Arun Kumar Ramchandran, CEO di QBurst – Serie di Interviste

Arun Kumar Ramchandran, CEO di QBurst, è un veterano esecutivo tecnologico e di servizi con oltre 25 anni di esperienza di leadership in consulenza globale, vendite di grandi accordi, proprietà di P&L e trasformazione aziendale. È diventato CEO ad aprile 2025 e si occupa di guidare QBurst in tutto l’azienda, plasmandone la strategia come società di servizi tecnologici e ingegneria digitale guidata dall’AI. Prima di QBurst, ha ricoperto ruoli senior in Hexaware Technologies (HEXT.BO ) (inclusi Presidente e leadership di consulenza GenAI), Capgemini/Sogeti (leadership esecutiva di clienti e vendite), e Infosys e Virtusa, dove ha costruito e scalato unità di business, guidato programmi strategici importanti e guidato la crescita in molteplici geografie e settori verticali.

QBurst è un partner di ingegneria digitale globale che si posiziona intorno a “High AI-Q”, combinando la consegna abilitata dall’AI con approcci basati sui dati e sull’AI applicata per aiutare le aziende a modernizzare, costruire e scalare. L’azienda enfatizza l’ingegneria dell’esperienza digitale end-to-end, la modernizzazione e l’ingegneria del prodotto – supportando i clienti con iniziative come piattaforme digitali componibili, soluzioni di esperienza del cliente e conversazionali, e fondamenta di dati pronte per l’AI – finalizzate a produrre risultati misurabili come produttività migliorata, consegna più rapida e esperienze del cliente più forti in una vasta base di clienti internazionali.

Ha assunto il ruolo di CEO di QBurst dopo una lunga carriera di leadership in Hexaware, Capgemini, Infosys e altre organizzazioni globali. Cosa l’ha attirato in QBurst in questo momento della sua crescita e come la sua esperienza influenza la direzione che vuole dare all’azienda?

La decisione di unirsi a QBurst è stata una congiunzione di opportunità e potenziale. Ciò che mi ha attirato in QBurst è stata una combinazione delle sue forze intrinseche e di un’opportunità di mercato unica. La cultura imprenditoriale di QBurst e il suo successo con tecnologie all’avanguardia nella consegna a clienti esigenti mi hanno impressionato e intrigato.

Con la convergenza di cambiamenti disruptivi e ambienti in evoluzione nella tecnologia, nei settori e nelle normative, un’azienda focalizzata e differenziata come QBurst ha un’opportunità unica nella vita per staccarsi dal gruppo e creare una nuova azienda di servizi tecnologici e ingegneria per il futuro guidato dall’AI.

Con oltre 25 anni di esperienza nella trasformazione guidata dalla tecnologia in molti settori, come la sua esperienza ha influenzato il modo in cui pensa alla scalabilità di una piattaforma di servizi guidata dall’AI oggi?

Ho osservato che la principale innovazione e adozione della tecnologia si verificano dopo che il ciclo di hype si è raffreddato e i veri problemi aziendali iniziano a essere risolti a livello di impresa. Ci sono tre punti specifici che vorrei sottolineare qui in termini di scalabilità di una piattaforma di servizi guidata dall’AI.

1. Superare la fase “PoC”.

La sfida più grande che vedo oggi è superare la fase PoC. La scalabilità richiede un cambio di mentalità: non costruiamo solo AI, forniamo soluzioni di produzione. In QBurst, aiutiamo i clienti a crescere oltre la fase PoC concentrandoci sull’agilità – adottando nuovi modelli con finestre di contesto più ampie piuttosto che essere bloccati nella tecnologia di ieri.

2. Nessun AI senza una solida base.

Una lezione che ho portato con me in ogni ciclo tecnologico – dalle prime giornate del mobile nel 2009 alla rivoluzione del cloud – è che non si può automatizzare il caos. L’AI è solo così potente come i dati che la alimentano. QBurst sta guidando la crescita assicurando che il lavoro “noioso ma essenziale” venga fatto, vale a dire la Modernizzazione Digitale e l’Ingegneria dei Dati Avanzata.

