Arun Kumar Ramchandran, CEO QBurst – Seria wywiadów

Arun Kumar Ramchandran, CEO QBurst, to doświadczony menedżer branży technologicznej i usługowej z ponad 25-letnim doświadczeniem w zarządzaniu, obejmującym doradztwo na poziomie globalnym, sprzedaż dużych kontraktów, zarządzanie zyskiem i transformację przedsiębiorstw. Objął stanowisko CEO w kwietniu 2025 r. i jest odpowiedzialny za kierowanie QBurst w całym biznesie, jednocześnie kształtując jego strategię jako firmy usług technologicznych i inżynierii cyfrowej z wykorzystaniem AI. Przed QBurst pełnił stanowiska kierownicze w Hexaware Technologies (HEXT.BO ) (w tym prezes i kierownik doradztwa GenAI), Capgemini/Sogeti (kierownictwo sprzedaży i klientów), oraz Infosys i Virtusa, gdzie budował i skalował jednostki biznesowe, kierował strategicznymi programami i napędzał wzrost w wielu geografiach i pionach przemysłowych.

QBurst to globalny partner inżynierii cyfrowej, który pozycjonuje się wokół „Wysokiej AI-Q”, łącząc dostarczanie z wykorzystaniem AI z podejściami opartymi na danych, aby pomóc przedsiębiorstwom zmodernizować, zbudować i skalować. Firma kładzie nacisk na inżynierię doświadczenia cyfrowego, modernizację i inżynierię produktów – wspierając klientów w inicjatywach takich jak platformy cyfrowe, rozwiązania doświadczeń klienta i podstawy danych gotowych do AI – mających na celu osiągnięcie mierzalnych wyników, takich jak poprawa produktywności, szybsza dostawa i lepsze doświadczenia klientów wśród szerokiej bazy międzynarodowych klientów.

Zostałeś CEO QBurst po długiej karierze menedżerskiej w Hexaware, Capgemini, Infosys i innych globalnych organizacjach. Co skłoniło Cię do przyjęcia stanowiska w QBurst w tym momencie jego rozwoju, i jak Twoje doświadczenie kształtuje kierunek, w którym chcesz poprowadzić firmę?

Decyzja o dołączeniu do QBurst była połączeniem okazji i potencjału. To, co skłoniło mnie do QBurst, to połączenie jego wewnętrznych sił i unikalnej okazji rynkowej. Kultura przedsiębiorcza QBurst i sukces w dostarczaniu zaawansowanej technologii dla wymagających klientów zarówno mnie zainteresował, jak i zaciekawił.

Wraz ze zbieżeniem się zmian przełomowych i zmieniających się środowisk w technologiach, branżach i regulacjach, skupiona i zróżnicowana firma jak QBurst ma okazję wyłamać się z tłumu i stworzyć nową firmę usług technologicznych i model dostarczania dla przyszłości napędzanej przez AI.

Z ponad 25-letnim doświadczeniem w transformacji napędzanej przez technologie w wielu branżach, jak Twoje doświadczenie wpłynęło na sposób myślenia o skalowaniu platformy usług z AI?

Zauważyłem, że główna innowacja i adopcja technologii występują po tym, jak cykl hossy ochłonął i prawdziwe problemy biznesowe zaczynają być rozwiązywane na poziomie przedsiębiorstw. Są trzy punkty, które chciałbym tutaj podkreślić w odniesieniu do skalowania platformy usług z AI.

1. Przekroczenie etapu „PoC”.

Największym wyzwaniem, jakie widzę dzisiaj, jest przekroczenie etapu PoC. Skalowanie wymaga zmiany myślenia: nie tylko budujemy AI, ale dostarczamy rozwiązania gotowe do produkcji. W QBurst pomagamy klientom rosnąć poza etapem PoC, koncentrując się na elastyczności – przyjmując nowe modele z większymi oknami kontekstowymi, zamiast być zamkniętym wczorajszej technologii.

2. Brak AI bez silnej podstawy.

Lekcja, którą przeniosłem przez każdy cykl technologiczny – od wczesnych dni mobilnych w 2009 r. do rewolucji chmury – jest taka, że nie można zautomatyzować chaosu. AI jest tak potężna, jak dane, które ją karmią. QBurst napędza wzrost, zapewniając, że „nudna, ale niezbędna” praca jest wykonana, a mianowicie modernizacja cyfrowa i zaawansowana inżynieria danych.

