Arun Kumar Ramchandran, CEO of QBurst – Interview Series

Arun Kumar Ramchandran, CEO of QBurst, adalah seorang veteran eksekutif teknologi dan layanan dengan pengalaman kepemimpinan lebih dari 25 tahun yang meliputi konsultasi global, penjualan besar, kepemilikan P&L, dan transformasi perusahaan. Ia menjadi CEO pada April 2025 dan bertanggung jawab untuk memimpin QBurst di seluruh bisnis sambil membentuk strateginya sebagai perusahaan layanan teknologi dan rekayasa digital yang dipimpin oleh AI. Sebelum bergabung dengan QBurst, ia menjabat posisi senior di Hexaware Technologies (termasuk Presiden dan kepemimpinan konsultasi GenAI), Capgemini/Sogeti (kepemimpinan klien dan penjualan eksekutif), dan Infosys dan Virtusa, di mana ia membangun dan mengembangkan unit bisnis, memimpin program strategis besar, dan mendorong pertumbuhan di berbagai geografi dan vertikal industri.

QBurst adalah mitra rekayasa digital global yang memposisikan diri di sekitar “High AI-Q,” yang menggabungkan pengiriman yang ditenagai AI dengan pendekatan berbasis data untuk membantu perusahaan memodernisasi, membangun, dan mengembangkan. Perusahaan ini menekankan rekayasa pengalaman digital ujung-ke-ujung, modernisasi, dan rekayasa produk—mendukung klien dengan inisiatif seperti platform digital yang dapat disusun, solusi pengalaman pelanggan dan percakapan, dan fondasi data yang siap AI—bertujuan untuk menghasilkan hasil yang terukur seperti produktivitas yang ditingkatkan, pengiriman yang lebih cepat, dan pengalaman pelanggan yang lebih kuat di seluruh basis klien internasional yang luas.

Anda telah mengambil peran CEO di QBurst setelah karir kepemimpinan panjang di Hexaware, Capgemini, Infosys, dan organisasi global lainnya. Apa yang menarik Anda ke QBurst pada saat pertumbuhan perusahaan ini, dan bagaimana latar belakang Anda membentuk arah yang ingin Anda ambil perusahaan?

Keputusan untuk bergabung dengan QBurst adalah pertemuan antara kesempatan dan potensi. Apa yang menarik saya ke QBurst adalah kombinasi kekuatan bawaan dan kesempatan pasar yang unik. Budaya kewirausahaan QBurst dan kesuksesannya dengan teknologi canggih dalam mengirimkan hasil kepada klien yang menuntut baik mengesankan dan menarik saya.

Dengan konvergensi perubahan disruptif dan lingkungan yang berubah di seluruh teknologi, industri, dan peraturan, perusahaan yang fokus dan berbeda seperti QBurst memiliki kesempatan langka untuk memisahkan diri dari kerumunan dan menciptakan perusahaan layanan teknologi dan rekayasa baru serta model pengiriman untuk masa depan yang dipimpin oleh AI.

Dengan lebih dari 25 tahun pengalaman dalam transformasi yang dipimpin teknologi di berbagai industri, bagaimana pengalaman Anda mempengaruhi cara Anda berpikir tentang pengembangan platform layanan yang dipimpin AI saat ini?

Saya telah mengamati bahwa inovasi utama dan adopsi teknologi terjadi setelah siklus hype telah mereda dan masalah bisnis nyata mulai diselesaikan di tingkat perusahaan. Ada tiga poin spesifik yang ingin saya buat di sini dalam hal pengembangan platform layanan yang dipimpin AI.

1. Menyeberangi “Tahap PoC.”

Tantangan terbesar yang saya lihat saat ini adalah menyeberangi tahap PoC. Pengembangan memerlukan perubahan mindset: kita tidak hanya membangun AI; kita menyediakan solusi produksi. Di QBurst, kita membantu klien tumbuh melampaui tahap PoC dengan fokus pada keluwesan – mengadopsi model baru dengan jendela konteks yang lebih besar daripada terkunci pada teknologi kemarin.

2. Tidak Ada AI Tanpa Fondasi Kuat

Pelajaran yang saya bawa melalui setiap siklus teknologi – dari awal mobile di 2009 hingga revolusi cloud – adalah bahwa Anda tidak dapat mengotomatisasi kekacauan. AI hanya sekuat data yang memasukkannya. QBurst mengembangkan pertumbuhan dengan memastikan bahwa “pekerjaan membosankan tetapi penting” dilakukan, yaitu Modernisasi Digital dan Rekayasa Data Lanjutan.

