Arun Kumar Ramchandran, CEO QBurst – Seri Wawancara

Arun Kumar RamchandranCEO QBurst, adalah seorang eksekutif teknologi dan layanan veteran dengan pengalaman kepemimpinan lebih dari 25 tahun yang mencakup konsultasi global, penjualan kesepakatan 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 berbasis AI dan rekayasa digital. Sebelum bergabung dengan QBurst, ia memegang peran senior di Hexaware Technologies (termasuk Presiden dan kepemimpinan konsultasi GenAI), Capgemini/Sogeti (kepemimpinan eksekutif klien dan penjualan), serta Infosys dan Virtusa, di mana ia membangun dan mengembangkan unit bisnis, memimpin program strategis utama, dan mendorong pertumbuhan di berbagai wilayah geografis dan vertikal industri.

QBurst adalah mitra rekayasa digital global yang memposisikan diri di sekitar "AI-Q Tinggi," menggabungkan pengiriman yang didukung AI dengan AI terapan dan pendekatan berbasis data untuk membantu perusahaan memodernisasi, membangun, dan meningkatkan skala. Perusahaan ini menekankan rekayasa pengalaman digital ujung-ke-ujung, modernisasi, dan rekayasa produk—mendukung klien dengan inisiatif seperti platform digital yang dapat disusun, solusi percakapan dan pengalaman pelanggan, serta fondasi data yang siap AI—yang bertujuan untuk menghasilkan hasil yang terukur seperti peningkatan produktivitas, 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 yang panjang di Hexaware, Capgemini, Infosys, dan organisasi global lainnya. Apa yang menarik Anda ke QBurst pada saat pertumbuhannya ini, dan bagaimana latar belakang Anda membentuk arah yang ingin Anda ambil untuk perusahaan ini?

Keputusan untuk bergabung dengan QBurst merupakan perpaduan antara peluang dan potensi. Yang menarik saya ke QBurst adalah kombinasi dari kekuatan intrinsiknya dan peluang pasar yang unik. Budaya kewirausahaan QBurst dan kesuksesannya dengan teknologi mutakhir dalam melayani klien yang menuntut, membuat saya terkesan dan tertarik.

Dengan konvergensi perubahan disruptif dan pergeseran lingkungan di berbagai teknologi, industri, dan regulasi, perusahaan yang fokus dan berbeda seperti QBurst memiliki peluang sekali seumur hidup untuk melepaskan diri dari yang lain dan menciptakan perusahaan layanan teknologi & teknik baru serta model penyampaian untuk masa depan yang didorong oleh AI.

Dengan lebih dari 25 tahun pengalaman dalam transformasi berbasis teknologi di berbagai industri, bagaimana pengalaman Anda memengaruhi cara Anda berpikir tentang penskalaan platform layanan berbasis AI saat ini?

Saya mengamati bahwa inovasi dan adopsi teknologi utama terjadi setelah siklus hype mereda dan masalah bisnis nyata mulai terpecahkan di tingkat perusahaan. Ada tiga poin spesifik yang ingin saya sampaikan di sini terkait dengan penskalaan platform layanan berbasis AI.

1. Melewati “Tahap PoC.”

Tantangan terbesar yang saya lihat saat ini adalah melewati tahap PoC (Proof of Concept). Skalabilitas membutuhkan perubahan pola pikir: kita tidak hanya membangun AI; kita menyediakan solusi kelas produksi. Di QBurst, kami membantu klien tumbuh melewati tahap PoC dengan berfokus pada kelincahan – mengadopsi model baru dengan jendela konteks yang lebih besar daripada terpaku pada teknologi kemarin.

2. Tidak Akan Ada AI Tanpa Fondasi yang Kuat

Pelajaran yang selalu saya pegang teguh di setiap siklus teknologi—dari masa-masa awal mobile pada tahun 2009 hingga revolusi cloud—adalah bahwa Anda tidak dapat mengotomatiskan kekacauan. AI hanya sekuat data yang diberikan kepadanya. QBurst mendorong pertumbuhan dengan memastikan bahwa pekerjaan yang "membosankan tetapi penting" dilakukan, yaitu Modernisasi Digital dan Rekayasa Data Tingkat Lanjut.

