Arun Kumar Ramchandran, PDG de QBurst – Série d’entretiens

Arun Kumar Ramchandran, PDG de QBurst, est un vétéran de la technologie et des services exécutifs avec plus de 25 ans d’expérience de leadership dans des domaines tels que la consultation mondiale, les ventes de gros contrats, la propriété de P&L et la transformation d’entreprise. Il est devenu PDG en avril 2025 et est responsable de la direction de QBurst dans l’ensemble de l’entreprise, tout en façonnant sa stratégie en tant que société de services technologiques et d’ingénierie numérique axée sur l’IA. Avant QBurst, il a occupé des postes de direction chez Hexaware Technologies (HEXT.BO ) (y compris président et leadership de la consultation GenAI), Capgemini/Sogeti (direction exécutive des clients et des ventes), ainsi que chez Infosys et Virtusa, où il a créé et développé des unités commerciales, dirigé des programmes stratégiques majeurs et stimulé la croissance dans plusieurs géographies et secteurs verticaux.

QBurst est un partenaire d’ingénierie numérique mondial qui se positionne autour de la notion de « High AI-Q », combinant la livraison activée par l’IA avec des approches fondées sur les données et l’IA pour aider les entreprises à se moderniser, à construire et à développer. La société met l’accent sur l’ingénierie de l’expérience numérique de bout en bout, la modernisation et l’ingénierie de produits – en soutenant les clients dans des initiatives telles que les plateformes numériques composites, les solutions d’expérience client et de conversation, ainsi que les fondations de données prêtes à l’IA – visant à produire des résultats mesurables tels que l’amélioration de la productivité, une livraison plus rapide et des expériences client plus solides à travers une large base de clients internationaux.

Vous avez pris le rôle de PDG chez QBurst après une longue carrière de leadership dans des entreprises telles que Hexaware, Capgemini, Infosys et d’autres organisations mondiales. Qu’est-ce qui vous a attiré chez QBurst à ce stade de sa croissance, et comment votre parcours façonne la direction que vous souhaitez donner à l’entreprise ?

La décision de rejoindre QBurst a été le résultat d’une convergence d’opportunités et de potentiel. Ce qui m’a attiré chez QBurst était une combinaison de ses forces inhérentes et d’une opportunité de marché unique. La culture entrepreneuriale de QBurst et son succès avec les technologies de pointe pour répondre aux clients exigeants m’ont à la fois impressionné et intrigué.

Avec la convergence de changements perturbateurs et d’environnements en mutation dans la technologie, les industries et la réglementation, une entreprise ciblée et différenciée comme QBurst a une opportunité unique de se démarquer et de créer un nouveau modèle de services technologiques et d’ingénierie pour l’avenir piloté par l’IA.

Avec plus de 25 ans d’expérience dans la transformation technologique à travers plusieurs secteurs, comment votre expérience a-t-elle influencé votre façon de penser la mise à l’échelle d’une plateforme de services pilotée par l’IA aujourd’hui ?

J’ai observé que les principales innovations et adoptions de technologies se produisent après que le cycle de l’hype se soit calmé et que les véritables problèmes d’entreprise commencent à être résolus. Il y a trois points spécifiques que je souhaite souligner ici en termes de mise à l’échelle d’une plateforme de services pilotée par l’IA.

1. Dépasser le stade de la preuve de concept.

Le plus grand défi que je vois aujourd’hui est de dépasser le stade de la preuve de concept. La mise à l’échelle nécessite un changement de mentalité : nous ne construisons pas seulement de l’IA, nous fournissons des solutions de production. Chez QBurst, nous aidons les clients à grandir au-delà du stade de la preuve de concept en nous concentrant sur l’agilité – en adoptant de nouveaux modèles avec des fenêtres de contexte plus larges plutôt que d’être verrouillés dans la technologie d’hier.