3. La visione “High AI-Q”.

Per guidare questo cambiamento, ci siamo riposizionati come azienda “High AI-Q”. Ciò riflette l’integrazione di AI Generativa e AI Agente in tutti i nostri servizi core, guidando la trasformazione aziendale nativa dell’AI. In QBurst, l’AI non è una funzionalità aggiuntiva, ma il tessuto fondamentale della nostra strategia e consegna. Combina modelli di apprendimento automatico personalizzati con automazione intelligente per assicurare che mentre l’azienda cresce, la sua intelligenza si scalini con essa.

Siamo stati precursori fin dall’alba di Android e stiamo applicando lo stesso DNA proattivo per guidare l’era dell’AI. In QBurst, non siamo solo un’azienda tecnologica; siamo un partner risultati-primo il cui crescita è guidata dalla soddisfazione del cliente.

Ha enfatizzato “High AI-Q” come un framework definitorio per QBurst. Come i leader aziendali dovrebbero interpretare questo concetto e perché è un differenziatore importante nel panorama attuale dell’AI?

Il viaggio “High AI-Q” di QBurst è una decisione consapevole: correre veloce sul livello operativo con SDLC guidato dall’AI e fare mosse audaci sul livello strategico con Agenti Gestiti. Il più importante, ancoraggio dell’intera azienda nel lento, cambiamento fondamentale della cultura, dei valori e della capacità umana.

Mentre ci sono rischi e preoccupazioni sull’AI, se implementata in modo sicuro, l’AI può creare abbondanza e innovazione. Le aziende vedranno il valore non solo in termini di produttività, ma anche di crescita e trasformazione.

Dal punto di vista della consegna, stiamo vedendo questo gioco quotidiano attraverso il nostro framework SDLC guidato dall’AI. Questo è il “come” della trasformazione, dove abbiamo incorporato l’AI in ogni fase dello sviluppo, dalla generazione di storie utente a script di test auto-risananti. I risultati parlano da soli:

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

Il livello strategico è dove ci spostiamo oltre l’ottimizzazione delle parti per ottimizzare l’intero ecosistema. Ciò ha richiesto un ripensamento dei nostri pilastri di soluzione, portando alla creazione di Agenti Gestiti, una fusione di AI Agente e Servizi Gestiti. Per i nostri clienti, ciò significa che gli agenti AI gestiscono attività, flussi di lavoro e operazioni front-end e back-end, guidando sia l’efficienza che l’innovazione continua. Non stiamo solo consegnando servizi; stiamo orchestrando una rete di valore senza soluzione di continuità.

Molte aziende stanno accumulando ciò che lei chiama “Debito AI” – spese significative per piloti GenAI che non si scalano o generano valore. Quali sono le cause radice di questo problema e come le organizzazioni possono uscire da questo modello?

Le aziende accumulano “Debito AI” quando gli investimenti GenAI si fermano ai piloti e non riescono a scalare in valore aziendale reale. La causa radice è ciò che chiamiamo la trappola del retrofit – un tentativo di aggiungere funzionalità GenAI a sistemi legacy che non sono stati progettati per supportare flussi di lavoro nativi dell’AI. In questi ambienti, i dati, l’architettura e la governance semplicemente non sono pronti, quindi i piloti si bloccano o si rompono sotto scala.

Ciò è aggravato dalla mancanza di prontezza fondamentale. Molte organizzazioni si precipitano a sperimentare mentre bypassano gli investimenti essenziali nella strategia dei dati, nell’ingegneria dei dati e nella governance. Senza fondamenta di dati modernizzate e quadri di controllo chiari, le iniziative GenAI rimangono isolati proof-of-concept piuttosto che capacità aziendali.