3. Visi 'AI-Q Tinggi'

Untuk memimpin perubahan ini, kami telah memposisikan diri sebagai perusahaan 'AI-Q Tinggi'. Hal ini mencerminkan integrasi AI Generatif dan AI Agen ke dalam semua layanan inti kami, mendorong transformasi perusahaan berbasis AI. Di QBurst, AI bukanlah fitur tambahan, melainkan inti dari strategi dan penyampaian kami. AI memadukan model pembelajaran mesin khusus dengan otomatisasi cerdas untuk memastikan bahwa seiring pertumbuhan bisnis, kecerdasannya juga ikut berkembang.

Kami telah menjadi pelopor sejak awal kemunculan Android, dan kami menerapkan DNA proaktif yang sama untuk memimpin era AI. Di QBurst, kami bukan hanya perusahaan yang mengutamakan teknologi; kami adalah mitra yang mengutamakan hasil, yang pertumbuhannya didorong oleh kepuasan pelanggan.

Anda telah menekankan 'AI-Q Tinggi' sebagai kerangka kerja utama untuk QBurst. Bagaimana seharusnya para pemimpin perusahaan menafsirkan konsep ini, dan mengapa ini merupakan pembeda penting dalam lanskap AI saat ini?

Perjalanan "AI-Q Tinggi" QBurst adalah keputusan yang disengaja: bergerak cepat di lapisan operasional dengan SDLC berbasis AI, dan mengambil langkah berani di lapisan strategis dengan Agen Terkelola. Yang terpenting, hal ini menancapkan seluruh perusahaan pada perubahan budaya, nilai-nilai, dan kemampuan manusia yang lambat dan mendasar.

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

Dari sudut pandang pengiriman, kami melihat hal ini terjadi setiap hari melalui kerangka kerja SDLC berbasis AI kami. Inilah "bagaimana" transformasi tersebut, di mana kami telah menyematkan AI ke setiap tahap pengembangan, mulai dari pembuatan user story hingga skrip pengujian yang dapat memperbaiki diri sendiri. Hasilnya berbicara sendiri:

• Waktu Peluncuran Produk: Pengurangan signifikan dalam siklus pengembangan dan pengujian.
• Kualitas: Penurunan signifikan sebesar 25-35% pada cacat pasca-rilis.
• Efisiensi: Peningkatan konsisten sebesar 20-30% dalam penyampaian layanan secara keseluruhan.

Lapisan strategis adalah tempat kita melangkah lebih jauh dari sekadar mengoptimalkan bagian-bagian, menuju pengoptimalan seluruh ekosistem. Hal ini menuntut peninjauan ulang pilar solusi kita, yang mengarah pada terciptanya Managed Agents, perpaduan antara Enterprise Agentic AI dan Managed Services. Bagi klien kami, ini berarti agen AI menangani tugas, alur kerja, dan operasi di sisi depan dan belakang, mendorong efisiensi dan inovasi berkelanjutan. Kami tidak hanya memberikan layanan; kami juga mengatur jaringan nilai yang mulus.

Banyak perusahaan menumpuk apa yang disebut "Utang AI" — pengeluaran signifikan untuk proyek percontohan GenAI yang tidak berkembang atau menghasilkan nilai. Apa akar penyebab masalah ini, dan bagaimana organisasi dapat keluar dari pola tersebut?     

Perusahaan menumpuk "Utang AI" ketika investasi GenAI berhenti pada tahap uji coba dan gagal berkembang menjadi nilai bisnis yang nyata. Akar penyebabnya adalah apa yang kami sebut jebakan retrofit – upaya untuk memasang kemampuan GenAI pada sistem lama yang tidak pernah dirancang untuk mendukung alur kerja berbasis AI. Dalam lingkungan ini, data, arsitektur, dan tata kelola belum siap, sehingga uji coba terhenti atau gagal dalam skala besar.

Hal ini diperparah oleh kurangnya kesiapan mendasar. Banyak organisasi terburu-buru melakukan eksperimen sambil mengabaikan investasi penting dalam strategi data, rekayasa data, dan tata kelola. Tanpa fondasi data yang dimodernisasi dan kerangka kerja kontrol yang jelas, inisiatif GenAI tetap menjadi bukti konsep yang terisolasi dan bukan kemampuan perusahaan.

Untuk memutus pola ini diperlukan pergeseran ke desain yang mengutamakan AI. Alih-alih bertanya di mana AI dapat ditambahkan, organisasi harus merancang sistem dengan mempertimbangkan hasil AI sejak hari pertama dengan menyelaraskan arsitektur, alur data, dan tata kelola untuk mendukung otomatisasi cerdas dalam skala besar.