2. Pas d’IA sans une base solide.

Une leçon que j’ai retenue de chaque cycle technologique – des premiers jours du mobile en 2009 à la révolution du cloud – est qu’il est impossible d’automatiser le chaos. L’IA n’est puissante que si les données qui l’alimentent sont de qualité. QBurst stimule la croissance en s’assurant que les travaux « ennuyeux mais essentiels » sont effectués, à savoir la modernisation numérique et l’ingénierie de données avancée.

3. La vision « High AI-Q ».

Pour conduire ce changement, nous nous sommes repositionnés en tant qu’entreprise « High AI-Q ». Cela reflète l’intégration de l’IA générative et de l’IA agente dans tous nos services de base, conduisant à une transformation d’entreprise native à l’IA. Chez QBurst, l’IA n’est pas une fonctionnalité ajoutée, mais le tissu fondamental de notre stratégie et de notre livraison. Elle combine des modèles d’apprentissage automatique personnalisés avec une automatisation intelligente pour garantir que, à mesure que l’entreprise grandit, son intelligence s’accroît avec elle.

Nous avons été des précurseurs depuis l’aube d’Android, et nous appliquons la même ADN proactive pour conduire l’ère de l’IA. Chez QBurst, nous ne sommes pas seulement une entreprise axée sur la technologie ; nous sommes un partenaire axé sur les résultats dont la croissance est stimulée par la satisfaction client.

Vous avez mis l’accent sur « High AI-Q » comme un cadre définissant pour QBurst. Comment les dirigeants d’entreprise doivent-ils interpréter ce concept, et pourquoi est-il un différentiateur important dans le paysage actuel de l’IA ?

Le parcours « High AI-Q » de QBurst est une décision consciente : courir vite sur la couche opérationnelle avec le SDLC piloté par l’IA, et faire des mouvements audacieux sur la couche stratégique avec des agents gérés. Le plus important, c’est qu’il ancre l’ensemble de l’entreprise dans le changement fondamental lent de la culture, des valeurs et des capacités humaines.

Même s’il y a des risques et des préoccupations concernant l’IA, si elle est mise en œuvre de manière sécurisée, l’IA peut créer de l’abondance et de l’innovation. Les entreprises verront la valeur non seulement en termes de productivité, mais aussi de croissance et de transformation.

Du point de vue de la livraison, nous voyons cela se concrétiser chaque jour à travers notre cadre de SDLC piloté par l’IA. C’est le « comment » de la transformation, où nous avons intégré l’IA à chaque étape du développement, de la génération d’histoires utilisateur à des scripts de test auto-réparateurs. Les résultats parlent d’eux-mêmes :

• Temps de mise sur le marché : réduction significative des cycles de développement et de test.
• Qualité : une réduction remarquable de 25-35 % des défauts après la publication.
• Efficacité : une amélioration constante de 20-30 % de la livraison globale.

La couche stratégique est là où nous allons au-delà de l’optimisation des parties pour optimiser l’ensemble de l’écosystème. Cela a exigé une réflexion de nos piliers de solution, conduisant à la création d’agents gérés, une fusion d’IA agente d’entreprise et de services gérés. Pour nos clients, cela signifie que les agents IA gèrent les tâches, les flux de travail et les opérations front-end et back-end, stimulant à la fois l’efficacité et l’innovation continue. Nous ne livrons pas seulement des services ; nous orchestrions un réseau de valeur fluide.

De nombreuses entreprises accumulent ce que vous appelez « la dette IA » – des dépenses importantes dans les pilotes GenAI qui ne sont pas évolutifs ou ne génèrent pas de valeur. Quelles sont les causes profondes de ce problème, et comment les organisations peuvent-elles sortir de ce schéma ?

Les entreprises accumulent « la dette IA » lorsque les investissements GenAI s’arrêtent aux pilotes et ne parviennent pas à évoluer en une valeur commerciale réelle. La cause profonde est ce que nous appelons le piège de la rétrofitting – une tentative de greffer des capacités GenAI sur des systèmes hérités qui n’ont jamais été conçus pour supporter les flux de travail natifs à l’IA. Dans ces environnements, les données, l’architecture et la gouvernance sont tout simplement pas prêtes, donc les pilotes stagneront ou se briseront sous la charge.