Uscire da questo modello richiede un passaggio a un design AI-first. Invece di chiedersi dove l’AI possa essere aggiunta, le organizzazioni devono progettare sistemi con risultati AI in mente fin dal primo giorno, allineando l’architettura, i flussi di dati e la governance per supportare l’automazione intelligente su larga scala.

Praticamente, ciò inizia con l’ingegneria dei dati. Costruire pipeline di dati robuste e ben governate e modelli crea le condizioni per GenAI per scalare in modo sostenibile. Quando la base è giusta, l’AI si sposta dall’esperimento all’impatto. Quindi, il Debito AI cede il passo alla creazione di valore a lungo termine.

Il modello di contratto tradizionale Time & Materials è sempre più visto come non allineato con le realtà dell’efficienza guidata dall’AI. Perché questo modello sta diventando obsoleto e come approcci come “Agenti Gestiti” o “Servizio come Software” potrebbero fornire un percorso più sostenibile in avanti per l’IT aziendale?

Il modello Time & Materials tradizionale è stato costruito per un’era di scarsità di risorse, dove il valore era direttamente legato allo sforzo umano. Nell’era dell’AI, quell’assunzione non è più valida. L’intelligenza e l’esecuzione stanno diventando abbondanti e, man mano che l’abbondanza aumenta, il valore si sposta dallo sforzo ai risultati. L’AI rompe fondamentalmente la logica della fatturazione oraria.

È per questo che l’industria si sta muovendo verso modelli basati sui risultati. Metriche come ticket risolti senza intervento umano o flussi di lavoro completati end-to-end dall’AI forniscono un valore chiaro e misurabile. Questi modelli trattano la capacità come software, non come lavoro, che può essere descritto come “servizio come software”.

Approcci come Agenti Gestiti e Servizio come Software offrono un percorso più sostenibile in avanti. Spostano l’attenzione dal pagamento per lo sforzo al pagamento per risultati intelligenti, abilitando costi prevedibili, miglioramento continuo e vantaggio condiviso dall’automazione. Gli Agenti Gestiti consentono agli ingegneri umani e agli agenti AI di lavorare insieme verso obiettivi aziendali, mentre il Servizio come Software rende il valore misurabile attraverso i risultati piuttosto che le ore spese.

In un mondo guidato dall’AI, i modelli commerciali più allineati sono quelli che premiano i risultati, non lo sforzo – creando una situazione win-win per entrambe le parti, aziende e fornitori di servizi.

La sua metodologia “High AI-Q” si concentra su Talent, Application e Impact come i tre strati critici per la prontezza AI. Come i CIO possono valutare la loro maturità attraverso questi strati prima di scalare le iniziative GenAI?

Prima di scalare GenAI, i CIO devono avere una chiara visione della maturità attraverso i tre strati “High AI-Q” di talent, applicazione e impatto e non solo lo stack tecnologico.

Al livello del talent, la maturità è legata alla prontezza delle persone. I CIO dovrebbero valutare le competenze AI, l’apertura al cambiamento e se i dipendenti hanno accesso sicuro e governato a LLM che consente un’esperimentazione sicura.

Al livello dell’applicazione, l’attenzione si concentra sui fondamentali dei dati e della governance come la qualità dei dati, l’architettura, la sicurezza e la maturità delle politiche e delle barriere di sicurezza per l’accesso LLM e le pratiche di sviluppo AI.

Al livello dell’impatto, i CIO dovrebbero valutare i casi d’uso in base allo sforzo rispetto al valore aziendale. Identificare opportunità a basso sforzo e alto valore consente vittorie precoci e supporta un approccio iterativo alla scalabilità di GenAI.

Per le organizzazioni che operano ancora su architetture legacy, quali passi di modernizzazione fondamentali sono necessari per prepararsi ai flussi di lavoro agente e ai modelli di consegna nativi dell’AI?

Ecco i tre passi che possono preparare le organizzazioni mentre si muovono verso i flussi di lavoro agente.