3. Visi ‘High AI-Q’

Untuk memimpin perubahan ini, kita telah memposisikan kembali diri kita sebagai perusahaan ‘High AI-Q’. Ini mencerminkan integrasi Generative AI dan Agentic AI ke dalam semua layanan inti kita, mengarahkan transformasi perusahaan asli AI. Di QBurst, AI bukanlah fitur tambahan tetapi kain dasar strategi dan pengiriman kita. Ini menggabungkan model pembelajaran mesin kustom dengan otomatisasi cerdas untuk memastikan bahwa ketika bisnis tumbuh, inteligensinya berkembang bersamanya.

Kita telah menjadi pelopor sejak awal Android, dan kita menerapkan DNA proaktif yang sama untuk memimpin era AI. Di QBurst, kita tidak hanya perusahaan teknologi pertama; kita adalah mitra hasil pertama yang pertumbuhannya didorong oleh kepuasan pelanggan.

Anda telah menekankan ‘High AI-Q’ sebagai kerangka acuan yang membedakan untuk QBurst. Bagaimana pemimpin perusahaan harus menafsirkan konsep ini, dan mengapa ini merupakan pembeda penting dalam lanskap AI saat ini?

Perjalanan ‘High AI-Q’ QBurst adalah keputusan sadar: berlari cepat di lapisan operasional dengan AI-Driven SDLC, dan membuat langkah berani di lapisan strategis dengan Managed Agents. Yang paling penting, ini menjadikan seluruh perusahaan sebagai landasan perubahan budaya, nilai, dan kemampuan manusia.

Sementara ada risiko dan kekhawatiran tentang AI, jika diimplementasikan dengan aman, AI dapat menciptakan kelimpahan dan inovasi. Perusahaan akan melihat nilai tidak hanya dalam hal Produktivitas, tetapi juga Pertumbuhan dan Transformasi.

Dari sudut pandang pengiriman, kita melihat ini terjadi setiap hari melalui kerangka kerja AI-Driven SDLC kita. Ini adalah “bagaimana” transformasi, di mana kita telah menyematkan AI ke setiap tahap pengembangan, dari generasi cerita pengguna hingga skrip tes self-healing. Hasilnya berbicara sendiri:

• Waktu-ke-Pasar: Pengurangan signifikan dalam siklus pengembangan dan pengujian.
• Kualitas: Pengurangan luar biasa sebesar 25-35% dalam cacat pascapengeluaran.
• Efisiensi: Peningkatan konsisten sebesar 20-30% dalam pengiriman keseluruhan.

Lapisan strategis adalah di mana kita melampaui optimasi bagian untuk mengoptimalkan seluruh ekosistem. Ini menuntut pemikiran ulang tentang pilar solusi kita, yang mengarah pada penciptaan Managed Agents, fusi AI Agentic Perusahaan dan Layanan Terkelola. Untuk klien kita, ini berarti agen AI menangani tugas, alur kerja, dan operasi front-end dan back-end, mengarahkan efisiensi dan inovasi berkelanjutan. Kita tidak hanya mengirimkan layanan; kita mengatur jaringan nilai yang seamless.

Banyak perusahaan mengumpulkan apa yang Anda sebut “AI Debt” — pengeluaran signifikan pada pilot GenAI yang tidak berkembang atau menghasilkan nilai. Apa penyebab akar dari masalah ini, dan bagaimana organisasi dapat keluar dari pola ini?

Perusahaan mengumpulkan “AI Debt” ketika investasi GenAI berhenti pada pilot dan gagal berkembang menjadi nilai bisnis nyata. Penyebab akar adalah apa yang kita sebut perangkap retrofitting – upaya untuk memasang kemampuan GenAI pada sistem warisan yang tidak pernah dirancang untuk mendukung alur kerja AI-asli. Dalam lingkungan ini, data, arsitektur, dan tata kelola tidak siap, sehingga pilot macet atau rusak saat skala.

Hal ini diperparah oleh kurangnya kesiapan fondasi. Banyak organisasi terburu-buru ke eksperimen sambil melewati investasi penting dalam strategi data, rekayasa data, dan tata kelola. Tanpa fondasi data modern dan kerangka kontrol yang jelas, inisiatif GenAI tetap terisolasi sebagai konsep bukti daripada kemampuan perusahaan.

