Série d'entretiens avec Arun Kumar Ramchandran, PDG de QBurst

Arun Kumar RamchandranLe PDG de QBurst, [Nom du PDG], est un dirigeant chevronné du secteur des technologies et des services, fort de plus de 25 ans d'expérience en leadership dans le conseil international, la vente de contrats d'envergure, la gestion de centres de profit et la transformation d'entreprise. Il a pris ses fonctions de PDG en avril 2025 et est responsable de la direction de QBurst et de l'élaboration de sa stratégie en tant que société de services technologiques et d'ingénierie numérique axée sur l'IA. Avant de rejoindre QBurst, il a occupé des postes de direction chez Hexaware Technologies (notamment président et responsable du conseil en intelligence artificielle), Capgemini/Sogeti (direction des relations clients et des ventes), ainsi qu'Infosys et Virtusa, où il a créé et développé des unités commerciales, piloté d'importants programmes stratégiques et stimulé la croissance dans de nombreuses régions et secteurs d'activité.

QBurst est un partenaire mondial d'ingénierie numérique qui se positionne autour de l'« IA de haut niveau », combinant la mise en œuvre de solutions basées sur l'IA avec des approches d'IA appliquée et axées sur les données pour aider les entreprises à se moderniser, à construire et à évoluer. L'entreprise met l'accent sur l'ingénierie de l'expérience numérique de bout en bout, la modernisation et l'ingénierie produit, en accompagnant ses clients dans des initiatives telles que les plateformes numériques composables, les solutions conversationnelles et d'expérience client, et les infrastructures de données compatibles avec l'IA. L'objectif est de produire des résultats mesurables comme une productivité accrue, une mise en œuvre plus rapide et une expérience client renforcée auprès d'une large clientèle internationale.

Vous avez pris la direction de QBurst après une longue carrière de dirigeante chez Hexaware, Capgemini, Infosys et d'autres organisations internationales. Qu'est-ce qui vous a attiré chez QBurst à ce stade de sa croissance, et comment votre parcours influence-t-il la stratégie que vous souhaitez donner à l'entreprise ?

Rejoindre QBurst a été une décision mûrement réfléchie, alliant opportunités et potentiel. Ce qui m'a séduit chez QBurst, c'est la combinaison de ses atouts intrinsèques et d'une opportunité de marché unique. La culture entrepreneuriale de QBurst et son succès dans l'utilisation de technologies de pointe pour répondre aux exigences de clients exigeants m'ont à la fois impressionné et intrigué.

Face à la convergence de changements disruptifs et à l'évolution des environnements technologiques, industriels et réglementaires, une entreprise ciblée et différenciée comme QBurst a une occasion unique de se démarquer et de créer une nouvelle entreprise de services technologiques et d'ingénierie ainsi qu'un nouveau modèle de prestation pour un avenir axé sur l'IA.

Avec plus de 25 ans d'expérience dans la transformation technologique de multiples secteurs d'activité, comment votre expérience a-t-elle influencé votre vision du déploiement d'une plateforme de services basée sur l'IA aujourd'hui ?

J'ai constaté que l'innovation et l'adoption des technologies se produisent principalement après la fin de l'engouement initial et lorsque les véritables problèmes des entreprises commencent à être résolus. Concernant le déploiement à grande échelle d'une plateforme de services basée sur l'IA, je souhaite aborder trois points précis.

1. Franchir le stade de la « preuve de concept ».

Le principal défi que je constate aujourd'hui est le passage de la phase de preuve de concept (PoC) à la mise à l'échelle. Cette dernière exige un changement de mentalité : nous ne nous contentons plus de développer des IA ; nous fournissons des solutions prêtes pour la production. Chez QBurst, nous aidons nos clients à dépasser cette étape cruciale en misant sur l'agilité : adopter de nouveaux modèles avec des fenêtres de contexte plus larges plutôt que de rester prisonniers des technologies obsolètes.

2. Pas d'IA sans fondements solides.

Une leçon que j'ai retenue à chaque étape de l'évolution technologique – des débuts du mobile en 2009 à la révolution du cloud – est qu'on ne peut automatiser le chaos. L'IA n'est performante que si les données qui l'alimentent le sont. QBurst stimule la croissance en veillant à ce que les tâches « ingrates mais essentielles », à savoir la modernisation numérique et l'ingénierie avancée des données, soient réalisées.

