Arun Kumar Ramchandran, administrerende direktør i QBurst – Intervjuserie

Arun Kumar Ramchandran, administrerende direktør i QBurst, er en erfaren teknologi- og tjenesteleder med over 25 års ledererfaring som spenner over global konsulentvirksomhet, store salg, P&L-eierskap og bedriftstransformasjon. Han ble administrerende direktør i april 2025 og er ansvarlig for å lede QBurst på tvers av virksomheten, samtidig som han utformer strategien som et AI-ledet teknologitjeneste- og digitalt ingeniørfirma. Før QBurst hadde han ledende stillinger i Hexaware Technologies (inkludert president og ledelse av GenAI-konsulentvirksomhet), Capgemini/Sogeti (ledelse innen klienter og salg), og Infosys og Virtusa, hvor han bygde og skalerte forretningsenheter, ledet store strategiske programmer og drev vekst på tvers av flere geografiske områder og bransjevertikaler.

QBurst er en global digital ingeniørpartner som posisjonerer seg rundt «High AI-Q», og kombinerer AI-aktivert levering med anvendt AI og datadrevne tilnærminger for å hjelpe bedrifter med å modernisere, bygge og skalere. Selskapet legger vekt på helhetlig digital opplevelsesteknikk, modernisering og produktteknikk – og støtter kunder med initiativer som komponerbare digitale plattformer, samtale- og kundeopplevelsesløsninger og AI-klare datagrunnlag – med sikte på å produsere målbare resultater som forbedret produktivitet, raskere levering og sterkere kundeopplevelser på tvers av en bred internasjonal kundebase.

Du har tatt på deg rollen som administrerende direktør i QBurst etter en lang lederkarriere i Hexaware, Capgemini, Infosys og andre globale organisasjoner. Hva trakk deg til QBurst akkurat nå i veksten, og hvordan former bakgrunnen din retningen du ønsker å ta selskapet?

Beslutningen om å bli med i QBurst var en sammensmelting av muligheter og potensial. Det som trakk meg til QBurst var en kombinasjon av selskapets iboende styrker og en unik markedsmulighet. Qbursts entreprenørskapskultur og suksess med banebrytende teknologi for å levere til krevende kunder både imponerte og fascinerte meg.

Med konvergensen av disruptive endringer og skiftende miljøer på tvers av teknologi, bransjer og regelverk, har et fokusert og differensiert firma som QBurst en enestående mulighet til å bryte ut av flokken og skape et nytt teknologi- og ingeniørtjenestefirma og en leveransemodell for den AI-drevne fremtiden.

Med mer enn 25 års erfaring med teknologidrevet transformasjon på tvers av flere bransjer, hvordan har din erfaring påvirket måten du tenker på skalering av en AI-ledet tjenesteplattform i dag?

Jeg har observert at den viktigste innovasjonen og adopsjonen av teknologi skjer etter at hype-syklusen har roet seg ned og reelle forretningsproblemer begynner å bli løst på bedriftsnivå. Det er tre spesifikke punkter jeg vil trekke frem her når det gjelder skalering av en AI-ledet tjenesteplattform.

1. Kryssing av «PoC-stadiet».

Den største utfordringen jeg ser i dag er å krysse PoC-stadiet. Skalering krever et tankesettskifte: vi bygger ikke bare AI; vi tilbyr løsninger i produksjonsklassen. Hos QBurst hjelper vi kunder med å vokse forbi PoC-stadiet ved å fokusere på smidighet – å ta i bruk nye modeller med større kontekstvinduer i stedet for å være låst til gårsdagens teknologi.

2. Ingen AI uten et sterkt fundament

En lærdom jeg har tatt med meg gjennom hver eneste teknologisyklus – fra mobilens tidlige dager i 2009 til skyrevolusjonen – er at man ikke kan automatisere kaos. AI er bare så kraftig som dataene som mater den. QBurst driver vekst ved å sørge for at det «kjedelige, men essensielle» arbeidet blir gjort, nemlig digital modernisering og avansert datateknikk.