Menghentikan pola ini memerlukan pergeseran ke desain AI-pertama. Alih-alih bertanya di mana AI dapat ditambahkan, organisasi harus merancang sistem dengan hasil AI dalam pikiran sejak hari pertama dengan menyelaraskan arsitektur, aliran data, dan tata kelola untuk mendukung otomatisasi cerdas pada skala.

Secara praktis, ini dimulai dengan rekayasa data. Membangun pipa dan model data yang kuat, terkelola, dan memiliki metrik kualitas data untuk data terisolasi memastikan agen memiliki konteks yang kaya, dapat dijelaskan, dan data yang mereka butuhkan. Ketika fondasi benar, AI berpindah dari eksperimen ke dampak. Dengan demikian, AI Debt memberi jalan untuk penciptaan nilai jangka panjang.

Model kontrak Time & Materials tradisional semakin dianggap tidak sejalan dengan kenyataan efisiensi yang dipimpin AI. Mengapa model ini menjadi ketinggalan zaman, dan bagaimana pendekatan seperti “Managed Agents” atau “Service-as-Software” dapat menyediakan jalur yang lebih berkelanjutan ke depan untuk IT perusahaan?

Model Time & Materials tradisional dibangun untuk era kelangkaan sumber daya, di mana nilai terikat langsung dengan upaya manusia. Di era AI, asumsi ini tidak lagi berlaku. Kecerdasan dan eksekusi menjadi melimpah, dan ketika kelimpahan meningkat, nilai bergeser dari upaya ke hasil. AI secara fundamental memecahkan logika penagihan per jam.

Inilah mengapa industri beralih ke model berbasis hasil. Metrik seperti tiket yang diselesaikan tanpa intervensi manusia atau alur kerja yang selesai dari ujung ke ujung oleh AI menyediakan nilai yang jelas dan terukur. Model ini memperlakukan kemampuan sebagai perangkat lunak, bukan tenaga kerja, yang dapat digambarkan sebagai “layanan-sebagai-perangkat lunak”.

Pendekatan seperti Managed Agents dan Service-as-a-Software menawarkan jalur yang lebih berkelanjutan ke depan. Mereka menggeser fokus dari membayar upaya ke membayar hasil cerdas, memungkinkan biaya yang dapat diprediksi, perbaikan berkelanjutan, dan keuntungan bersama dari otomatisasi. Managed Agents memungkinkan insinyur manusia dan agen AI bekerja sama menuju tujuan bisnis, sementara Service-as-a-Software membuat nilai terukur melalui hasil daripada jam yang dihabiskan.

Di dunia yang dipimpin AI, model komersial yang paling sejalan adalah mereka yang menghargai hasil, bukan upaya—menciptakan kemenangan bagi perusahaan dan penyedia layanan.

Metodologi ‘High AI-Q’ Anda fokus pada Talenta, Aplikasi, dan Dampak sebagai tiga lapisan kritis untuk kesiapan AI. Bagaimana CIO dapat menilai kematangan mereka di seluruh lapisan ini sebelum mengembangkan inisiatif GenAI?

Sebelum mengembangkan GenAI, CIO perlu memiliki pandangan yang jelas tentang kematangan di seluruh tiga lapisan ‘High AI-Q’ dari talenta, aplikasi, dan dampak dan bukan hanya tumpukan teknologi.

Pada lapisan talenta, kematangan adalah tentang kesiapan orang. CIO harus menilai keterampilan AI, keterbukaan terhadap perubahan, dan apakah karyawan memiliki akses yang aman, terkelola, dan dilindungi ke LLM yang memungkinkan eksperimen yang aman.

Pada lapisan aplikasi, fokusnya adalah pada dasar-dasar data dan tata kelola seperti kualitas data, arsitektur, keamanan, dan kematangan kebijakan dan pengawasan di seluruh akses LLM dan praktik pengembangan AI.

Pada lapisan dampak, CIO harus mengevaluasi studi kasus berdasarkan upaya versus nilai bisnis. Mengidentifikasi peluang rendah-upaya, tinggi-dampak memungkinkan kemenangan awal dan mendukung pendekatan iteratif untuk mengembangkan GenAI.