3. La vision « IA de haute qualité »

Pour mener cette transformation, nous nous sommes repositionnés comme une entreprise à « haute intelligence artificielle ». Cela se traduit par l'intégration de l'IA générative et de l'IA agentique dans tous nos services de base, favorisant ainsi une transformation des entreprises nativement IA. Chez QBurst, l'IA n'est pas une fonctionnalité ajoutée, mais le fondement même de notre stratégie et de nos services. Elle combine des modèles d'apprentissage automatique personnalisés à une automatisation intelligente pour garantir que, à mesure que l'entreprise se développe, son intelligence évolue avec elle.

Nous sommes des précurseurs depuis les débuts d'Android et nous mettons à profit cette même proactivité pour mener l'ère de l'IA. Chez QBurst, nous ne sommes pas seulement une entreprise axée sur la technologie ; nous sommes un partenaire orienté résultats dont la croissance repose sur la satisfaction client.

Vous avez mis l'accent sur le « haut niveau de qualité de l'IA » comme cadre de référence pour QBurst. Comment les dirigeants d'entreprise doivent-ils interpréter ce concept, et pourquoi constitue-t-il un facteur de différenciation important dans le paysage actuel de l'IA ?

La stratégie « IA de haut niveau » de QBurst est un choix délibéré : privilégier la rapidité opérationnelle grâce au cycle de vie de développement logiciel piloté par l’IA et oser des initiatives stratégiques audacieuses avec les agents gérés. Surtout, elle ancre l’ensemble de l’entreprise dans une transformation progressive et fondamentale de sa culture, de ses valeurs et des compétences de ses collaborateurs.

Malgré les risques et les inquiétudes liés à l'IA, mise en œuvre de manière sécurisée, elle peut engendrer prospérité et innovation. Les entreprises en retireront des bénéfices non seulement en termes de productivité, mais aussi de croissance et de transformation.

Du point de vue de la mise en œuvre, nous constatons quotidiennement les effets positifs de notre cadre SDLC piloté par l'IA. Il s'agit du « comment » de la transformation : nous avons intégré l'IA à chaque étape du développement, de la génération des récits utilisateurs aux scripts de test auto-réparateurs. Les résultats sont éloquents :

• Délai de mise sur le marché : Réduction significative des cycles de développement et de test.
• Qualité : Une réduction remarquable de 25 à 35 % des défauts après la mise sur le marché.
• Efficacité : Une amélioration constante de 20 à 30 % de la performance globale.

Au niveau stratégique, nous passons de l'optimisation individuelle à l'optimisation globale de l'écosystème. Cela a nécessité une refonte de nos solutions, aboutissant à la création des Agents gérés, une fusion entre l'IA d'entreprise et les services gérés. Pour nos clients, cela signifie que des agents IA prennent en charge les tâches, les flux de travail et les opérations, tant en front-end qu'en back-end, favorisant ainsi l'efficacité et l'innovation continue. Nous ne nous contentons pas de fournir des services ; nous orchestrant un réseau de valeur parfaitement intégré.

De nombreuses entreprises accumulent ce que vous appelez une « dette IA » : des dépenses considérables consacrées à des projets pilotes d’IA générale qui ne sont ni déployables ni rentables. Quelles sont les causes profondes de ce problème et comment les organisations peuvent-elles s’en sortir ?     

Les entreprises accumulent une « dette IA » lorsque leurs investissements en IA générale se limitent à des projets pilotes et ne parviennent pas à générer une réelle valeur ajoutée pour l'entreprise. La cause profonde de ce problème réside dans ce que nous appelons le piège de la rétro-ingénierie : une tentative d'intégrer des fonctionnalités d'IA générale à des systèmes existants qui n'ont jamais été conçus pour prendre en charge des flux de travail natifs de l'IA. Dans ces environnements, les données, l'architecture et la gouvernance ne sont tout simplement pas prêtes, ce qui entraîne l'échec des projets pilotes ou leur défaillance lors du passage à l'échelle.

Ce problème est aggravé par un manque de préparation en amont. Nombre d'organisations se lancent précipitamment dans l'expérimentation, négligeant les investissements essentiels dans la stratégie, l'ingénierie et la gouvernance des données. Sans infrastructures de données modernisées et sans cadres de contrôle clairs, les initiatives d'IA générale restent des prototypes isolés plutôt que de véritables capacités d'entreprise.