3. Visjonen «Høy AI-Q»

For å lede denne endringen har vi reposisjonert oss som et «High AI-Q»-selskap. Dette gjenspeiler integreringen av generativ AI og agentisk AI i alle våre kjernetjenester, og driver dermed frem AI-native bedriftstransformasjon. Hos QBurst er ikke AI en additiv funksjon, men kjernen i vår strategi og leveranse. Den blander tilpassede maskinlæringsmodeller med intelligent automatisering for å sikre at intelligensen skaleres med etter hvert som virksomheten vokser.

Vi har vært foregangsaktører siden Androids opprinnelse, og vi bruker det samme proaktive DNA-et for å lede AI-æraen. Hos QBurst er vi ikke bare et teknologifokusert selskap; vi er en resultatorientert partner hvis vekst er drevet av kundetilfredshet.

Du har lagt vekt på «Høy AI-Q» som et definerende rammeverk for QBurst. Hvordan bør bedriftsledere tolke dette konseptet, og hvorfor er det en viktig differensierer i dagens AI-landskap?

QBursts reise mot «High AI-Q» er en bevisst beslutning: å kjøre raskt på det operative laget med AI-drevet SDLC, og gjøre dristige grep på det strategiske laget med Managed Agents. Viktigst av alt, forankrer det hele virksomheten i den langsomme, grunnleggende endringen av kultur, verdier og menneskelig evne.

Selv om det finnes risikoer og bekymringer knyttet til kunstig intelligens, kan kunstig intelligens skape overflod og innovasjon hvis den implementeres på en sikker måte. Bedrifter vil se verdi ikke bare når det gjelder produktivitet, men også vekst og transformasjon.

Fra et leveranseperspektiv ser vi dette utspille seg daglig gjennom vårt AI-drevne SDLC-rammeverk. Dette er «hvordan» transformasjonen foregår, hvor vi har integrert AI i alle utviklingstrinn, fra generering av brukerhistorier til selvreparerende testskript. Resultatene taler for seg selv:

• Tid til marked: Betydelig reduksjon i utviklings- og testsykluser.
• Kvalitet: En bemerkelsesverdig reduksjon på 25–35 % i defekter etter utgivelse.
• Effektivitet: En jevn forbedring på 20–30 % i den totale leveransen.

Det strategiske laget er der vi går utover å optimalisere deler til å optimalisere hele økosystemet. Dette krevde en nytenkning av løsningssøylene våre, noe som førte til etableringen av Managed Agents, en fusjon av Enterprise Agentic AI og Managed Services. For våre kunder betyr dette at AI-agenter håndterer front-end- og back-end-oppgaver, arbeidsflyter og drift, noe som driver både effektivitet og kontinuerlig innovasjon. Vi leverer ikke bare tjenester; vi orkestrerer et sømløst verdinettverk.

Mange bedrifter akkumulerer det du kaller «AI-gjeld» – betydelige utgifter til GenAI-pilotprosjekter som ikke skalerer eller genererer verdi. Hva er de underliggende årsakene til dette problemet, og hvordan kan organisasjoner bryte ut av dette mønsteret?     

Bedrifter akkumulerer «AI-gjeld» når GenAI-investeringer stopper ved pilotprosjekter og ikke klarer å skalere til reell forretningsverdi. Den underliggende årsaken er det vi kaller ettermonteringsfellen – et forsøk på å legge GenAI-funksjoner til eldre systemer som aldri ble designet for å støtte AI-native arbeidsflyter. I disse miljøene er data, arkitektur og styring rett og slett ikke klare, så pilotprosjekter stopper opp eller bryter sammen under skalering.

Dette forverres av mangel på grunnleggende beredskap. Mange organisasjoner forhaster seg med eksperimentering mens de omgår viktige investeringer i datastrategi, datautvikling og styring. Uten moderniserte datagrunnlag og klare kontrollrammeverk forblir GenAI-initiativer isolerte konseptbevis snarere enn bedriftskapasiteter.