Ceci est aggravé par un manque de préparation fondamentale. De nombreuses organisations se précipitent dans l’expérimentation tout en ignorant les investissements essentiels dans la stratégie de données, l’ingénierie de données et la gouvernance. Sans des fondations de données modernisées et des cadres de contrôle clairs, les initiatives GenAI restent des preuves de concept isolées plutôt que des capacités d’entreprise.

Rompre ce schéma nécessite un passage à une conception IA-première. Au lieu de demander où l’IA peut être ajoutée, les organisations doivent concevoir des systèmes avec des résultats IA à l’esprit dès le premier jour, en alignant l’architecture, les flux de données et la gouvernance pour supporter l’automatisation intelligente à grande échelle.

Dans la pratique, cela commence par l’ingénierie de données. La construction de pipelines de données robustes et bien gérés, ainsi que de modèles, crée les conditions pour que GenAI évolue de manière durable. Lorsque la base est solide, l’IA passe de l’expérimentation à l’impact. Ainsi, la dette IA cède la place à la création de valeur à long terme.

Le modèle de contrat traditionnel Time & Materials est de plus en plus considéré comme non aligné sur les réalités de l’efficacité pilotée par l’IA. Pourquoi ce modèle devient-il obsolète, et comment des approches comme « Agents gérés » ou « Service-as-Software » pourraient-elles offrir un chemin plus durable pour l’informatique d’entreprise ?

Le modèle Time & Materials a été conçu pour une époque de pénurie de ressources, où la valeur était directement liée à l’effort humain. À l’ère de l’IA, cette hypothèse ne tient plus. L’intelligence et l’exécution deviennent abondantes, et à mesure que l’abondance augmente, la valeur se déplace de l’effort aux résultats. L’IA brise fondamentalement la logique de la facturation horaire.

C’est pourquoi l’industrie se tourne vers des modèles basés sur les résultats. Des métriques telles que les tickets résolus sans intervention humaine ou les flux de travail complets réalisés par l’IA fournissent une valeur claire et mesurable. Ces modèles traitent la capacité comme un logiciel, et non comme une main-d’œuvre, ce qui peut être décrit comme « service-as-software ».

Des approches comme les Agents gérés et le Service-as-a-Software offrent un chemin plus durable. Ils déplacent l’attention de la facturation de l’effort à la facturation des résultats intelligents, permettant des coûts prévisibles, une amélioration continue et un avantage partagé de l’automatisation. Les Agents gérés permettent aux ingénieurs humains et aux agents IA de travailler ensemble vers des objectifs commerciaux, tandis que le Service-as-a-Software rend la valeur mesurable à travers les résultats plutôt que les heures passées.

Dans un monde piloté par l’IA, les modèles commerciaux les plus alignés sont ceux qui récompensent les résultats, et non l’effort – créant un gain-gain pour les entreprises et les fournisseurs de services.

Votre méthodologie « High AI-Q » se concentre sur les talents, les applications et l’impact comme les trois couches critiques pour la préparation à l’IA. Comment les DSI peuvent-ils évaluer leur maturité sur ces couches avant de développer les initiatives GenAI ?

Avant de développer les initiatives GenAI, les DSI ont besoin d’une vision claire de la maturité sur les trois couches « High AI-Q » de talents, d’applications et d’impact, et pas seulement de la pile technologique.

À la couche des talents, la maturité concerne la préparation des personnes. Les DSI devraient évaluer les compétences en IA, l’ouverture au changement et si les employés ont un accès sécurisé et géré aux LLM qui permet une expérimentation sécurisée.

À la couche des applications, l’accent est mis sur les fondamentaux de données et de gouvernance tels que la qualité des données, l’architecture, la sécurité et la maturité des politiques et des garde-fous sur l’accès aux LLM et les pratiques de développement de l’IA.