Secara praktis, ini dimulai dengan rekayasa data. Membangun pipeline dan model data yang kuat dan terkelola dengan baik sejak awal menciptakan kondisi bagi GenAI untuk berkembang secara berkelanjutan. Ketika fondasinya tepat, AI beralih dari eksperimen ke dampak. Dengan demikian, Utang AI memberi jalan bagi penciptaan nilai jangka panjang.

Model kontrak Time & Materials tradisional semakin dianggap tidak sesuai dengan realitas efisiensi yang didorong oleh AI. Mengapa model ini menjadi usang, dan bagaimana pendekatan seperti "Agen Terkelola" atau "Layanan sebagai Perangkat Lunak" dapat memberikan jalan yang lebih berkelanjutan bagi TI perusahaan?     

Model Time & Materials tradisional dibangun untuk era kelangkaan sumber daya, di mana nilai secara langsung terkait dengan upaya manusia. Di era AI, asumsi itu tidak lagi berlaku. Kecerdasan dan eksekusi menjadi berlimpah, dan seiring meningkatnya kelimpahan, nilai bergeser dari upaya ke hasil. AI secara fundamental mematahkan logika penagihan per jam.

Inilah mengapa industri ini beralih ke model berbasis hasil. Metrik seperti tiket yang diselesaikan tanpa intervensi manusia atau alur kerja yang diselesaikan secara menyeluruh oleh AI memberikan nilai yang jelas dan terukur. Model-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. Pendekatan ini menggeser fokus dari pembayaran berdasarkan upaya ke pembayaran berdasarkan hasil yang cerdas, memungkinkan biaya yang dapat diprediksi, peningkatan berkelanjutan, dan keuntungan bersama dari otomatisasi. Managed Agents memungkinkan insinyur manusia dan agen AI untuk bekerja sama menuju tujuan bisnis, sementara Service-as-a-Software membuat nilai dapat diukur melalui hasil, bukan berdasarkan jam kerja yang dihabiskan.

Di dunia yang didorong oleh AI, model komersial yang paling sesuai adalah model yang menghargai hasil, bukan usaha—menciptakan situasi saling menguntungkan bagi perusahaan dan penyedia layanan.

Metodologi 'AI-Q Tinggi' Anda berfokus pada Bakat, Aplikasi, dan Dampak sebagai tiga lapisan kritis untuk kesiapan AI. Bagaimana CIO dapat menilai kematangan mereka di seluruh lapisan ini sebelum meningkatkan inisiatif GenAI?

Sebelum menerapkan GenAI dalam skala besar, CIO perlu memiliki pandangan yang jelas tentang kematangan di ketiga lapisan 'AI-Q Tinggi' yaitu talenta, aplikasi, dan dampak, dan bukan hanya tumpukan teknologi.

Pada lapisan talenta, kematangan berkaitan dengan kesiapan sumber daya manusia. CIO harus menilai keterampilan AI, keterbukaan terhadap perubahan, dan apakah karyawan memiliki akses yang aman dan teratur 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 serta pengamanan di seluruh praktik akses LLM dan pengembangan AI.

Pada lapisan dampak, CIO harus mengevaluasi kasus penggunaan berdasarkan upaya versus nilai bisnis. Mengidentifikasi peluang dengan upaya rendah namun berdampak tinggi memungkinkan kemenangan awal dan mendukung pendekatan iteratif untuk meningkatkan skala GenAI.

Bagi organisasi yang masih beroperasi dengan arsitektur lama, langkah-langkah modernisasi mendasar apa yang diperlukan untuk mempersiapkan alur kerja berbasis agen dan model pengiriman berbasis AI?

Berikut adalah tiga langkah yang dapat mempersiapkan organisasi saat mereka beralih ke alur kerja berbasis agen.

1. Prioritaskan Modernisasi Fondasi Data: Bagi organisasi yang beroperasi pada arsitektur lama, langkah pertama adalah memodernisasi fondasi data untuk memungkinkan metadata, silsilah data, dan metrik kualitas data untuk data yang terisolasi. Hal ini memastikan agen memiliki data yang kaya konteks dan dapat dijelaskan yang mereka butuhkan. Pengenalan alat berbasis GenAI telah membuat modernisasi ini lebih cepat dan mudah. ​​Meskipun penggunaan GenAI dengan arsitektur lama dimungkinkan, persyaratan token untuk mendapatkan hasil yang bermakna akan sangat tinggi.

