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 s’étendant sur la consultation mondiale, les ventes de gros contrats, la propriété 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 basée sur l’IA. Avant QBurst, il a occupé des postes supérieurs chez Hexaware Technologies (y compris président et direction de la consultation GenAI), Capgemini/Sogeti (direction client et ventes exécutives), et Infosys et Virtusa, où il a construit 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 du « High AI-Q », combinant la livraison activée par l’IA avec les approches basées sur les données et l’IA appliquée pour aider les entreprises à moderniser, construire et développer. La société met l’accent sur l’ingénierie d’expérience numérique de bout en bout, la modernisation et l’ingénierie de produits – en soutenant les clients avec des initiatives telles que les plateformes numériques composites, les solutions d’expérience client et de conversation, et 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 dans 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 expérience influence la direction que vous souhaitez donner à l’entreprise ?

La décision de rejoindre QBurst a été une convergence d’opportunité et de potentiel. Ce qui m’a attiré chez QBurst, c’est 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 du peloton 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 industries, comment votre expérience a-t-elle influencé votre façon de penser le développement d’une plateforme de services basée sur l’IA aujourd’hui ?

J’ai observé que l’innovation et l’adoption de la technologie se produisent principalement après que le cycle de l’hype se soit calmé et que les véritables problèmes commerciaux commencent à être résolus au niveau de l’entreprise. Il y a trois points spécifiques que je souhaite souligner ici en termes de développement d’une plateforme de services basée sur l’IA.

1. Franchir le stade « PoC ».

Le plus grand défi que je vois aujourd’hui est de franchir le stade PoC. Le développement nécessite un changement de mentalité : nous ne construisons pas seulement de l’IA ; nous fournissons des solutions de production de grade. Chez QBurst, nous aidons les clients à dépasser le stade PoC 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 solide fondation

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

3. La vision « High AI-Q »

Pour conduire ce changement, nous nous sommes répositionnés en tant qu’entreprise « High AI-Q ». Cela reflète l’intégration de l’IA générative et de l’IA agente dans tous nos services principaux, conduisant à une transformation d’entreprise native IA. Chez QBurst, l’IA n’est pas une fonctionnalité additive 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 évolue avec elle.

Nous avons été des précurseurs depuis l’aube d’Android, et nous appliquons le même ADN proactif 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 facteur de différenciation 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 l’IA-Driven SDLC, 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.

Bien qu’il y ait 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 de la valeur non seulement en termes de productivité, mais aussi de croissance et de transformation.

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

• Time-to-Market : réduction significative des cycles de développement et de test.
• Qualité : une réduction remarquable de 25-35 % des défauts après la sortie.
• 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 frontales et dorsales, les flux de travail et les opérations, stimulant à la fois l’efficacité et l’innovation continue. Nous ne livrons pas seulement des services ; nous orchestrions un réseau de valeur sans faille.

De nombreuses entreprises accumulent ce que vous appelez « la dette d’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 d’IA » lorsque les investissements GenAI s’arrêtent aux pilotes et ne parviennent pas à générer une véritable valeur commerciale. La cause profonde est ce que nous appelons le piège de la rétrofitting — une tentative de greffer les capacités GenAI sur des systèmes legacy qui n’ont jamais été conçus pour supporter les flux de travail natifs IA. Dans ces environnements, les données, l’architecture et la gouvernance ne sont simplement pas prêtes, donc les pilotes stagneront ou se briseront sous l’échelle.

Ceci est aggravé par un manque de préparation fondamentale. De nombreuses organisations se précipitent vers l’expérimentation tout en contournant 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 sur l’accès LLM et les pratiques de développement IA, 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, dès le départ, crée les conditions pour que GenAI puisse évoluer de manière durable. Lorsque la fondation est bonne, l’IA passe de l’expérimentation à l’impact. Ainsi, la dette d’IA cède la place à la création de valeur à long terme.

Le modèle de contrat traditionnel basé sur le temps et les matériaux est de plus en plus considéré comme non aligné avec 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 traditionnel basé sur le temps et les matériaux 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 n’est plus valable. 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 achevés de bout en bout par l’IA fournissent une valeur claire et mesurable. Ces modèles traitent la capacité comme un logiciel, et non comme de la 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 pour l’informatique d’entreprise. Ils déplacent le focus 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 des initiatives GenAI ?

Avant de développer des initiatives GenAI, les DSI ont besoin d’une vue claire de la maturité sur les trois couches « High AI-Q » de talent, d’application et d’impact, et non 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 sûre.

À la couche de l’application, 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 LLM et les pratiques de développement 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 d’opportunités à faible effort et à forte valeur permet des victoires précoces et soutient une approche itérative pour développer GenAI.

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

Voici les trois étapes qui peuvent préparer les organisations à mesure qu’elles se dirigent 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 legacy, la première étape est de moderniser la fondation de données pour permettre la métadonnée, la lignée et les métriques de qualité de données pour les données cloisonnées. Cela garantit que les agents ont les données riches en contexte et explicables dont ils ont besoin. L’introduction d’outils GenAI a rendu cette modernisation plus rapide et plus simple. Même si l’utilisation de GenAI avec une architecture legacy 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 beaucoup de connaissances accumulées non documentées. La construction des 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 des agents et les modes de travail : La troisième étape est de garantir 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 établis de l’organisation.

Lors de la préparation pour « 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 de la sélection 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 qu’à l’intérieur de la tête des employés. Ces connaissances doivent être documentées dans un langage naturel que les systèmes IA peuvent raisonner avec, et non seulement traiter les 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 les flux de travail humains dans la boucle pour garantir que les sorties IA sont sûres, reproductibles et précises.

Enfin, les équipes doivent développer l’intuition de l’IA. La préparation signifie que les employés sont formés à l’alphabétisation de l’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 mieux lorsque les humains restent fermement dans la boucle.

Le secteur des services technologiques est encombré de joueurs legacy. 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 beaucoup plus petite, menée par l’innovation.

Notre avantage concurrentiel est défini par cinq piliers clés :

1. Profondeur d’ingénierie avec une mentalité de design thinking — Nous n’écrivons pas seulement du code. Nous résolvons des problèmes commerciaux 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 quelque chose pour lesquelles 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 senior.

3. Fluence culturelle : Que ce soit des mini-apps LINE au Japon ou des systèmes de tarification intégrés pour les chaînes de supermarchés américains, nous adaptons non seulement la technologie mais 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 capacité.

5. Culture d’innovation et d’expérimentation – Nos dirigeants sont 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 n’avons pas non plus peur de nous déstabiliser. 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 à l’avant, comment vous attendez-vous que les modèles opérationnels de l’informatique d’entreprise évoluent avec l’essor des flux de travail agents et des organisations natives IA, et quels sont les éléments pour lesquels les dirigeants devraient se 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.

Certaines des principales idées pour moi sont :

• La construction de centres de données 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 d’entreprise sont souvent désordonnées, 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 très 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 cas d’utilisation et des flux de travail 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, ce qui permet 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 un besoin d’un « bus d’agent » 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 contrôles et les équilibres qui rendent les organisations humaines robustes sera critique pour atteindre une exécution sûre, précise et fiable dans un monde d’entreprise agente.
• La gestion des talents humains et la reconversion sont un autre aspect important 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 évolutive, combinée à une solide compréhension de domaine et de solutions.

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