À la couche de l’impact, les DSI devraient évaluer les cas d’utilisation en fonction de l’effort versus la valeur commerciale. L’identification des opportunités à faible effort et à forte valeur permet des victoires précoces et soutient une approche itérative pour développer les initiatives GenAI.

Pour les organisations qui fonctionnent encore sur des architectures héritées, quels sont les étapes fondamentales de modernisation nécessaires pour se préparer aux flux de travail agents et aux modèles de livraison natifs à l’IA ?

Voici les trois étapes qui peuvent préparer les organisations à mesure qu’elles évoluent vers les flux de travail agents.

1. Donner la priorité à la modernisation de la fondation de données : Pour les organisations qui fonctionnent sur des architectures héritées, la première étape est de moderniser la fondation de données pour permettre la métadonnée, la lignée et les métriques de qualité des données pour les données silotées. Cela garantit que les agents ont les données riches en contexte, explicables dont ils ont besoin. L’introduction d’outils basés sur GenAI a rendu cette modernisation plus rapide et plus simple. Même si l’utilisation de GenAI avec une architecture héritée est possible, les exigences de jetons pour obtenir des résultats significatifs seraient extrêmement élevées.

2. Établir des couches de connaissances d’entreprise : Les organisations qui n’ont pas modernisé leurs systèmes auront accumulé beaucoup de connaissances non documentées. La construction de couches de connaissances pour capturer ces connaissances accumulées transitoires au sein du système serait la deuxième tâche à haute priorité. Il s’agit de la couche manquante dans de nombreux parcours d’adoption de l’IA des organisations.

3. Définir les limites et les modes de travail des agents : La troisième étape consiste à s’assurer que les agents adhèrent à toutes les meilleures pratiques et aux conformités de sécurité actuellement suivies dans 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 les limites et les modes de travail de l’organisation.

Lors de la préparation à la « préparation à l’IA », qu’est-ce que cela nécessite au-delà de l’outillage – en termes de données, de processus, de gouvernance et de capacités d’équipe ?

La préparation à l’IA va bien au-delà du choix des bons outils. Dans la pratique, l’adoption de l’IA réussit ou échoue sur la capacité d’une organisation à capturer les connaissances tribales, telles que les processus non écrits, la logique de décision et les relations clés qui n’existent que dans la tête des employés. Ces connaissances doivent être documentées dans un langage naturel que les systèmes IA peuvent raisonner, et non seulement traiter des données en isolement.

La préparation des données est également critique, mais la qualité seule ne suffit pas. Ce qui détermine vraiment le succès, c’est la métadonnée, qui inclut le contexte, la lignée et le sens derrière les données. Sans cela, même les modèles les plus avancés produisent des résultats superficiels ou peu fiables.

L’adoption de l’IA d’entreprise est également plus lente que l’IA grand public : la gouvernance, la sécurité et la conformité sont non négociables. Ce ne sont pas des obstacles à contourner, mais des exigences à construire. Les organisations doivent établir des cadres de confiance qui incluent des garde-fous, l’observabilité de GenAI, l’explicabilité et des flux de travail avec des humains dans la boucle pour garantir que les sorties de l’IA sont sûres, reproductibles et précises.

Enfin, les équipes doivent développer une intuition de l’IA. La préparation signifie que les employés sont formés à la littératie en IA afin qu’ils sachent comment solliciter efficacement, valider les résultats et auditer les sorties plutôt que de faire confiance aveuglément à une « boîte noire ». L’IA fonctionne le mieux lorsque les humains restent fermement dans la boucle.

Le secteur des services technologiques est encombré de joueurs établis. Quels sont les plus grands facteurs de différenciation de QBurst lors de la concurrence pour les mandats de transformation d’entreprise ?

QBurst se différencie sur le marché des services technologiques en associant une expertise d’ingénierie approfondie à l’agilité d’une entreprise plus petite et innovante.

Notre avantage concurrentiel est défini par cinq piliers clés :

1. Profondeur d’ingénierie avec une mentalité de conception – Nous ne codons pas simplement. Nous résolvons des problèmes d’entreprise à travers des solutions holistiques et centrées sur l’utilisateur.