3. Wizja „High AI-Q”.

Aby poprowadzić tę zmianę, ponownie pozycjonowaliśmy się jako firma „High AI-Q”. To odzwierciedla integrację Generative AI i Agentic AI we wszystkich naszych podstawowych usługach, napędzając transformację przedsiębiorstw rodzinnych z AI. W QBurst AI nie jest funkcją dodatkową, ale rdzeniem naszej strategii i dostarczania. Łączy niestandardowe modele uczenia maszynowego z inteligentną automatyzacją, aby zapewnić, że wraz ze wzrostem biznesu rośnie również jego inteligencja.

Byliśmy pionierami od samego początku ery Android, i stosujemy tę samą proaktywną DNA, aby poprowadzić erę AI. W QBurst nie jesteśmy tylko firmą technologiczną; jesteśmy partnerem, którego wzrost jest napędzany przez zadowolenie klienta.

Podkreśliłeś „High AI-Q” jako określającą ramę dla QBurst. Jak liderzy przedsiębiorstw powinni interpretować tę koncepcję, i dlaczego jest to ważny różnicujący element w obecnej krajobrazie AI?

Podróż QBurst z „High AI-Q” to świadoma decyzja: bieganie szybko na warstwie operacyjnej z AI-Driven SDLC i robienie śmiałych ruchów na warstwie strategicznej z Managed Agents. Co najważniejsze, kotwiczy całe przedsiębiorstwo w powolnej, podstawowej zmianie kultury, wartości i zdolności ludzkich.

Chociaż istnieją ryzyka i obawy dotyczące AI, jeśli wdrożone w sposób bezpieczny, AI może tworzyć obfitość i innowacje. Przedsiębiorstwa zobaczą wartość nie tylko w postaci produktywności, ale także wzrostu i transformacji.

Z punktu widzenia dostarczania widzimy to na co dzień przez naszą ramę AI-Driven SDLC. To „jak” transformacji, gdzie wbudowaliśmy AI w każdy etap rozwoju, od generowania historii użytkowników do samonaprawiających się skryptów testowych. Wyniki mówią same za siebie:

• Czas dostarczania: Znamaczne zmniejszenie cykli rozwoju i testowania.
• Jakość: Zadziwiające 25-35% zmniejszenie defektów po wydaniu.
• Wydajność: Stałe 20-30% polepszenie ogólnej dostawy.

Warstwa strategiczna to miejsce, w którym przechodzimy od optymalizacji części do optymalizacji całego ekosystemu. To wymagało przemyślenia naszych filarów rozwiązań, prowadząc do stworzenia Managed Agents, fuzji Enterprise Agentic AI i Usług Zarządzanych. Dla naszych klientów oznacza to, że agenci AI obsługują zadania na froncie i tyłach, przepływy pracy i operacje, napędzając zarówno wydajność, jak i ciągłą innowację. Nie tylko dostarczamy usługi; jesteśmy architektami bezproblemowej sieci wartości.

Wiele przedsiębiorstw gromadzi to, co nazywasz „AI Debt” – znaczne wydatki na pilotażowe projekty GenAI, które nie skalują się ani nie generują wartości. Jakie są korzenie tego problemu, i jak organizacje mogą wyłamać się z tego wzorca?

Przedsiębiorstwa gromadzą „AI Debt”, gdy inwestycje w GenAI kończą się na pilotach i nie przenoszą się w rzeczywistą wartość biznesową. Przyczyną jest to, co nazywamy pułapką retrofitowania – próbą przymocowania możliwości GenAI do systemów legacy, które nie zostały zaprojektowane do obsługi workflow AI. W tych środowiskach dane, architektura i zarządzanie po prostu nie są gotowe, więc pilotażowe projekty zatrzymują się lub psują się podczas skalowania.

To jest pogarszane przez brak podstawowej gotowości. Wiele organizacji spieszy się z eksperymentami, pomijając niezbędne inwestycje w strategię danych, inżynierię danych i zarządzanie. Bez zmodernizowanych podstaw danych i wyraźnych ram kontrolnych inicjatywy GenAI pozostają izolowanymi dowodami koncepcji, a nie możliwościami przedsiębiorstwa.