Å bryte dette mønsteret krever et skifte til AI-først design. I stedet for å spørre hvor AI kan legges til, må organisasjoner designe systemer med AI-resultater i tankene fra dag én ved å samkjøre arkitektur, dataflyt og styring for å støtte intelligent automatisering i stor skala.

I praksis starter dette med datautvikling. Å bygge robuste og velstyrte datapipelines og modeller på forhånd skaper forutsetninger for at GenAI kan skalere bærekraftig. Når grunnlaget er riktig, går AI fra eksperimentering til effekt. Dermed viker AI-gjeld for langsiktig verdiskaping.

Den tradisjonelle kontraktsmodellen for tid og materialer blir i økende grad sett på som feil i tråd med realitetene innen AI-drevet effektivitet. Hvorfor er denne modellen i ferd med å bli utdatert, og hvordan kan tilnærminger som «administrerte agenter» eller «tjeneste som programvare» gi en mer bærekraftig vei videre for bedrifts-IT?     

Den tradisjonelle Time & Materials-modellen ble bygget for en tid med ressursknapphet, hvor verdi var direkte knyttet til menneskelig innsats. I AI-æraen holder ikke denne antagelsen lenger. Intelligens og utførelse blir stadig mer rikelig, og etter hvert som overfloden øker, skifter verdien fra innsats til resultater. AI bryter fundamentalt logikken bak timebasert fakturering.

Dette er grunnen til at bransjen beveger seg mot resultatbaserte modeller. Målinger som saker som løses uten menneskelig inngripen eller arbeidsflyter som fullføres fra ende til ende av AI gir tydelig, målbar verdi. Disse modellene behandler kapasitet som programvare, ikke arbeidskraft, som kan beskrives som «tjeneste-som-programvare».

Tilnærminger som administrerte agenter og tjeneste-som-programvare tilbyr en mer bærekraftig vei videre. De flytter fokuset fra å betale for innsats til å betale for intelligente resultater, noe som muliggjør forutsigbare kostnader, kontinuerlig forbedring og delt oppside fra automatisering. Administrerte agenter lar menneskelige ingeniører og AI-agenter samarbeide mot forretningsmål, mens tjeneste-som-programvare gjør verdi målbar gjennom resultater snarere enn timer brukt.

I en AI-drevet verden er de mest samstemte kommersielle modellene de som belønner resultater, ikke innsats – noe som skaper en vinn-vinn-situasjon for både bedrifter og tjenesteleverandører.

Metodikken deres for «Høy AI-Q» fokuserer på talent, anvendelse og gjennomslagskraft som de tre kritiske lagene for AI-beredskap. Hvordan kan IT-sjefer vurdere modenheten sin på tvers av disse lagene før de skalerer GenAI-initiativer?

Før de skalerer GenAI, trenger IT-sjefer et klart bilde av modenhet på tvers av de tre «Høy AI-Q»-lagene: talent, applikasjon og innvirkning, og ikke bare teknologistakken.

På talentnivå handler modenhet om å være klar for folk. IT-sjefer bør vurdere ferdigheter innen kunstig intelligens, åpenhet for endringer og om ansatte har sikker og styrt tilgang til masterprogrammer som muliggjør trygg eksperimentering.

På applikasjonslaget er fokuset på grunnleggende data- og styringsprinsipper som datakvalitet, arkitektur, sikkerhet og modenheten til policyer og rekkverk på tvers av LLM-tilgang og AI-utviklingspraksis.

På effektlaget bør IT-sjefer evaluere brukstilfeller etter innsats kontra forretningsverdi. Å identifisere muligheter med lav innsats og høy effekt muliggjør tidlige gevinster og støtter en iterativ tilnærming til skalering av GenAI.

For organisasjoner som fortsatt opererer med eldre arkitekturer, hvilke grunnleggende moderniseringstrinn er nødvendige for å forberede seg på agentiske arbeidsflyter og AI-native leveringsmodeller?

