset mallit ovat niitä, jotka palkitsevat tuloksia, eivätkä vaivaa – luoden win-win-tilanteen sekä yrityksille että palveluntarjoajille.

”High AI-Q” -menetelmänne keskittyy lahjakkuuteen, sovellukseen ja vaikuttavuuteen tekoälyvalmiuden kolmena kriittisenä tasona. Miten tietohallintojohtajat voivat arvioida kypsyyttään näillä tasoilla ennen GenAI-hankkeiden skaalaamista?

Ennen GenAI:n skaalaamista tietohallintojohtajien on nähtävä selkeä käsitys kypsyydestä kaikilla kolmella "korkean tekoälylaadun" tasolla – osaamisen, soveltamisen ja vaikuttavuuden – eikä pelkästään teknologiapinon osalta.

Kykyjen tasolla kypsyys liittyy ihmisten valmiuteen. Tietohallintojohtajien tulisi arvioida tekoälytaitoja, muutosavoimuutta ja sitä, onko työntekijöillä turvallinen ja säännelty pääsy LLM-materiaaleihin, jotka mahdollistavat turvallisen kokeilun.

Sovellustasolla keskitytään datan ja hallinnon perusasioihin, kuten datan laatuun, arkkitehtuuriin, tietoturvaan sekä käytäntöjen ja suojakaiteiden kypsyyteen LLM-käyttöoikeuksien ja tekoälyn kehityskäytäntöjen osalta.

Vaikuttavuustasolla tietohallintojohtajien tulisi arvioida käyttötapauksia työmäärän ja liiketoiminnan arvon perusteella. Vähän vaivaa vaativien, mutta suuren vaikutuksen omaavien mahdollisuuksien tunnistaminen mahdollistaa varhaiset voitot ja tukee iteratiivista lähestymistapaa GenAI:n skaalaamiseen.

Mitä perustavanlaatuisia modernisointivaiheita tarvitaan organisaatioille, jotka edelleen toimivat vanhoilla arkkitehtuureilla, jotta agenttisiin työnkulkuihin ja tekoälypohjaisiin toimitusmalleihin voidaan valmistautua?

Tässä on kolme vaihetta, jotka voivat valmistaa organisaatioita siirtymään agenttisiin työnkulkuihin.

1. Priorisoi datapohjan modernisointi: Organisaatioille, jotka käyttävät vanhoja arkkitehtuureja, ensimmäinen askel on datapohjan modernisointi, jotta siiloutuneen datan metatiedot, sukulinja ja datan laatumittarit voidaan ottaa käyttöön. Tämä varmistaa, että agenteilla on tarvitsemansa kontekstitietoinen ja selitettävissä oleva data. GenAI-pohjaisten työkalujen käyttöönotto on tehnyt tästä modernisoinnista nopeampaa ja suoraviivaisempaa. Vaikka GenAI:n käyttö vanhan arkkitehtuurin kanssa on mahdollista, merkityksellisten tulosten saamiseksi vaadittava merkkimäärä olisi erittäin korkea.

2. Yritystason tietotasojen luominen: Organisaatioilla, jotka eivät ole modernisoineet järjestelmiään, on paljon kertynyttä tietoa dokumentoimatta. Tietotasojen rakentaminen tämän ohimenevän kertyneen tiedon tallentamiseksi järjestelmään olisi toiseksi tärkein tehtävä. Tämä on puuttuva taso monien organisaatioiden tekoälyn käyttöönottoprosessissa.

3. Määrittele agenttien rajat ja työskentelytavat: Kolmas vaihe on varmistaa, että agentit noudattavat kaikkia organisaatiossa tällä hetkellä noudatettavia parhaita käytäntöjä ja tietoturvamääräyksiä. Hallintokehykset, tietoturvakäytännöt ja havainnointikehykset mahdollistavat agenttien tehokkaan ajattelun ja toiminnan organisaation työtapojen rajojen ja vakiintuneiden tapojen puitteissa.

