Arun Kumar Ramchandran, CEO di QBurst – Serie di interviste

Arun Kumar Ramchandran, CEO di QBurst, è un dirigente esperto nel settore della tecnologia e dei servizi con oltre 25 anni di esperienza di leadership in consulenza globale, vendite di grandi accordi, proprietà di profitti e perdite e trasformazione aziendale. È diventato CEO nell'aprile 2025 ed è responsabile della guida di QBurst in tutte le sue attività, definendone la strategia come azienda di servizi tecnologici e ingegneria digitale basata sull'intelligenza artificiale. Prima di QBurst, ha ricoperto ruoli di rilievo presso Hexaware Technologies (tra cui Presidente e leadership nella consulenza GenAI), Capgemini/Sogeti (leadership esecutiva in ambito clienti e vendite) e Infosys e Virtusa, dove ha creato e ampliato unità di business, guidato importanti programmi strategici e guidato la crescita in diverse aree geografiche e settori verticali.

QBurst è un partner globale di ingegneria digitale che si posiziona attorno al concetto di "High AI-Q", combinando la delivery basata sull'intelligenza artificiale con approcci basati sull'intelligenza artificiale applicata e sui dati per aiutare le aziende a modernizzare, sviluppare e scalare. L'azienda si concentra sull'ingegneria end-to-end dell'esperienza digitale, sulla modernizzazione e sull'ingegneria di prodotto, supportando i clienti con iniziative come piattaforme digitali componibili, soluzioni per la customer experience e la conversazione e basi di dati compatibili con l'intelligenza artificiale, volte a produrre risultati misurabili come una maggiore produttività, una delivery più rapida e un'esperienza cliente più solida per un'ampia base clienti internazionale.

Hai assunto il ruolo di CEO di QBurst dopo una lunga carriera di leadership in Hexaware, Capgemini, Infosys e altre organizzazioni globali. Cosa ti ha spinto a scegliere QBurst in questo momento di crescita e in che modo il tuo background influenza la direzione che vuoi dare all'azienda?

La decisione di unirmi a QBurst è stata una combinazione di opportunità e potenziale. Ciò che mi ha attratto di QBurst è stata la combinazione dei suoi punti di forza intrinseci e di un'opportunità di mercato unica. La cultura imprenditoriale di QBurst e il successo ottenuto con tecnologie all'avanguardia nel soddisfare le esigenze di clienti esigenti mi hanno colpito e incuriosito.

Con la convergenza di cambiamenti dirompenti e di ambienti mutevoli in ambito tecnologico, industriale e normativo, un'azienda focalizzata e differenziata come QBurst ha un'opportunità unica nel suo genere: distinguersi dalla massa e creare una nuova azienda di servizi tecnologici e ingegneristici e un nuovo modello di fornitura per il futuro guidato dall'intelligenza artificiale.

Con oltre 25 anni di esperienza nella trasformazione tecnologica in diversi settori, in che modo la tua esperienza ha influenzato il modo in cui pensi oggi di ampliare una piattaforma di servizi basata sull'intelligenza artificiale?

Ho osservato che l'innovazione e l'adozione della tecnologia si verificano principalmente dopo che il ciclo di hype si è placato e i problemi aziendali reali iniziano a essere risolti a livello aziendale. Vorrei sottolineare tre punti specifici in termini di scalabilità di una piattaforma di servizi basata sull'intelligenza artificiale.

1. Superamento della “fase PoC”.

La sfida più grande che vedo oggi è il superamento della fase di PoC. La scalabilità richiede un cambiamento di mentalità: non ci limitiamo a sviluppare intelligenza artificiale; forniamo soluzioni di livello produttivo. In QBurst, aiutiamo i clienti a superare la fase di PoC concentrandoci sull'agilità, adottando nuovi modelli con finestre di contesto più ampie, anziché rimanere vincolati alla tecnologia del passato.

2. Nessuna intelligenza artificiale senza solide fondamenta

Una lezione che ho imparato in ogni ciclo tecnologico, dai primi giorni del mobile nel 2009 alla rivoluzione del cloud, è che non è possibile automatizzare il caos. L'intelligenza artificiale è potente quanto i dati che la alimentano. QBurst sta guidando la crescita garantendo che il lavoro "noioso ma essenziale" venga svolto, ovvero la modernizzazione digitale e l'ingegneria avanzata dei dati.