2. Agilité et propriété – Nous sommes suffisamment grands pour évoluer mais suffisamment légers pour nous soucier – notre flexibilité et notre adaptation aux changements rapides sont des éléments pour lesquels nos clients ont témoigné. Nos équipes prennent vraiment possession du succès client. Vous verrez la propriété de la livraison remonter jusqu’au niveau de la direction.

3. Fluence culturelle : Que ce soit des mini-applications LINE au Japon ou des systèmes de tarification intégrés pour les chaînes de supermarchés américains, nous adaptons non seulement la technologie, mais aussi l’expérience à chaque marché.

4. Vision IA-première – Nous intégrons l’IA dans notre livraison, nos opérations et nos solutions client – non comme un mot à la mode, mais comme un multiplicateur de capacités.

5. Culture d’innovation et d’expérimentation – Nos dirigeants sont des technophiles et aiment résoudre les problèmes des clients en utilisant les dernières technologies émergentes. Nous n’avons pas peur de l’échec et avons créé un impact significatif pour nos clients en adoptant une approche de démarrage dans de nombreux cas.

Nous sommes également prêts à nous déstabiliser nous-mêmes. Nous expérimentons des modèles basés sur les résultats, des cadres de livraison composites et des laboratoires de co-innovation pour les clients d’entreprise.

En regardant trois à cinq ans dans le futur, comment les modèles opérationnels de l’informatique d’entreprise devraient-ils évoluer avec l’émergence des flux de travail agents et des organisations natives à l’IA, et qu’est-ce que les dirigeants devraient préparer dès maintenant ?

La prochaine vague d’innovation appartiendra à ceux qui peuvent marier des capacités d’IA puissantes avec des systèmes de contrôle, de supervision et de confiance réfléchis. C’est pourquoi la conversation émergente sur les cadres d’entreprise agents semble si importante – et si urgente.

Certains des points clés pour moi sont :

• La construction de centres de données d’IA est en accélération, et non en ralentissement ; le sentiment dans le monde des centres de données est très optimiste, avec une capacité, une demande et des investissements en pleine croissance.
• L’adoption de l’IA d’entreprise sera plus lente que l’IA grand public (les données organisationnelles sont souvent désorganisées, fragmentées et réparties sur de nombreux systèmes plutôt que propres et centralisées ; les modèles actuels ne sont pas encore suffisamment précis pour des situations et des fonctions d’entreprise spécifiques sans adaptation au contexte unique de chaque organisation ; pour débloquer une véritable valeur, les modèles devront être formés et affinés sur des données d’entreprise propriétaires, en particulier dans le « dernier mile » des flux de travail et des cas d’utilisation spécifiques).
• Avant que des agents vraiment autonomes puissent prospérer dans l’entreprise, il y a un défi plus important : construire l’équivalent de structures de supervision, d’approbations et de garde-fous qui existent pour les employés, permettant à la main-d’œuvre humaine d’exécuter de manière fiable et d’évoluer.

Les dirigeants devraient se préparer en gardant à l’esprit :

• Les agents devraient être traités comme de nouveaux employés, avec des périmètres 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 y a besoin d’un « bus d’agents » ou d’une couche de coordination où les agents s’enregistrent, obtiennent des autorisations d’écriture et ont leurs actions surveillées par des agents de supervision.
• Recréer les checks and balances qui font que les organisations humaines sont robustes sera crucial pour atteindre une exécution sûre, précise et fiable dans un monde d’entreprise agente.
• La gestion du talent humain et la reconversion sont également des aspects importants à mesure que les interfaces et les collaborations humaines-IA changent avec les systèmes et les cadres agents.
• Le front le plus passionnant est l’émergence de cadres d’entreprise agents avancés – au-delà de ce qui existe aujourd’hui – qui peuvent transformer cette vision en une réalité pratique et évolutivité, combinés avec une solide compréhension de domaine et des solutions. Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus devraient visiter QBurst.