Pour rompre avec ce modèle, il est indispensable d'adopter une approche de conception axée sur l'IA. Au lieu de se demander où intégrer l'IA, les organisations doivent concevoir leurs systèmes en intégrant dès le départ les résultats escomptés de l'IA, en alignant l'architecture, les flux de données et la gouvernance afin de soutenir l'automatisation intelligente à grande échelle.

Concrètement, cela commence par l'ingénierie des données. La mise en place, en amont, de pipelines et de modèles de données robustes et bien gérés crée les conditions nécessaires à une mise à l'échelle durable de l'IA générale. Lorsque les bases sont solides, l'IA passe de l'expérimentation à l'impact. Ainsi, la dette technique liée à l'IA cède la place à la création de valeur à long terme.

Le modèle traditionnel de contrat au temps passé et aux matériaux utilisés est de plus en plus perçu comme inadapté aux réalités de l'efficacité permise par l'IA. Pourquoi ce modèle devient-il obsolète et comment des approches telles que les « agents gérés » ou le « service en tant que logiciel » pourraient-elles offrir une voie plus durable pour l'informatique d'entreprise ?     

Le modèle traditionnel de facturation au temps passé et aux matériaux utilisés a été conçu pour une époque de rareté des ressources, où la valeur était directement liée à l'effort humain. À l'ère de l'IA, cette hypothèse n'est plus valable. L'intelligence et l'exécution deviennent abondantes, et à mesure que cette abondance augmente, la valeur se déplace de l'effort vers les résultats. L'IA bouleverse fondamentalement la logique de la facturation horaire.

C’est pourquoi le secteur s’oriente vers des modèles axés sur les résultats. Des indicateurs tels que les tickets résolus sans intervention humaine ou les flux de travail entièrement automatisés par l’IA offrent une valeur claire et mesurable. Ces modèles considèrent les compétences comme un logiciel, et non comme une main-d’œuvre ; on peut les qualifier de « service en tant que logiciel ».

Des approches comme les agents gérés et le SaaS (Service-as-a-Software) offrent une voie plus durable. Elles permettent de passer d'une rémunération à l'effort à une rémunération aux résultats, garantissant ainsi des coûts prévisibles, une amélioration continue et un partage des bénéfices de l'automatisation. Les agents gérés permettent aux ingénieurs et aux agents d'IA de collaborer à la réalisation des objectifs commerciaux, tandis que le SaaS rend la valeur mesurable par les résultats obtenus plutôt que par le temps passé.

Dans un monde piloté par l'IA, les modèles commerciaux les plus pertinents sont ceux qui récompensent les résultats et non les efforts, créant ainsi une situation gagnant-gagnant pour les entreprises et les prestataires de services.

Votre méthodologie « IA de haut niveau » met l'accent sur le talent, l'application et l'impact, considérés comme les trois piliers essentiels de la préparation à l'IA. Comment les DSI peuvent-ils évaluer leur niveau de maturité sur ces trois plans avant de déployer à grande échelle des initiatives d'IA générale ?

Avant de déployer l'IA à grande échelle, les DSI ont besoin d'une vision claire de la maturité des trois niveaux de « haute qualité d'IA » que sont les talents, les applications et l'impact, et pas seulement de la pile technologique.

Au niveau des talents, la maturité se mesure à la préparation des personnes. Les DSI doivent évaluer les compétences en IA, l'ouverture au changement et s'assurer que les employés disposent d'un accès sécurisé et contrôlé aux ressources d'apprentissage en ligne permettant des expérimentations sans risque.

Au niveau applicatif, l'accent est mis sur les fondamentaux des données et de la gouvernance tels que la qualité des données, l'architecture, la sécurité et la maturité des politiques et des garde-fous en matière d'accès aux LLM et de pratiques de développement de l'IA.

Au niveau de l'impact, les DSI doivent évaluer les cas d'usage en fonction de l'effort requis par rapport à la valeur ajoutée pour l'entreprise. Identifier les opportunités à faible effort et à fort impact permet d'obtenir rapidement des résultats positifs et favorise une approche itérative du déploiement à grande échelle de l'IA générale.