Bagi organisasi yang masih beroperasi pada arsitektur warisan, langkah modernisasi fondasi apa yang diperlukan untuk mempersiapkan alur kerja agen dan model pengiriman AI-asli?

Berikut adalah tiga langkah yang dapat mempersiapkan organisasi saat mereka bergerak menuju alur kerja agen.

1. Prioritaskan Modernisasi Fondasi Data: Untuk organisasi yang beroperasi pada arsitektur warisan, langkah pertama adalah memodernisasi fondasi data untuk memungkinkan metadata, garis keturunan, dan metrik kualitas data untuk data terisolasi. Ini memastikan agen memiliki konteks yang kaya dan data yang dapat dijelaskan yang mereka butuhkan. Pengenalan alat berbasis GenAI telah membuat modernisasi ini lebih cepat dan sederhana. Sementara menggunakan GenAI dengan arsitektur warisan memungkinkan, persyaratan token untuk mendapatkan hasil yang bermakna akan sangat tinggi.

2. Tetapkan Lapisan Pengetahuan Perusahaan: Organisasi yang belum memodernisasi sistem mereka akan memiliki banyak pengetahuan yang tidak terdokumentasikan. Membangun lapisan pengetahuan untuk menangkap pengetahuan akumulatif yang tidak stabil ini dalam sistem akan menjadi tugas prioritas kedua. Ini adalah lapisan yang hilang dalam banyak perjalanan adopsi AI organisasi.

3. Tentukan Batas Agen dan Cara Kerja: Langkah ketiga adalah memastikan agen mematuhi semua praktik terbaik dan kepatuhan keamanan. Kerangka kerja tata kelola, kebijakan keamanan, dan kerangka kerja pengamatan memungkinkan agen untuk berpikir dan bertindak secara efektif dalam batas dan cara kerja organisasi yang telah ditetapkan.

Ketika mempersiapkan “Kesiapan AI,” apa yang diperlukan di luar penggunaan alat — dalam hal data, proses, tata kelola, dan kemampuan tim?

Kesiapan AI melampaui pemilihan alat yang tepat. Dalam prakteknya, adopsi AI berhasil atau gagal pada kemampuan organisasi untuk menangkap pengetahuan suku, seperti proses tidak tertulis, logika keputusan, dan hubungan kunci yang hanya ada di kepala karyawan. Pengetahuan ini harus didokumentasikan dalam bahasa alami yang sistem AI dapat beralasan dengannya, bukan hanya memproses data dalam isolasi.

Kesiapan data juga sangat kritis, tetapi kualitas saja tidak cukup. Apa yang benar-benar menentukan keberhasilan adalah metadata yang mencakup konteks, garis keturunan, dan makna di balik data. Tanpa ini, bahkan model yang paling canggih menghasilkan hasil yang dangkal atau tidak dapat diandalkan.

Adopsi AI perusahaan juga lebih lambat daripada AI konsumen karena alasan tertentu: tata kelola, keamanan, dan kepatuhan tidak dapat dinegosiasikan. Ini bukanlah hambatan untuk diatasi, tetapi persyaratan yang harus dibangun. Organisasi harus membangun kerangka kepercayaan yang mencakup pengawasan, observabilitas GenAI, keterjelasan, dan alur kerja berbasis manusia untuk memastikan output AI aman, dapat diulang, dan akurat.

Terakhir, tim perlu mengembangkan intuisi AI. Kesiapan berarti meningkatkan keterampilan karyawan dalam literasi AI sehingga mereka tahu bagaimana memicu secara efektif, memvalidasi hasil, dan mengaudit output daripada hanya mempercayai “kotak hitam”. AI bekerja paling baik ketika manusia tetap berada dalam lingkaran.

Sektor layanan teknologi dipenuhi dengan pemain warisan. Apa yang Anda anggap sebagai pembeda terkuat QBurst saat bersaing untuk mandat transformasi perusahaan?

QBurst membedakan diri dalam pasar layanan teknologi yang padat dengan menggabungkan keahlian rekayasa yang mendalam dengan keluwesan perusahaan inovasi yang jauh lebih kecil.

Keunggulan kompetitif kita didefinisikan oleh lima pilar kunci:

1. Kedalaman Rekayasa dengan Mindset Design Thinking – Kami tidak hanya menulis kode. Kami memecahkan masalah bisnis melalui solusi holistik, berpusat pada pengguna.