1. Priorizzare la modernizzazione della fondazione dei dati: per le organizzazioni che operano su architetture legacy, il primo passo è modernizzare la fondazione dei dati per abilitare i metadati, la linea di dati e le metriche di qualità dei dati per i dati isolati. Ciò assicura che gli agenti abbiano i dati ricchi di contesto, spiegabili di cui hanno bisogno. L’introduzione di strumenti GenAI ha reso questa modernizzazione più rapida e più semplice. Mentre l’uso di GenAI con architetture legacy è possibile, il requisito di token per ottenere risultati significativi sarebbe estremamente alto.

2. Stabilire strati di conoscenza aziendale: le organizzazioni che non hanno modernizzato i loro sistemi avranno molta conoscenza accumulata non documentata. Costruire gli strati di conoscenza per catturare questa conoscenza accumulata transitoria all’interno del sistema sarebbe il secondo compito ad alta priorità. Questo è lo strato mancante nel percorso di adozione dell’AI di molte organizzazioni.

3. Definire i confini degli agenti e i modi di lavoro: il terzo passo è assicurarsi che gli agenti aderiscano a tutte le migliori pratiche e le norme di sicurezza attualmente seguite nell’organizzazione. I framework di governance, le politiche di sicurezza e i framework di osservabilità consentono agli agenti di pensare e agire efficacemente all’interno dei confini e dei modi di lavoro stabiliti dell’organizzazione.

Quando si prepara alla “prontezza AI”, cosa richiede oltre alla strumentazione – in termini di dati, processi, governance e capacità di squadra?

La prontezza AI va ben oltre la selezione degli strumenti giusti. Nella pratica, l’adozione dell’AI ha successo o fallisce sulla capacità dell’organizzazione di catturare la conoscenza tribale, come i processi non scritti, la logica decisionale e le relazioni chiave che esistono solo nella testa dei dipendenti. Questa conoscenza deve essere documentata in linguaggio naturale che i sistemi AI possano ragionare, non solo elaborare dati in isolamento.

La prontezza dei dati è altrettanto critica, ma la qualità da sola non è sufficiente. Ciò che determina realmente il successo è il metadato, che include il contesto, la linea di dati e il significato dietro i dati. Senza questo, anche i modelli più avanzati producono risultati superficiali o inaffidabili.

L’adozione dell’AI aziendale è anche più lenta dell’AI dei consumatori: la governance, la sicurezza e la conformità sono non negoziabili. Queste non sono ostacoli da aggirare, ma requisiti da costruire. Le organizzazioni devono stabilire framework di fiducia che includono barriere di sicurezza, osservabilità GenAI, spiegabilità e flussi di lavoro umani nella gestione per assicurare che gli output AI siano sicuri, ripetibili e precisi.

Infine, le squadre devono sviluppare l’intuizione AI. La prontezza significa aumentare le competenze dei dipendenti in alfabetizzazione AI in modo che sappiano come promptare efficacemente, convalidare i risultati e verificare gli output piuttosto che fidarsi ciecamente di una “scatola nera”. L’AI funziona meglio quando gli esseri umani rimangono saldamente nella gestione.

Il settore dei servizi tecnologici è affollato di giocatori legacy. Quali sono i differenziatori più forti di QBurst nella competizione per i mandati di trasformazione aziendale?

QBurst si differenzia in un mercato di servizi tecnologici affollato accoppiando una profonda competenza ingegneristica con l’agilità di un’azienda molto più piccola, guidata dall’innovazione.

Il nostro vantaggio competitivo è definito da cinque pilastri chiave:

1. Profondità ingegneristica con mentalità di design thinking – Non scriviamo solo codice. Risolviamo problemi aziendali attraverso soluzioni olistiche, centrate sull’utente.