Her er de tre trinnene som kan forberede organisasjoner når de går over til agentbaserte arbeidsflyter.

1. Prioriter modernisering av datagrunnlaget: For organisasjoner som opererer med eldre arkitekturer, er det første trinnet å modernisere datagrunnlaget for å muliggjøre metadata, avstamning og datakvalitetsmålinger for silodata. Dette sikrer at agenter har de kontekstuelt rike, forklarbare dataene de trenger. Innføringen av GenAI-baserte verktøy har gjort denne moderniseringen raskere og enklere. Selv om det er mulig å bruke GenAI med eldre arkitektur, vil tokenkravet for å få meningsfulle resultater være ekstremt høyt.

2. Etablere kunnskapslag i bedriften: Organisasjoner som ikke har modernisert systemene sine, vil ha mye akkumulert kunnskap udokumentert. Å bygge kunnskapslagene for å fange opp denne forbigående akkumulerte kunnskapen i systemet ville være den nest høyt prioriterte oppgaven. Dette er det manglende laget i mange organisasjoners AI-adopsjonsreise.

3. Definer agentgrenser og arbeidsmåter: Det tredje trinnet er å sikre at agenter følger alle beste praksiser og sikkerhetskrav som for tiden følges i organisasjonen. Styringsrammeverk, sikkerhetspolicyer og observerbarhetsrammeverk gjør det mulig for agenter å tenke og handle effektivt innenfor grensene og de etablerte arbeidsmåtene i organisasjonen.

Når man forbereder seg på «AI-beredskap», hva kreves det utover verktøy – når det gjelder data, prosesser, styring og teamkapasiteter?

AI-beredskap går langt utover å velge de riktige verktøyene. I praksis avhenger AI-adopsjon av en organisasjons evne til å fange opp stammekunnskap, som uskrevne prosesser, beslutningslogikk og viktige relasjoner som bare eksisterer i de ansattes hoder. Denne kunnskapen må dokumenteres på et naturlig språk slik at AI-systemer kan resonnere med den, ikke bare behandle data isolert.

Databeredskap er like kritisk, men kvalitet alene er ikke nok. Det som virkelig avgjør suksess er metadata, som inkluderer konteksten, opprinnelsen og meningen bak dataene. Uten dette produserer selv de mest avanserte modellene overfladiske eller upålitelige resultater.

Adopsjon av bedrifts-AI henger også etter forbruker-AI av en grunn: styring, sikkerhet og samsvar er ikke til forhandlinger. Dette er ikke hindringer å omgå, men krav å bygge etter. Organisasjoner må etablere tillitsrammeverk som inkluderer beskyttelsesrekkverk, GenAI-observabilitet, forklaringsevne og arbeidsflyter med menneskelig innsyn for å sikre at AI-utdata er trygge, repeterbare og nøyaktige.

Til slutt må team utvikle intuisjon for AI. Beredskap betyr å oppgradere ansattes ferdigheter innen AI, slik at de vet hvordan de kan gi effektive råd, validere resultater og revidere output, i stedet for å stole blindt på en «svart boks». AI fungerer best når mennesker holder seg oppdatert.

Teknologitjenestesektoren er overfylt med tradisjonelle aktører. Hva anser du som QBursts sterkeste differensieringsfaktorer når de konkurrerer om mandater for bedriftstransformasjon?

QBurst differensierer seg i et overfylt marked for teknologitjenester ved å kombinere dyp ingeniørekspertise med smidigheten til et mye mindre, innovasjonsdrevet firma.

Vårt konkurransefortrinn er definert av fem hovedpilarer:

1. Ingeniørdybde med en designtenkningstankegang – Vi skriver ikke bare kode. Vi løser forretningsproblemer gjennom helhetlige, brukerorienterte løsninger.