2. Membangun Lapisan Pengetahuan Perusahaan: Organisasi yang belum memodernisasi sistem mereka akan memiliki banyak pengetahuan yang terakumulasi dan tidak terdokumentasi. Membangun lapisan pengetahuan untuk menangkap pengetahuan terakumulasi yang bersifat sementara di dalam sistem akan menjadi tugas prioritas tinggi kedua. Inilah lapisan yang hilang dalam perjalanan adopsi AI di banyak organisasi.

3. Menentukan Batasan dan Cara Kerja Agen: Langkah ketiga adalah memastikan bahwa agen mematuhi semua praktik terbaik dan kepatuhan keamanan yang saat ini diikuti dalam organisasi. Kerangka kerja tata kelola, kebijakan keamanan, dan kerangka kerja pengamatan memungkinkan agen untuk berpikir dan bertindak secara efektif dalam batasan dan cara kerja yang telah ditetapkan dalam organisasi.

Saat mempersiapkan "kesiapan AI," apa saja yang dibutuhkan selain perangkat — dalam hal data, proses, tata kelola, dan kemampuan tim?

Kesiapan AI jauh melampaui sekadar memilih alat yang tepat. Dalam praktiknya, keberhasilan atau kegagalan adopsi AI bergantung pada kemampuan organisasi untuk menangkap pengetahuan internal, seperti proses tak tertulis, logika pengambilan keputusan, dan hubungan kunci yang hanya ada di benak karyawan. Pengetahuan ini harus didokumentasikan dalam bahasa alami agar sistem AI dapat memahaminya, bukan hanya memproses data secara terpisah.

Kesiapan data sama pentingnya, tetapi kualitas saja tidak cukup. Yang benar-benar menentukan keberhasilan adalah metadata yang mencakup konteks, asal-usul, dan makna di balik data. Tanpa ini, bahkan model yang paling canggih pun akan menghasilkan hasil yang dangkal atau tidak dapat diandalkan.

Adopsi AI di perusahaan juga tertinggal dibandingkan AI di konsumen karena suatu alasan: tata kelola, keamanan, dan kepatuhan adalah hal yang tidak dapat ditawar. Ini bukanlah hambatan yang harus diatasi, melainkan persyaratan yang harus dipenuhi. Organisasi harus membangun kerangka kerja kepercayaan yang mencakup pengaman, pengamatan GenAI, kemampuan menjelaskan, dan alur kerja yang melibatkan manusia untuk memastikan keluaran AI aman, dapat diulang, dan akurat.

Terakhir, tim perlu mengembangkan intuisi AI. Kesiapan berarti meningkatkan keterampilan karyawan dalam literasi AI sehingga mereka tahu cara memberikan petunjuk secara efektif, memvalidasi hasil, dan mengaudit output daripada secara memb盲盲 percaya pada "kotak hitam". AI bekerja paling baik ketika manusia tetap terlibat secara aktif.

Sektor layanan teknologi dipenuhi oleh pemain-pemain lama. Apa yang Anda anggap sebagai pembeda terkuat QBurst dalam bersaing untuk mandat transformasi perusahaan?

QBurst membedakan dirinya di pasar layanan teknologi yang ramai dengan menggabungkan keahlian teknik yang mendalam dengan kelincahan perusahaan yang jauh lebih kecil dan berorientasi pada inovasi.

Keunggulan kompetitif kami ditentukan oleh lima pilar utama:

1. Kedalaman Rekayasa dengan Pola Pikir Desain Berpikir – Kami tidak hanya menulis kode. Kami memecahkan masalah bisnis melalui solusi holistik yang berpusat pada pengguna.

2. Kelincahan dan Kepemilikan – Kami cukup besar untuk berkembang tetapi cukup ramping untuk peduli – fleksibilitas dan adaptasi kami terhadap perubahan cepat adalah sesuatu yang telah dibuktikan oleh klien kami. Tim kami benar-benar bertanggung jawab atas kesuksesan klien. Anda akan melihat kepemilikan atas penyampaian hasil berjalan hingga ke tingkat kepemimpinan senior.