3. La visione "High AI-Q"

Per guidare questo cambiamento, ci siamo riposizionati come azienda "High AI-Q". Questo riflette l'integrazione dell'IA generativa e dell'IA agentica in tutti i nostri servizi principali, guidando la trasformazione aziendale basata sull'IA. In QBurst, l'IA non è una caratteristica aggiuntiva, ma il fulcro della nostra strategia e dei nostri servizi. Integra modelli di apprendimento automatico personalizzati con l'automazione intelligente per garantire che, con la crescita dell'azienda, anche la sua intelligenza si espanda di conseguenza.

Siamo stati pionieri fin dagli albori di Android e stiamo applicando lo stesso DNA proattivo per guidare l'era dell'intelligenza artificiale. In QBurst, non siamo solo un'azienda che punta sulla tecnologia; siamo un partner che punta sui risultati e la cui crescita è guidata dalla soddisfazione del cliente.

Hai sottolineato l'importanza di "High AI-Q" come framework caratterizzante per QBurst. Come dovrebbero interpretare questo concetto i leader aziendali e perché rappresenta un importante elemento di differenziazione nell'attuale panorama dell'intelligenza artificiale?

Il percorso "High AI-Q" di QBurst è frutto di una decisione consapevole: procedere rapidamente a livello operativo con l'SDLC basato sull'intelligenza artificiale e compiere mosse coraggiose a livello strategico con gli agenti gestiti. Soprattutto, radica l'intera azienda nel lento e profondo cambiamento di cultura, valori e capacità umane.

Sebbene l'IA presenti rischi e preoccupazioni, se implementata in modo sicuro, può creare abbondanza e innovazione. Le aziende ne trarranno vantaggio non solo in termini di produttività, ma anche di crescita e trasformazione.

Dal punto di vista della distribuzione, osserviamo questo processo quotidianamente attraverso il nostro framework SDLC basato sull'intelligenza artificiale. Questo è il "come" della trasformazione, in cui abbiamo integrato l'intelligenza artificiale in ogni fase dello sviluppo, dalla generazione delle user story agli script di test auto-riparanti. I risultati parlano da soli:

• Time-to-Market: riduzione significativa dei cicli di sviluppo e test.
• Qualità: una notevole riduzione del 25-35% dei difetti post-rilascio.
• Efficienza: un miglioramento costante del 20-30% nella distribuzione complessiva.

Il livello strategico è dove andiamo oltre l'ottimizzazione di singole parti, puntando all'ottimizzazione dell'intero ecosistema. Ciò ha richiesto una riconsiderazione dei pilastri della nostra soluzione, che ha portato alla creazione di Agenti Gestiti, una fusione di AI Agentica Aziendale e Servizi Gestiti. Per i nostri clienti, questo significa che gli agenti AI gestiscono attività front-end e back-end, flussi di lavoro e operazioni, promuovendo efficienza e innovazione continua. Non ci limitiamo a fornire servizi; stiamo orchestrando una rete di valore senza soluzione di continuità.

Molte aziende stanno accumulando quello che voi chiamate "debito di IA": spese ingenti per progetti pilota di GenAI che non sono scalabili o non generano valore. Quali sono le cause profonde di questo problema e come possono le aziende uscire da questo schema?     

Le aziende accumulano "debito di IA" quando gli investimenti in GenAI si limitano ai progetti pilota e non riescono a scalare in modo da generare un reale valore aziendale. La causa principale è quella che chiamiamo la "trappola del retrofitting": un tentativo di integrare le funzionalità di GenAI in sistemi legacy che non sono mai stati progettati per supportare flussi di lavoro nativi dell'IA. In questi ambienti, dati, architettura e governance semplicemente non sono pronti, quindi i progetti pilota si bloccano o non riescono a scalare.

A ciò si aggiunge la mancanza di preparazione di base. Molte organizzazioni si affrettano a sperimentare, ignorando gli investimenti essenziali in strategia dei dati, ingegneria dei dati e governance. Senza basi di dati modernizzate e framework di controllo chiari, le iniziative di GenAI rimangono isolate prove di concetto piuttosto che capacità aziendali.