Pour les organisations qui fonctionnent encore avec des architectures héritées, quelles sont les étapes fondamentales de modernisation nécessaires pour se préparer aux flux de travail automatisés et aux modèles de prestation natifs de l'IA ?

Voici les trois étapes qui peuvent préparer les organisations à adopter des flux de travail automatisés.

1. Prioriser la modernisation de l'infrastructure de données : Pour les organisations utilisant des architectures existantes, la première étape consiste à moderniser leur infrastructure de données afin d'activer les métadonnées, la traçabilité et les indicateurs de qualité des données cloisonnées. Ceci garantit aux acteurs l'accès aux données contextualisées et explicables dont ils ont besoin. L'introduction d'outils basés sur l'IA générale a rendu cette modernisation plus rapide et plus simple. Bien que l'utilisation de l'IA générale avec une architecture existante soit possible, le coût en jetons requis pour obtenir des résultats significatifs serait extrêmement élevé.

2. Mise en place de couches de connaissances d'entreprise : Les organisations qui n'ont pas modernisé leurs systèmes possèdent une importante quantité de connaissances accumulées non documentées. La création de couches de connaissances permettant de capturer ces connaissances accumulées et évolutives au sein du système constitue la deuxième tâche prioritaire. Il s'agit de l'élément manquant dans le parcours d'adoption de l'IA de nombreuses organisations.

3. Définir les limites et les méthodes de travail des agents : La troisième étape consiste à s’assurer que les agents respectent toutes les bonnes pratiques et les exigences de sécurité en vigueur au sein de l’organisation. Les cadres de gouvernance, les politiques de sécurité et les cadres d’observabilité permettent aux agents de réfléchir et d’agir efficacement dans le cadre des limites et des méthodes de travail établies de l’organisation.

Lorsqu'on se prépare à l'« intégration de l'IA », qu'est-ce que cela implique au-delà des outils — en termes de données, de processus, de gouvernance et de compétences des équipes ?

La préparation à l'IA va bien au-delà du simple choix des outils. En pratique, le succès de l'adoption de l'IA dépend de la capacité d'une organisation à capitaliser sur son savoir-faire interne, notamment les processus non écrits, les logiques de décision et les relations clés qui existent uniquement dans l'esprit des employés. Ce savoir doit être documenté en langage naturel afin que les systèmes d'IA puissent l'interpréter et non se contenter de traiter des données de manière isolée.

La préparation des données est tout aussi cruciale, mais la qualité seule ne suffit pas. Ce qui détermine véritablement le succès, ce sont les métadonnées, c'est-à-dire le contexte, la provenance et la signification des données. Sans elles, même les modèles les plus avancés produisent des résultats superficiels ou peu fiables.

L'adoption de l'IA en entreprise accuse un retard par rapport à l'IA grand public pour une raison bien précise : la gouvernance, la sécurité et la conformité sont des impératifs. Il ne s'agit pas d'obstacles à contourner, mais d'exigences à respecter dès la conception. Les organisations doivent mettre en place des cadres de confiance comprenant des garde-fous, l'observabilité de l'IA générique, l'explicabilité et des processus impliquant l'intervention humaine afin de garantir la sécurité, la reproductibilité et l'exactitude des résultats de l'IA.

Enfin, les équipes doivent développer une intuition en matière d'IA. Pour être prêts, il est essentiel de former les employés à l'IA afin qu'ils sachent comment interroger efficacement, valider les résultats et contrôler les données produites, plutôt que de faire aveuglément confiance à une « boîte noire ». L'IA fonctionne de manière optimale lorsque l'humain reste pleinement impliqué.

Le secteur des services technologiques est saturé d'acteurs historiques. Quels sont selon vous les principaux atouts de QBurst pour remporter des mandats de transformation d'entreprise ?

QBurst se distingue sur un marché des services technologiques saturé en associant une expertise technique pointue à l'agilité d'une entreprise beaucoup plus petite, axée sur l'innovation.

Notre avantage concurrentiel repose sur cinq piliers clés :

1. Expertise technique et approche design – Nous ne nous contentons pas d'écrire du code. Nous résolvons les problèmes métier grâce à des solutions holistiques et centrées sur l'utilisateur.