2. Keluwesan dan Kepemilikan – Kami cukup besar untuk berkembang tetapi ramping enough untuk peduli – fleksibilitas dan adaptasi kita terhadap perubahan cepat adalah sesuatu yang telah dibuktikan oleh klien kita. Tim kami benar-benar memiliki kepemilikan keberhasilan klien. Anda akan melihat kepemilikan pengiriman berjalan hingga tingkat kepemimpinan senior.

3. Kecakapan Budaya: Apakah itu aplikasi mini LINE di Jepang atau sistem harga terintegrasi untuk rantai makanan Amerika, kami menyesuaikan tidak hanya teknologi—tetapi pengalaman—ke setiap pasar.

4. Visi AI-Pertama – Kami menyematkan AI ke dalam pengiriman, operasi, dan solusi klien kami—bukan sebagai kata kunci, tetapi sebagai pengganda kemampuan.

5. Budaya Inovasi dan Eksperimen – Pemimpin kami memiliki pengetahuan teknis dan suka memecahkan masalah pelanggan dengan menggunakan teknologi terbaru dan muncul. Kami tidak takut gagal dan telah menciptakan dampak yang signifikan bagi klien kami dengan mengambil pendekatan start-up dalam banyak kasus.

Kita juga tidak takut untuk mengganggu diri kita sendiri. Kita bereksperimen dengan model berbasis hasil, kerangka pengiriman yang dapat disusun, dan laboratorium co-inovasi untuk klien perusahaan.

Menghadap ke depan tiga hingga lima tahun, bagaimana Anda mengharapkan model operasi IT perusahaan berkembang dengan munculnya alur kerja agen dan organisasi AI-asli, dan apa yang harus dipersiapkan pemimpin sekarang?

Gelombang inovasi berikutnya akan dimiliki oleh mereka yang dapat menggabungkan kemampuan AI yang kuat dengan sistem kontrol, pengawasan, dan kepercayaan yang bijaksana. Itulah mengapa percakapan yang muncul tentang kerangka agen perusahaan terasa sangat penting—dan sangat mendesak.

Beberapa wawasan kunci bagi saya adalah:

• Pembangunan pusat data AI mempercepat, bukan melambat; sentimen di dunia pusat data sangat optimis, dengan kapasitas, permintaan, dan investasi semua meningkat.
• Adopsi AI perusahaan akan lebih lambat daripada AI konsumen (Data organisasi sering kali kacau, terfragmentasi, dan didistribusikan di seluruh banyak sistem daripada bersih dan terpusat; model saat ini belum cukup akurat untuk situasi dan fungsi perusahaan yang sangat spesifik tanpa adaptasi ke konteks unik setiap organisasi; untuk membuka nilai nyata, model harus dilatih dan disesuaikan dengan data perusahaan yang dimiliki, terutama di “mil terakhir” dari kasus penggunaan dan alur kerja tertentu)
• Sebelum agen yang benar-benar otonom dapat berkembang di perusahaan, ada tantangan yang lebih besar: membangun struktur pengawasan, persetujuan, dan pengawasan yang setara dengan yang ada untuk karyawan, yang memungkinkan tenaga kerja manusia untuk mengeksekusi dengan andal dan berkembang.

Pemimpin harus mempersiapkan dengan mempertimbangkan:

• Agen harus diperlakukan seperti pegawai baru, dengan cakupan yang ditentukan secara jelas, pengawasan eksplisit, dan mekanisme untuk mengandung kesalahan saat mereka “belajar” aturan tertulis dan tidak tertulis organisasi.
• Ada kebutuhan akan “bus agen” atau lapisan koordinasi di mana agen mendaftar, mendapatkan izin tulis, dan tindakan mereka dipantau oleh agen pengawas.
• Membangun kembali pemeriksaan dan keseimbangan yang membuat organisasi manusia tangguh akan sangat penting untuk mencapai eksekusi yang aman, akurat, dan andal di dunia agen perusahaan.
• Mengelola bakat manusia dan peningkatan keterampilan juga merupakan aspek penting karena antarmuka dan kolaborasi Manusia-AI berubah dengan sistem dan kerangka agen.
• Batasan paling menarik adalah munculnya Kerangka Agensi Perusahaan Lanjutan—melampaui apa yang ada saat ini—yang dapat mengubah visi ini menjadi kenyataan yang praktis dan dapat diskalakan, ketika digabungkan dengan pemahaman domain yang kuat dan solusi.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi QBurst.