Per interrompere questo schema è necessario passare a una progettazione incentrata sull'intelligenza artificiale. Invece di chiedersi dove sia possibile integrare l'intelligenza artificiale, le organizzazioni devono progettare sistemi tenendo conto dei risultati dell'intelligenza artificiale fin dal primo giorno, allineando architettura, flussi di dati e governance per supportare l'automazione intelligente su larga scala.

In pratica, tutto inizia con l'ingegneria dei dati. Costruire in anticipo pipeline e modelli di dati solidi e ben governati crea le condizioni affinché la GenAI possa scalare in modo sostenibile. Quando le fondamenta sono solide, l'IA passa dalla sperimentazione all'impatto. Pertanto, il debito dell'IA lascia il posto alla creazione di valore a lungo termine.

Il tradizionale modello contrattuale basato su Time & Materials è sempre più considerato inadeguato rispetto alle realtà dell'efficienza basata sull'intelligenza artificiale. Perché questo modello sta diventando obsoleto e in che modo approcci come "Managed Agents" o "Service-as-Software" potrebbero offrire un percorso più sostenibile per l'IT aziendale?     

Il tradizionale modello Time & Materials è stato concepito per un'epoca di scarsità di risorse, in cui il valore era direttamente legato all'impegno umano. Nell'era dell'intelligenza artificiale, questo presupposto non è più valido. Intelligenza ed esecuzione stanno diventando abbondanti e, con l'aumentare dell'abbondanza, il valore si sposta dall'impegno ai risultati. L'intelligenza artificiale rompe radicalmente la logica della fatturazione oraria.

Ecco perché il settore si sta orientando verso modelli basati sui risultati. Metriche come i ticket risolti senza intervento umano o i flussi di lavoro completati end-to-end dall'intelligenza artificiale forniscono un valore chiaro e misurabile. Questi modelli trattano le capacità come software, non come manodopera, il che può essere descritto come "servizio come software".

Approcci come gli Agenti Gestiti e il Service-as-a-Software offrono un percorso più sostenibile. Spostano l'attenzione dal pagamento degli sforzi al pagamento dei risultati intelligenti, consentendo costi prevedibili, miglioramento continuo e vantaggi condivisi derivanti dall'automazione. Gli Agenti Gestiti consentono a ingegneri umani e agenti di intelligenza artificiale di collaborare per raggiungere gli obiettivi aziendali, mentre il Service-as-a-Software rende il valore misurabile attraverso i risultati anziché le ore impiegate.

In un mondo guidato dall'intelligenza artificiale, i modelli commerciali più allineati sono quelli che premiano i risultati, non gli sforzi, creando una situazione vantaggiosa sia per le aziende che per i fornitori di servizi.

La vostra metodologia "High AI-Q" si concentra su Talento, Applicazione e Impatto come tre livelli critici per la preparazione all'IA. Come possono i CIO valutare la propria maturità su questi livelli prima di scalare le iniziative di GenAI?

Prima di scalare GenAI, i CIO devono avere una visione chiara della maturità nei tre livelli "High AI-Q" di talento, applicazione e impatto e non solo dello stack tecnologico.

A livello di talenti, la maturità riguarda la preparazione delle persone. I CIO dovrebbero valutare le competenze in materia di intelligenza artificiale, l'apertura al cambiamento e se i dipendenti hanno un accesso sicuro e regolamentato ai corsi di laurea specialistica (LLM) che consenta una sperimentazione sicura.

A livello applicativo, l'attenzione è rivolta ai fondamenti dei dati e della governance, quali la qualità dei dati, l'architettura, la sicurezza e la maturità delle policy e delle misure di sicurezza nell'accesso LLM e nelle pratiche di sviluppo dell'intelligenza artificiale.

A livello di impatto, i CIO dovrebbero valutare i casi d'uso in base al rapporto tra sforzo e valore aziendale. Identificare opportunità a basso sforzo e alto impatto consente di ottenere risultati immediati e supporta un approccio iterativo alla scalabilità della GenAI.

Per le organizzazioni che operano ancora su architetture legacy, quali sono i passaggi fondamentali di modernizzazione necessari per prepararsi ai flussi di lavoro agentici e ai modelli di distribuzione nativi dell'intelligenza artificiale?