Mitä tekoälyvalmiuteen valmistautuminen vaatii työkalujen lisäksi – datan, prosessien, hallinnon ja tiimin kyvykkyyden osalta?

Tekoälyvalmius ulottuu paljon oikeiden työkalujen valintaa pidemmälle. Käytännössä tekoälyn käyttöönoton onnistuminen tai epäonnistuminen riippuu organisaation kyvystä tallentaa heimojen välistä tietoa, kuten kirjoittamattomia prosesseja, päätöksentekologiikkaa ja keskeisiä suhteita, jotka ovat olemassa vain työntekijöiden päässä. Tämä tieto on dokumentoitava luonnollisella kielellä, jotta tekoälyjärjestelmät voivat päätellä sen avulla, eivätkä ne voi vain käsitellä dataa erillään muista.

Datan valmius on yhtä lailla tärkeää, mutta pelkkä laatu ei riitä. Menestyksen ratkaisee metadata, joka sisältää datan taustalla olevan kontekstin, alkuperän ja merkityksen. Ilman tätä jopa edistyneimmät mallit tuottavat pinnallisia tai epäluotettavia tuloksia.

Yritysten tekoälyn käyttöönotto on myös syystä jäljessä kuluttajatekoälystä: hallinto, tietoturva ja vaatimustenmukaisuus ovat ehdottomia. Nämä eivät ole esteitä, joita voitaisiin kiertää, vaan vaatimuksia, joihin on rakennettava. Organisaatioiden on luotava luottamuskehyksiä, jotka sisältävät suojakaiteet, GenAI:n havaittavuuden, selitettävyyden ja ihmisen mukana tapahtuvat työnkulut varmistaakseen, että tekoälyn tuotokset ovat turvallisia, toistettavia ja tarkkoja.

Lopuksi tiimien on kehitettävä tekoälyinsinööritaitoja. Valmius tarkoittaa työntekijöiden tekoälyosaamisen parantamista, jotta he osaavat tehokkaasti antaa kehotteita, validoida tuloksia ja auditoida tuotoksia sen sijaan, että sokeasti luottaisivat "mustaan ​​laatikkoon". Tekoäly toimii parhaiten, kun ihmiset pysyvät tiukasti ajan tasalla.

Teknologiapalvelusektori on täynnä perinteisiä toimijoita. Mitä pidät QBurstin vahvimpina erottautumistekijöinä kilpailtaessa yritysten transformaatiomandaateista?

QBurst erottuu kilpailluilla teknologiapalvelumarkkinoilla yhdistämällä syvällisen teknisen asiantuntemuksen paljon pienemmän, innovaatiovetoisen yrityksen ketteryyteen.

Kilpailuetumme määritellään viiden keskeisen pilarin avulla:

1. Syvällistä suunnittelua ja muotoiluajattelua – Emme vain kirjoita koodia. Ratkaisemme liiketoimintaongelmia kokonaisvaltaisten, käyttäjäkeskeisten ratkaisujen avulla.

2. Ketteryys ja omistajuus – Olemme riittävän suuria skaalautuaksemme, mutta riittävän kevyitä välittääksemme – joustavuutemme ja sopeutumiskykymme nopeisiin muutoksiin on asia, josta asiakkaamme ovat antaneet osviittaa. Tiimimme ottavat aidosti vastuuta asiakkaiden menestyksestä. Toimitusten omistajuus ulottuu aina ylempään johtoon asti.

3. Kulttuurinen sujuvuus: Olipa kyse sitten LINE-mini-sovelluksista Japanissa tai amerikkalaisten ruokakauppaketjujen integroiduista hinnoittelujärjestelmistä, räätälöimme paitsi teknologian myös käyttökokemuksen kullekin markkinalle.

4. Tekoäly – Ensimmäinen visio – Upotamme tekoälyn toimituksiimme, toimintaamme ja asiakasratkaisuihimme – ei muotisanana, vaan kyvykkyyden moninkertaistajana.