Łamanie tego wzorca wymaga przejścia na projektowanie z AI na pierwszym miejscu. Zamiast pytać, gdzie można dodać AI, organizacje muszą projektować systemy z AI w myślach od samego początku, wyrównując architekturę, przepływy danych i zarządzanie, aby wspierać automatyzację inteligentną w skali.

W praktyce zaczyna się to od inżynierii danych. Budowanie solidnych, dobrze zarządzanych potoków danych i modeli na początku tworzy warunki dla GenAI, aby skalować się w sposób zrównoważony. Kiedy podstawa jest odpowiednia, AI przechodzi od eksperymentowania do wpływu. W ten sposób „AI Debt” daje miejsce długoterminowej tworzeniu wartości.

Tradycyjny model umowny Time & Materials jest coraz częściej postrzegany jako niezgodny z rzeczywistością wydajności napędzanej przez AI. Dlaczego ten model staje się przestarzały, i jak podejścia takie jak „Managed Agents” lub „Service-as-Software” mogą zapewnić bardziej zrównoważoną drogę do przodu dla IT przedsiębiorstw?

Tradycyjny model Time & Materials został zbudowany na potrzeby ery deficytu zasobów, gdzie wartość była bezpośrednio związana z ludzkim wysiłkiem. W erze AI założenie to już nie obowiązuje. Inteligencja i wykonanie stają się obfite, a wraz ze wzrostem obfitości wartość przechodzi od wysiłku do wyników. AI fundamentalnie łamie logikę rozliczania godzinowego.

Dlatego branża przechodzi w stronę modeli opartych na wynikach. Metryki takie jak zgłoszenia rozwiązane bez interwencji człowieka lub przepływy pracy zakończone przez AI na końcu zapewniają wyraźną, mierzącą wartość. Te modele traktują możliwości jako oprogramowanie, a nie pracę, co można opisać jako „service-as-software”.

Podejścia takie jak Managed Agents i Service-as-a-Software oferują bardziej zrównoważoną drogę do przodu. Przenoszą focus z płacenia za wysiłek na płacenie za inteligentne wyniki, umożliwiając przewidywalne koszty, ciągłe udoskonalanie i współdzielone korzyści z automatyzacji. Managed Agents pozwalają inżynierom ludzkim i agentom AI pracować razem w kierunku celów biznesowych, podczas gdy Service-as-a-Software czyni wartość mierzącą przez wyniki, a nie godziny spędzone.

W świecie napędzanym przez AI najbardziej dopasowane modele handlowe są tymi, które nagradzają wyniki, a nie wysiłek – tworząc wygraną dla przedsiębiorstw i dostawców usług.

Twoja metodyka „High AI-Q” koncentruje się na Talentach, Aplikacjach i Wpływie jako trzech krytycznych warstwach dojrzałości AI. Jak CIO mogą ocenić swoją dojrzałość w tych warstwach przed skalowaniem inicjatyw GenAI?

Przed skalowaniem GenAI CIO muszą mieć wyraźny widok dojrzałości w trzech warstwach „High AI-Q” – talentów, aplikacji i wpływu, a nie tylko stosu technologicznego.

Na warstwie talentów dojrzałość dotyczy gotowości ludzi. CIO powinni ocenić umiejętności AI, otwartość na zmianę i czy pracownicy mają bezpieczny, zarządzany dostęp do LLM, który umożliwia bezpieczne eksperymentowanie.

Na warstwie aplikacji focus kładziony jest na podstawy danych i zarządzania, takie jak jakość danych, bezpieczeństwo, dojrzałość polityk i barier ochronnych w dostępie do LLM i praktyk rozwoju AI.

Na warstwie wpływu CIO powinni ocenić przypadki użycia według wysiłku a wartości biznesowej. Identyczne przypadki użycia o niskim wysiłku i wysokiej wartości umożliwiają wczesne zwycięstwa i wspierają iteracyjne podejście do skalowania GenAI.

Dla organizacji, które nadal działają na architekturach legacy, jakie podstawowe kroki modernizacji są wymagane, aby przygotować się do workflow agentic i modeli dostarczania AI?