2. Smidighet og eierskap – Vi er store nok til å skalere, men smidige nok til å bry oss – vår fleksibilitet og tilpasning til raske endringer er noe kundene våre har vært et bevis på. Teamene våre tar reelt eierskap til kundenes suksess. Man vil se at leveranseansvaret vil strekke seg helt opp til toppledernivå.

3. Kulturell flyt: Enten det er LINE-miniapper i Japan eller integrerte prissystemer for amerikanske dagligvarekjeder, skreddersyr vi ikke bare teknologien – men også opplevelsen – til hvert marked.

4. AI-First Vision – Vi integrerer AI i leveransen vår, driften vår og kundeløsningene våre – ikke som et moteord, men som en kapasitetsmultiplikator.

5. Innovasjons- og eksperimenteringskultur – Våre ledere er teknologikyndige og elsker å løse kundeproblemer ved hjelp av den nyeste og mest fremadstormende teknologien. Vi er ikke redde for å mislykkes og har skapt en meningsfull innvirkning for våre kunder ved å ha en oppstartstilnærming i mange tilfeller.

Vi er heller ikke redde for å endre oss selv. Vi eksperimenterer med resultatbaserte modeller, komponerbare leveringsrammeverk og samarbeidende innovasjonslaboratorier for bedriftskunder.

Hvordan forventer du at IT-driftsmodeller for bedrifter vil utvikle seg med fremveksten av agentiske arbeidsflyter og AI-native organisasjoner, når du ser fremover tre til fem år, og hva bør ledere forberede seg på nå?

Den neste bølgen av innovasjon vil tilhøre de som kan forene kraftige AI-funksjoner med gjennomtenkte systemer for kontroll, tilsyn og tillit. Det er derfor den nye samtalen rundt rammeverk for bedriftsagenter føles så viktig – og så presserende.

Noen av de viktigste innsiktene for meg er:

• Byggingen av AI-datasentre akselererer, ikke bremser; stemningen i datasenterverdenen er svært optimistisk, med økende kapasitet, etterspørsel og investeringer.
• Adopsjonen av bedrifts-AI vil være tregere enn forbruker-AI (Organisasjonsdata er ofte rotete, fragmenterte og distribuert på tvers av mange systemer i stedet for rene og sentraliserte; dagens modeller er ennå ikke nøyaktige nok for svært spesifikke bedriftssituasjoner og -funksjoner uten tilpasning til hver organisasjons unike kontekst; for å frigjøre reell verdi må modeller trenes og finjusteres på proprietære bedriftsdata, spesielt i den "siste milen" av spesifikke arbeidsflyter og brukstilfeller)
• Før virkelig autonome agenter kan trives i bedriften, er det en større utfordring: å bygge tilsvarende tilsynsstrukturer, godkjenninger og rekkverk som finnes for ansatte, som gjør at den menneskelige arbeidsstyrken kan utføre oppgaver pålitelig og skalere.

Ledere bør forberede seg ved å huske på følgende:

• Agenter bør behandles som nyansatte, med klart definerte omfang, eksplisitt tilsyn og mekanismer for å begrense feil mens de «lærer» organisasjonens skrevne og uskrevne regler.
• Det er behov for en «agentbuss» eller et koordineringslag der agenter registrerer seg, får skrivetillatelser og får handlingene sine overvåket av tilsynsagenter.
• Å gjenskape kontrollene og balansen som gjør menneskelige organisasjoner robuste, vil være avgjørende for å oppnå sikker, nøyaktig og pålitelig utførelse i en agentbasert foretaksverden.
• Å håndtere menneskelig talent og omskolering er et annet viktig aspekt ettersom grensesnittene og samarbeidet mellom menneske og kunstig intelligens endres med Agentics systemer og rammeverk.
• Den mest spennende utfordringen er fremveksten av avanserte Enterprise Agentic Frameworks – utover det som finnes i dag – som kan gjøre denne visjonen til en praktisk og skalerbar virkelighet, kombinert med sterk domeneforståelse og -løsninger.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke QBurst.