2. Agilité et responsabilisation – Notre taille nous permet d'évoluer à grande échelle tout en restant proches de nos clients. Notre flexibilité et notre capacité d'adaptation rapide aux changements sont attestées par nos clients. Nos équipes s'investissent pleinement dans la réussite de nos clients, et cette responsabilité est assumée jusqu'au plus haut niveau de la direction.

3. Maîtrise des spécificités culturelles : qu’il s’agisse des mini-applications LINE au Japon ou des systèmes de tarification intégrés pour les chaînes d’épiceries américaines, nous adaptons non seulement la technologie, mais aussi l’expérience, à chaque marché.

4. Vision axée sur l'IA – Nous intégrons l'IA dans nos prestations, nos opérations et nos solutions clients, non pas comme un simple mot à la mode, mais comme un multiplicateur de capacités.

5. Culture de l'innovation et de l'expérimentation – Nos dirigeants sont des experts en technologie et aiment résoudre les problèmes de nos clients grâce aux technologies les plus récentes et émergentes. Nous n'avons pas peur de l'échec et avons souvent obtenu des résultats significatifs pour nos clients en adoptant une approche de type start-up.

Nous n'avons pas peur de remettre en question nos pratiques établies. Nous expérimentons des modèles axés sur les résultats, des cadres de prestation modulaires et des laboratoires de co-innovation pour nos clients entreprises.

Dans un avenir de trois à cinq ans, comment prévoyez-vous l'évolution des modèles opérationnels informatiques d'entreprise avec l'essor des flux de travail automatisés et des organisations natives de l'IA, et à quoi les dirigeants doivent-ils se préparer dès maintenant ?

La prochaine vague d'innovation appartiendra à ceux qui sauront allier la puissance de l'IA à des systèmes de contrôle, de supervision et de confiance bien conçus. C'est pourquoi le débat émergent autour des plateformes d'agents d'entreprise est si important et si urgent.

Voici quelques-uns des principaux enseignements que j'en ai tirés :

• La construction de centres de données dédiés à l'IA s'accélère, au lieu de ralentir ; l'optimisme est de mise dans le secteur des centres de données, avec une forte hausse des capacités, de la demande et des investissements.
• L'adoption de l'IA en entreprise sera plus lente que celle de l'IA grand public (les données organisationnelles sont souvent désordonnées, fragmentées et réparties entre de nombreux systèmes plutôt que propres et centralisées ; les modèles actuels ne sont pas encore suffisamment précis pour les situations et fonctions très spécifiques des entreprises sans adaptation au contexte unique de chaque organisation ; pour libérer une réelle valeur ajoutée, les modèles devront être entraînés et affinés sur des données d'entreprise propriétaires, en particulier dans la « dernière étape » des flux de travail et des cas d'utilisation spécifiques).
• Avant que des agents véritablement autonomes puissent prospérer au sein de l'entreprise, un défi de taille se pose : mettre en place l'équivalent des structures de supervision, des approbations et des garde-fous qui existent pour les employés, permettant ainsi à la main-d'œuvre humaine de travailler de manière fiable et à grande échelle.

Les dirigeants devraient se préparer en gardant à l'esprit les points suivants :

• Les agents devraient être traités comme de nouvelles recrues, avec des rôles clairement définis, une supervision explicite et des mécanismes pour contenir les erreurs pendant qu'ils « apprennent » les règles écrites et non écrites de l'organisation.
• Il est nécessaire de mettre en place un « bus d'agents » ou une couche de coordination où les agents s'enregistrent, obtiennent des autorisations d'écriture et voient leurs actions surveillées par des agents superviseurs.
• Recréer les mécanismes de contrôle et d'équilibre qui font la robustesse des organisations humaines sera essentiel pour parvenir à une exécution sûre, précise et fiable dans un monde d'entreprises automatisées.
• La gestion des talents humains et la requalification constituent un autre aspect important, car les interfaces et les collaborations homme-IA évoluent avec les systèmes et les cadres d'agents.
• La frontière la plus passionnante réside dans l'émergence de cadres d'agents d'entreprise avancés — au-delà de ce qui existe aujourd'hui — capables de transformer cette vision en une réalité pratique et évolutive, lorsqu'ils sont associés à une solide compréhension du domaine et à des solutions adaptées.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter QBurst.