Oto trzy kroki, które mogą przygotować organizacje, gdy przechodzą w kierunku workflow agentic.

1. Priorytetem jest modernizacja podstawy danych, aby umożliwić metadane, linie i metryki jakości danych dla danych rozproszonych. To zapewnia, że agenci mają bogate, wyjaśnialne dane, których potrzebują. Wprowadzenie narzędzi opartych na GenAI uczyniło tę modernizację szybszą i prostszą. Podczas gdy korzystanie z GenAI z architekturą legacy jest możliwe, wymóg tokenów dla uzyskania znaczących wyników byłby niezwykle wysoki.

2. Ustanowienie warstw wiedzy przedsiębiorstwa: organizacje, które nie zmodernizowały swoich systemów, mają wiele nagromadzonej wiedzy, która nie jest udokumentowana. Budowanie warstw wiedzy, aby uchwycić tę nietrwałą, nagromadzoną wiedzę w systemie, byłoby drugim zadaniem o wysokiej priorytetowości. To brakująca warstwa w wielu organizacjach w drodze do adopcji AI.

3. Definiowanie granic agentów i sposobów pracy: trzecim krokiem jest upewnienie się, że agenci przestrzegają wszystkich najlepszych praktyk i zgodności z bezpieczeństwem, tak jak jest to robione obecnie w organizacji. Ramy zarządzania, polityki bezpieczeństwa i ramy obserwacyjne umożliwiają agentom myślenie i działanie skutecznie w granicach i ustalonych sposobach pracy organizacji.

Gdy przygotowujesz się do „gotowości AI”, co wymaga poza toolingiem – w zakresie danych, procesów, zarządzania i zdolności zespołów?

Gotowość AI idzie znacznie poza wybór odpowiednich narzędzi. W praktyce adopcja AI powiedzie się lub nie w zależności od zdolności organizacji do uchwycenia wiedzy plemiennej, takiej jak niewypisane procesy, logika decyzyjna i kluczowe relacje, które istnieją tylko w głowach pracowników. Ta wiedza musi być udokumentowana w języku naturalnym, który systemy AI mogą rozumieć, a nie tylko przetwarzać dane w izolacji.

Gotowość danych jest równie krytyczna, ale jakość sama w sobie nie wystarcza. To, co naprawdę decyduje o powodzeniu, to metadane, które obejmują kontekst, linię i znaczenie za danymi. Bez tego nawet najbardziej zaawansowane modele dają płytkie lub niewiarygodne wyniki.

Adopcja AI w przedsiębiorstwach jest również wolniejsza niż w przypadku AI konsumenckiej: zarządzanie, bezpieczeństwo i zgodność są niepodważalne. Nie są to przeszkody do obejścia, ale wymagania do zbudowania. Organizacje muszą ustanowić ramy zaufania, które obejmują barierki, obserwowalność GenAI, wyjaśnialność i workflow z ludźmi w pętli, aby zapewnić, że dane wyjściowe AI są bezpieczne, powtarzalne i dokładne.

Na końcu zespoły muszą rozwinąć intuicję AI. Gotowość oznacza podnoszenie umiejętności pracowników w zakresie literatury AI, aby wiedzieli, jak skutecznie pobudzać, weryfikować wyniki i audytować dane wyjściowe, zamiast bezkrytycznie ufać „czarnej skrzynce”.

AI działa najlepiej, gdy ludzie pozostają mocno w pętli.

Co uważasz za największe różnice QBurst na tle innych firm usług technologicznych?

QBurst wyróżnia się na rynku usług technologicznych, łącząc głęboką wiedzę inżynierską z elastycznością mniejszej, innowacyjnej firmy.

Nasza przewaga konkurencyjna jest określona przez pięć kluczowych filarów:

1. Głęboka wiedza inżynierska z myślą design thinking – nie tylko piszemy kod, ale rozwiązujemy problemy biznesowe przez holistyczne, ukierunkowane na użytkownika rozwiązania.

2. Elastyczność i odpowiedzialność – jesteśmy wystarczająco duzi, aby skalować, ale wystarczająco małymi, aby dbać – nasza elastyczność i adaptacja do szybkich zmian jest tym, za co nasi klienci dali nam świadectwo. Nasze zespoły przyjmują prawdziwą odpowiedzialność za sukces klienta. Zobaczysz, że odpowiedzialność za dostarczanie biegnie aż do poziomu kierownictwa.