Ecco i tre passaggi che possono preparare le organizzazioni al passaggio ai flussi di lavoro agentici.

1. Dare priorità alla modernizzazione della base dati: per le organizzazioni che operano su architetture legacy, il primo passo è modernizzare la base dati per abilitare metriche di metadati, lineage e qualità dei dati per i dati isolati. Questo garantisce che gli agenti dispongano dei dati contestualmente ricchi e spiegabili di cui hanno bisogno. L'introduzione di strumenti basati su GenAI ha reso questa modernizzazione più rapida e semplice. Sebbene sia possibile utilizzare GenAI con architetture legacy, il requisito di token per ottenere risultati significativi sarebbe estremamente elevato.

2. Definire livelli di conoscenza aziendale: le organizzazioni che non hanno modernizzato i propri sistemi avranno una grande quantità di conoscenza accumulata non documentata. La seconda attività ad alta priorità sarà la creazione di livelli di conoscenza per catturare questa conoscenza accumulata transitoriamente all'interno del sistema. Questo è il livello mancante nel percorso di adozione dell'IA di molte organizzazioni.

3. Definire i confini e le modalità di lavoro degli agenti: il terzo passaggio consiste nel garantire che gli agenti aderiscano a tutte le best practice e alle normative di sicurezza attualmente in vigore nell'organizzazione. I framework di governance, le policy di sicurezza e i framework di osservabilità consentono agli agenti di pensare e agire in modo efficace entro i confini e le modalità di lavoro consolidate dell'organizzazione.

Quando ci si prepara alla "prontezza per l'intelligenza artificiale", cosa è necessario, oltre agli strumenti, in termini di dati, processi, governance e capacità del team?

La preparazione all'intelligenza artificiale va ben oltre la scelta degli strumenti giusti. In pratica, il successo o il fallimento dell'adozione dell'intelligenza artificiale dipendono dalla capacità di un'organizzazione di catturare la conoscenza tribale, come i processi non scritti, la logica decisionale e le relazioni chiave che esistono solo nella mente dei dipendenti. Questa conoscenza deve essere documentata in un linguaggio naturale, in modo che i sistemi di intelligenza artificiale possano ragionare con essa, non solo elaborare i dati in modo isolato.

La preparazione dei dati è altrettanto fondamentale, ma la qualità da sola non basta. Ciò che determina davvero il successo sono i metadati, che includono il contesto, la discendenza e il significato dei dati. Senza questi, anche i modelli più avanzati producono risultati superficiali o inaffidabili.

Anche l'adozione dell'IA aziendale è in ritardo rispetto a quella consumer per un motivo: governance, sicurezza e conformità non sono negoziabili. Questi non sono ostacoli da aggirare, ma requisiti da sviluppare. Le organizzazioni devono stabilire quadri di fiducia che includano guardrail, osservabilità GenAI, spiegabilità e flussi di lavoro con coinvolgimento umano per garantire che i risultati dell'IA siano sicuri, ripetibili e accurati.

Infine, i team devono sviluppare l'intuizione dell'IA. Essere pronti significa migliorare le competenze dei dipendenti in materia di IA, in modo che sappiano come sollecitare efficacemente, convalidare i risultati e verificare gli output, anziché affidarsi ciecamente a una "scatola nera". L'IA funziona al meglio quando gli esseri umani rimangono saldamente al corrente.

Il settore dei servizi tecnologici è affollato di operatori tradizionali. Quali sono, a suo avviso, i principali fattori di differenziazione di QBurst nella competizione per i mandati di trasformazione aziendale?

QBurst si differenzia in un mercato dei servizi tecnologici affollato perché unisce una profonda competenza ingegneristica all'agilità di un'azienda molto più piccola, orientata all'innovazione.

Il nostro vantaggio competitivo è definito da cinque pilastri fondamentali:

1. Approfondimento ingegneristico con una mentalità orientata al Design Thinking: non ci limitiamo a scrivere codice. Risolviamo problemi aziendali attraverso soluzioni olistiche e incentrate sull'utente.