2. Agilità e proprietà – Siamo abbastanza grandi da scalare, ma abbastanza snelli da curare – la nostra flessibilità e adattamento ai cambiamenti rapidi sono qualcosa per cui i nostri clienti hanno fornito testimonianze. Le nostre squadre assumono una vera proprietà del successo del cliente. Vedrete la proprietà della consegna estendersi fino al livello di leadership senior.

3. Fluenza culturale: che si tratti di mini-app LINE in Giappone o sistemi di prezzo integrati per catene di supermercati americane, adattiamo non solo la tecnologia, ma l’esperienza a ogni mercato.

4. Visione AI-first – Stiamo incorporando l’AI nella nostra consegna, nelle nostre operazioni e nelle soluzioni del cliente – non come un buzzword, ma come un moltiplicatore di capacità.

5. Cultura di innovazione e sperimentazione – I nostri leader sono tecnologicamente savvy e amano risolvere problemi dei clienti utilizzando la tecnologia più recente e emergente. Non abbiamo paura di fallire e abbiamo creato un impatto significativo per i nostri clienti adottando un approccio da startup in molti casi.

Stiamo anche sperimentando modelli basati sui risultati, framework di consegna componibile e laboratori di co-innovazione per i clienti aziendali.

Guardando avanti tre a cinque anni, come si aspetta che i modelli operativi IT aziendali evolveranno con l’ascesa dei flussi di lavoro agente e delle organizzazioni native AI, e cosa i leader dovrebbero prepararsi a fare ora?

L’onda successiva di innovazione apparterrà a coloro che possono sposare capacità AI potenti con sistemi di controllo, supervisione e fiducia pensati. È per questo che la conversazione emergente intorno ai framework aziendali agente sembra così importante – e così urgente.

Alcune delle chiavi di insight per me sono:

• La costruzione dei datacenter AI sta accelerando, non rallentando; il sentimento nel mondo dei datacenter è estremamente ottimistico, con capacità, domanda e investimenti tutti in aumento.
• L’adozione dell’AI aziendale sarà più lenta dell’AI dei consumatori (i dati aziendali sono spesso disordinati, frammentati e distribuiti su molti sistemi piuttosto che puliti e centralizzati; i modelli odierni non sono ancora abbastanza precisi per situazioni e funzioni aziendali altamente specifiche senza adattamento al contesto unico di ogni organizzazione; per sbloccare il vero valore, i modelli dovranno essere addestrati e regolati sui dati aziendali proprietari, specialmente nell'”ultimo miglio” di flussi di lavoro e casi d’uso specifici).
• Prima che gli agenti autonomi possano prosperare nell’impresa, c’è una sfida più grande: costruire l’equivalente di strutture di supervisione, approvazioni e barriere di sicurezza che esistono per i dipendenti, che consente alla forza lavoro umana di eseguire in modo affidabile e scalabile.

I leader dovrebbero prepararsi tenendo presente:

• Gli agenti dovrebbero essere trattati come nuove assunzioni, con ambiti di lavoro chiaramente definiti, supervisione esplicita e meccanismi per contenere gli errori mentre “imparano” le regole scritte e non scritte dell’organizzazione.
• C’è bisogno di un “bus degli agenti” o di uno strato di coordinamento in cui gli agenti si registrano, ottengono autorizzazioni di scrittura e hanno le loro azioni monitorate da agenti di supervisione.
• Ricreare i controlli e gli equilibri che rendono le organizzazioni umane robuste sarà fondamentale per ottenere esecuzione sicura, precisa e affidabile in un mondo aziendale agente.
• La gestione del talento umano e la riqualificazione sono un altro aspetto importante poiché le interfacce e le collaborazioni umane-AI cambiano con i sistemi e i framework agente.
• Il fronte più emozionante è l’emergere di framework aziendali agente avanzati – oltre a ciò che esiste oggi – che possono trasformare questa visione in una realtà pratica e scalabile, quando combinati con una forte comprensione del dominio e soluzioni.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare QBurst.