3. Keakuratan budaya: Baik itu aplikasi mini LINE di Jepang atau sistem penetapan harga terintegrasi untuk jaringan toko grosir Amerika, kami menyesuaikan tidak hanya teknologi—tetapi juga pengalaman—untuk setiap pasar.

4. Visi yang Mengutamakan AI – Kami menanamkan AI ke dalam penyampaian layanan, operasional, dan solusi klien kami—bukan sebagai jargon semata, tetapi sebagai pengganda kemampuan.

5. Budaya Inovasi dan Eksperimen – Para pemimpin kami melek teknologi dan senang memecahkan masalah pelanggan menggunakan teknologi terbaru dan yang sedang berkembang. Kami tidak takut gagal dan telah menciptakan dampak yang berarti bagi klien kami dengan menerapkan pendekatan perusahaan rintisan dalam banyak kasus.

Kami juga tidak takut untuk melakukan perubahan mendasar pada diri kami sendiri. Kami bereksperimen dengan model berbasis hasil, kerangka kerja pengiriman yang dapat disusun, dan laboratorium inovasi bersama untuk klien perusahaan.

Melihat ke depan tiga hingga lima tahun, bagaimana Anda memperkirakan model operasional TI perusahaan akan berkembang seiring dengan meningkatnya alur kerja berbasis agen dan organisasi yang berbasis AI, dan apa yang harus dipersiapkan para pemimpin saat ini?

Gelombang inovasi berikutnya akan menjadi milik mereka yang mampu menggabungkan kemampuan AI yang canggih dengan sistem kontrol, pengawasan, dan kepercayaan yang matang. Itulah mengapa percakapan yang muncul seputar kerangka kerja keagenan perusahaan terasa sangat penting—dan sangat mendesak.

Beberapa wawasan utama bagi saya adalah:

• Pembangunan pusat data AI semakin cepat, bukan melambat; sentimen di dunia pusat data sangat optimis, dengan kapasitas, permintaan, dan investasi yang semuanya melonjak.
• Adopsi AI di tingkat perusahaan akan lebih lambat daripada AI di tingkat konsumen (Data organisasi seringkali berantakan, terfragmentasi, dan tersebar di banyak sistem, bukan bersih dan terpusat; model saat ini belum cukup akurat untuk situasi dan fungsi perusahaan yang sangat spesifik tanpa adaptasi terhadap konteks unik setiap organisasi; untuk membuka nilai nyata, model perlu dilatih dan disempurnakan pada data perusahaan yang bersifat rahasia, terutama pada "tahap akhir" alur kerja dan kasus penggunaan tertentu).
• Sebelum agen yang benar-benar otonom dapat berkembang di perusahaan, ada tantangan yang lebih besar: membangun struktur pengawasan, persetujuan, dan pengamanan yang setara dengan yang ada untuk karyawan, yang memungkinkan tenaga kerja manusia untuk mengeksekusi dengan andal dan dalam skala besar.

Para pemimpin harus mempersiapkan diri dengan mengingat hal-hal berikut:

• Agen harus diperlakukan seperti karyawan baru, dengan ruang lingkup yang jelas, pengawasan eksplisit, dan mekanisme untuk meminimalkan kesalahan saat mereka "mempelajari" aturan tertulis dan tidak tertulis organisasi.
• Diperlukan "agent bus" atau lapisan koordinasi tempat agen mendaftar, memperoleh izin tulis, dan tindakan mereka dipantau oleh agen pengawas.
• Membangun kembali mekanisme pengawasan dan keseimbangan yang membuat organisasi manusia menjadi tangguh akan sangat penting untuk mencapai eksekusi yang aman, akurat, dan andal di dunia perusahaan yang didominasi oleh agen.
• Mengelola bakat manusia dan meningkatkan keterampilan merupakan aspek penting lainnya seiring perubahan antarmuka dan kolaborasi Manusia-AI dengan sistem & kerangka kerja berbasis agen.
• Aspek yang paling menarik adalah munculnya Kerangka Kerja Agen Perusahaan tingkat lanjut—melampaui apa yang ada saat ini—yang dapat mengubah visi ini menjadi realitas praktis dan terukur, jika dikombinasikan dengan pemahaman dan solusi domain yang kuat.

Terima kasih atas wawancaranya yang luar biasa, pembaca yang ingin belajar lebih banyak harus berkunjung QBurst.