3. Zwinność kulturowa: czy to są mini-aplikacje LINE w Japonii, czy zintegrowane systemy cenowe dla amerykańskich sieci sklepów spożywczych, dostosowujemy nie tylko technologie, ale i doświadczenie do każdego rynku.

4. Wizja AI-First – wbudowujemy AI w nasze dostarczanie, nasze operacje i rozwiązania dla klientów – nie jako buzzword, ale jako mnożnik zdolności.

5. Kultura innowacji i eksperymentowania – nasi liderzy są technologicznie wykształceni i kochają rozwiązywać problemy klientów z wykorzystaniem najnowszych i wschodzących technologii. Nie boimy się porażki i stworzyliśmy znaczący wpływ dla naszych klientów, przyjmując podejście start-upowe w wielu przypadkach.

Nie boimy się również burzyć samego siebie. Eksperymentujemy z modelami opartymi na wynikach, ramami dostarczania komponowalnego i laboratoriami ko-innowacji dla klientów przedsiębiorstw.

Spójrzając w przyszłość, trzy do pięciu lat, jak oczekujesz, że modele operacyjne IT przedsiębiorstw będą ewoluować wraz ze wzrostem workflow agentic i organizacji AI, i na co powinni się przygotować liderzy?

Następna fala innowacji będzie należeć do tych, którzy mogą połączyć potężne możliwości AI z przemyślanymi systemami kontroli, nadzoru i zaufania. Dlatego rozmowa o ramach agentic przedsiębiorstwa wydaje się tak ważna – i tak pilna.

Niektóre z kluczowych spostrzeżeń to:

• Budowa centrów danych AI przyspiesza, a nie zwalnia; sentyment w świecie centrów danych jest wyjątkowo optymistyczny, z rosnącą pojemnością, popytem i inwestycjami.
• Adopcja AI w przedsiębiorstwach będzie wolniejsza niż w przypadku AI konsumenckiej (dane organizacyjne są często nieładne, fragmentowane i rozproszone w wielu systemach, a nie czyste i scentralizowane; obecne modele nie są jeszcze wystarczająco dokładne dla konkretnych sytuacji i funkcji firm bez adaptacji do kontekstu każdej organizacji; aby odblokować prawdziwą wartość, modele muszą być szkolone i dostosowane do danych własnych przedsiębiorstwa, szczególnie w „ostatniej mile” konkretnych workflow i przypadków użycia).
• Przed tym, jak w pełni autonomiczni agenci będą mogli prosperować w przedsiębiorstwach, jest większe wyzwanie: budowanie struktur nadzorujących, zatwierdzeń i barier ochronnych, które istnieją dla pracowników, co pozwala siłom roboczym wykonywać się niezawodnie i skalować.

Liderzy powinni przygotować się, biorąc pod uwagę:

• Agenci powinni być traktowani jak nowi pracownicy, z wyraźnymi zakresami, jawnym nadzorem i mechanizmami, które pozwolą im „uczyć się” napisanych i nie napisanych zasad organizacji.
• Istnieje potrzeba „agent bus” lub warstwy koordynacji, gdzie agenci rejestrują się, otrzymują uprawnienia do zapisu i mają swoje działania monitorowane przez agenci nadzorujące.
• Odtworzenie równowagi i kontroli, które sprawiają, że organizacje ludzkie są solidne, będzie kluczowe dla osiągnięcia bezpiecznej, dokładnej i niezawodnej realizacji w świecie agentic.
• Zarządzanie talentami ludzkimi i przekwalifikowanie jest kolejnym ważnym aspektem, gdy interfejsy i współpraca człowiek-AI zmieniają się wraz z systemami i ramami agentic.
• Najbardziej ekscytującą granicą jest pojawienie się zaawansowanych ram agentic przedsiębiorstw – poza tym, co istnieje dzisiaj – które mogą przekształcić tę wizję w praktyczną, skalowalną rzeczywistość, gdy połączone z silnym zrozumieniem dziedziny i rozwiązań.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić QBurst.