2. Agilità e responsabilità: siamo sufficientemente grandi da scalare, ma sufficientemente snelli da prenderci cura dei nostri clienti. La nostra flessibilità e capacità di adattamento ai rapidi cambiamenti sono una garanzia per i nostri clienti. I nostri team si assumono la piena responsabilità del successo dei clienti. La responsabilità della consegna si estende fino ai vertici aziendali.

3. Competenza culturale: che si tratti di mini-app LINE in Giappone o di sistemi di prezzi integrati per le catene di supermercati americane, adattiamo non solo la tecnologia, ma anche l'esperienza a ciascun mercato.

4. Visione AI-First: stiamo integrando l'intelligenza artificiale nelle nostre consegne, nelle nostre operazioni e nelle soluzioni per i nostri clienti, non come una parola d'ordine, ma come un moltiplicatore di capacità.

5. Cultura dell'innovazione e della sperimentazione: i nostri leader sono esperti di tecnologia e amano risolvere i problemi dei clienti utilizzando le tecnologie più recenti ed emergenti. Non abbiamo paura di fallire e abbiamo creato un impatto significativo per i nostri clienti adottando in molti casi un approccio da start-up.

E non abbiamo paura di rivoluzionare noi stessi. Stiamo sperimentando modelli basati sui risultati, framework di distribuzione componibili e laboratori di co-innovazione per clienti aziendali.

Guardando al futuro, nei prossimi tre-cinque anni, come prevedete che si evolveranno i modelli operativi IT aziendali con l'avvento dei flussi di lavoro agenti e delle organizzazioni basate sull'intelligenza artificiale, e a cosa dovrebbero prepararsi i leader ora?

La prossima ondata di innovazione apparterrà a coloro che sapranno coniugare potenti capacità di intelligenza artificiale con sistemi ponderati di controllo, supervisione e fiducia. Ecco perché il dibattito emergente sui framework di agentic aziendali appare così importante e urgente.

Alcune delle intuizioni chiave per me sono:

• La costruzione di data center basati sull'intelligenza artificiale sta accelerando, non rallentando; il sentiment nel mondo dei data center è molto ottimista, con capacità, domanda e investimenti in forte crescita.
• L'adozione dell'intelligenza artificiale aziendale sarà più lenta rispetto a quella dei consumatori (i dati aziendali sono spesso disordinati, frammentati e distribuiti su molti sistemi anziché essere puliti e centralizzati; i modelli odierni non sono ancora sufficientemente accurati per situazioni e funzioni aziendali altamente specifiche senza un adattamento al contesto unico di ogni organizzazione; per sbloccare il valore reale, i modelli dovranno essere addestrati e perfezionati su dati aziendali proprietari, soprattutto nell'"ultimo miglio" di flussi di lavoro e casi d'uso specifici)
• Prima che agenti realmente autonomi possano prosperare in azienda, c'è una sfida più grande: creare l'equivalente delle strutture di supervisione, delle approvazioni e delle barriere di sicurezza esistenti per i dipendenti, che consentano alla forza lavoro umana di operare in modo affidabile e scalabile.

I leader dovrebbero prepararsi tenendo presente quanto segue:

• Gli agenti dovrebbero essere trattati come nuovi assunti, con ambiti di azione chiaramente definiti, supervisione esplicita e meccanismi per contenere gli errori mentre "apprendono" le regole scritte e non scritte dell'organizzazione.
• È necessario un "bus agente" o livello di coordinamento in cui gli agenti si registrano, ottengono autorizzazioni di scrittura e le loro azioni vengono monitorate da agenti supervisori.
• Ricreare i controlli e gli equilibri che rendono solide le organizzazioni umane sarà fondamentale per ottenere un'esecuzione sicura, accurata e affidabile in un mondo aziendale basato sull'agente.
• La gestione del talento umano e la riqualificazione rappresentano un altro aspetto importante, poiché le interfacce e le collaborazioni tra uomo e intelligenza artificiale cambiano con i sistemi e i framework agentici.
• La frontiera più entusiasmante è l'emergere di Enterprise Agentic Framework avanzati, che vanno oltre ciò che esiste oggi, e che possono trasformare questa visione in una realtà pratica e scalabile, se combinati con una solida comprensione del dominio e con soluzioni adeguate.

Grazie per l'ottima intervista, i lettori che desiderano saperne di più dovrebbero visitare QBurst.