5. Innovaatio- ja kokeilukulttuuri – Johtajamme ovat teknologiaosaavia ja rakastavat ratkaista asiakkaiden ongelmia uusimman ja kehittyvän teknologian avulla. Emme pelkää epäonnistumisia ja olemme monissa tapauksissa luoneet merkittävää vaikutusta asiakkaillemme startup-lähestymistavalla.

Emme myöskään pelkää mullistaa itseämme. Kokeilemme tulospohjaisia ​​malleja, koottavia toimituskehyksiä ja yhteisinnovaatiolaboratorioita yritysasiakkaille.

Miten odotat yritysten IT-toimintamallien kehittyvän agenttisten työnkulkujen ja tekoälynatiivien organisaatioiden yleistyessä kolmen–viiden vuoden aikana, ja mihin johtajien tulisi varautua nyt?

Seuraava innovaatioaalto kuuluu niille, jotka pystyvät yhdistämään tehokkaat tekoälyominaisuudet harkittuihin ohjaus-, valvonta- ja luottamusjärjestelmiin. Siksi yritysagenttien viitekehyksistä käytävä keskustelu tuntuu niin tärkeältä – ja kiireelliseltä.

Joitakin keskeisiä havaintoja minulle ovat:

• Tekoälyyn perustuvien datakeskusten rakentaminen kiihtyy, ei hidastu; datakeskusten ilmapiiri on erittäin optimistinen, ja kapasiteetti, kysyntä ja investoinnit ovat kaikki kasvussa.
• Yritysten tekoälyn käyttöönotto on hitaampaa kuin kuluttajien tekoälyn käyttöönotto (organisaatiodata on usein sotkuista, pirstaloitunutta ja hajautettua useisiin järjestelmiin sen sijaan, että se olisi selkeää ja keskitettyä; nykyiset mallit eivät ole vielä riittävän tarkkoja erittäin spesifisiin yritystilanteisiin ja -toimintoihin ilman mukauttamista kunkin organisaation ainutlaatuiseen kontekstiin; todellisen arvon vapauttamiseksi mallit on koulutettava ja hienosäädettävä suljetun yritysdatan avulla, erityisesti tiettyjen työnkulkujen ja käyttötapausten "viimeisellä maililla").
• Ennen kuin aidosti autonomiset agentit voivat menestyä yrityksessä, on edessään suurempi haaste: rakentaa vastaavat valvontarakenteet, hyväksynnät ja suojakaiteet kuin työntekijöille, mikä mahdollistaa ihmistyövoiman luotettavan ja skaalautuvan toiminnan.

Johtajien tulisi valmistautua pitämällä mielessä seuraavat asiat:

• Agentteja tulisi kohdella kuin uusia työntekijöitä, joilla on selkeästi määritellyt vastuualueet, yksiselitteinen valvonta ja mekanismit virheiden hillitsemiseksi heidän "oppiessaan" organisaation kirjoitetut ja kirjoittamattomat säännöt.
• Tarvitaan "agenttiväylä" eli koordinointikerros, johon agentit rekisteröityvät, hankkivat kirjoitusoikeudet ja jonka kautta valvonta-agentit valvovat heidän toimiaan.
• Ihmisorganisaatioiden toimintakykyä parantavien tarkastusmekanismien uudelleenluominen on ratkaisevan tärkeää turvallisen, tarkan ja luotettavan toteutuksen saavuttamiseksi agenttisessa yritysmaailmassa.
• Ihmisten kykyjen hallinta ja uudelleenkoulutus on toinen tärkeä näkökohta, kun ihmisen ja tekoälyn rajapinnat ja yhteistyö muuttuvat agenttisten järjestelmien ja kehysten myötä.
• Jännittävintä on kehittyneiden yritysagenttisovelluskehysten (Enterprise Agent Frameworks) syntyminen – nykyisen laajemmalle – jotka voivat muuttaa tämän vision käytännölliseksi ja skaalautuvaksi todellisuudeksi yhdistettynä vahvaan toimialaosaamiseen ja -ratkaisuihin.

Kiitos upeasta haastattelusta, lukijoiden, jotka haluavat tietää lisää, kannattaa käydä QBurst.