Arun Kumar Ramchandran, QBurst.

Arun Kumar Ramchandran 是 QBurst 的首席执行官，一位拥有超过25年领导经验的资深技术和服务高管，其经验涵盖全球咨询、大额销售、损益所有权和企业转型。他于2025年4月出任首席执行官，负责全面领导 QBurst 的业务，并塑造其作为一家以人工智能为主导的技术服务和数字工程公司的战略。在加入 QBurst 之前，他曾在 Hexaware Technologies（包括担任总裁和生成式人工智能咨询负责人）、Capgemini/Sogeti（担任执行客户和销售领导职务）以及 Infosys 和 Virtusa 担任高级职务，期间他建立并扩展了业务部门，领导了重大战略项目，并在多个地区和行业垂直领域推动了增长。

QBurst 是一家全球数字工程合作伙伴，围绕“高AI-Q”定位自身，将人工智能赋能交付与应用人工智能及数据驱动方法相结合，帮助企业实现现代化、构建和扩展。公司强调端到端的数字体验工程、现代化和产品工程——支持客户实施可组合数字平台、对话和客户体验解决方案以及支持人工智能的数据基础等举措——旨在为广泛的国际客户群带来可衡量的成果，如提高生产力、加快交付速度和增强客户体验。

您在 Hexaware、Capgemini、Infosys 和其他全球组织担任领导职务多年后，接任了 QBurst 的首席执行官一职。是什么在 QBurst 当前的发展阶段吸引了您？您的背景将如何塑造您希望带领公司前进的方向？

加入 QBurst 的决定是机遇与潜力的结合。吸引我的是 QBurst 的内在优势和独特的市场机遇。QBurst 的创业文化以及在为要求苛刻的客户交付尖端技术方面的成功给我留下了深刻印象并引起了我的兴趣。

随着技术、行业和法规领域颠覆性变革与环境的转变汇聚，像 QBurst 这样专注且差异化的公司拥有一个千载难逢的机会，能够脱颖而出，为人工智能驱动的未来打造一种新的技术与工程服务公司及交付模式。

凭借在多个行业超过25年的技术驱动转型经验，您的经历如何影响了您今天对扩展人工智能主导的服务平台的思考方式？

我观察到，技术的主要创新和采用发生在炒作周期降温之后，真正的企业级业务问题开始得到解决之时。关于扩展人工智能主导的服务平台，我想在此提出三个具体观点。

1. 跨越“概念验证阶段”。

我认为当今最大的挑战是跨越概念验证阶段。规模化需要思维方式的转变：我们不仅仅是构建人工智能；我们提供生产级解决方案。在 QBurst，我们通过专注于敏捷性来帮助客户跨越概念验证阶段——采用具有更大上下文窗口的新模型，而不是固守于过时的技术。

2. 没有坚实基础，就没有人工智能

我从每一个技术周期——从2009年移动技术的早期到云革命——中汲取的一个教训是：你无法自动化混乱。人工智能的强大程度取决于其输入的数据。QBurst 通过确保完成“枯燥但至关重要”的工作来推动增长，即数字现代化和高级数据工程.

3. “高AI-Q”愿景

为了引领这一变革，我们将自身重新定位为一家“高AI-Q”公司。这反映了我们将生成式人工智能和智能体人工智能整合到所有核心服务中，推动人工智能原生企业转型。在 QBurst，人工智能不是一个附加功能，而是我们战略和交付的核心结构。它将定制机器学习模型与智能自动化相结合，确保随着业务增长，其智能也随之扩展。

自安卓时代黎明以来，我们一直是先行者，现在我们正运用同样的主动基因来引领人工智能时代。在 QBurst，我们不仅是一家技术优先的公司；我们更是一家结果优先的合作伙伴，我们的增长由客户满意度驱动。

您强调“高AI-Q”是 QBurst 的定义性框架。企业领导者应如何理解这一概念？为何它在当前的人工智能格局中是一个重要的差异化因素？

QBurst 的“高AI-Q”之旅是一个深思熟虑的决定：在运营层通过人工智能驱动的软件开发生命周期快速运行，在战略层通过托管智能体进行大胆创新。最重要的是，它将整个企业锚定在文化、价值观和人力能力这些缓慢而根本性的变革之中。

虽然人工智能存在风险和担忧，但如果安全地实施，人工智能可以创造丰裕和创新。企业将看到的价值不仅体现在forças produtivas上，还体现在Aumentar和Transformaçãoem.

从交付的角度来看，我们每天都在通过人工智能驱动的软件开发生命周期框架见证这一点。这是转型的“方法”，我们将人工智能嵌入到开发的每个阶段，从用户故事生成到自愈测试脚本。结果不言自明：

• 上市时间：开发和测试周期显著缩短。
• 质量：发布后缺陷显著减少25-35%。
• 效率：整体交付效率持续提升20-30%。

战略层是我们超越局部优化，转向优化整个生态系统的地方。这要求我们重新思考解决方案支柱，从而催生了托管智能体——企业智能体人工智能与托管服务的融合。对我们的客户而言，这意味着人工智能智能体处理前端和后端任务、工作流和运营，既推动效率又实现持续创新。我们不仅仅是提供服务；我们是在编排一个无缝的价值网络。

许多企业正在积累您所说的“AI债务”——大量投入于无法规模化或产生价值的生成式人工智能试点项目。这个问题的根本原因是什么？组织如何才能打破这种模式？     

当生成式人工智能投资止步于试点项目，未能扩展为真正的商业价值时，企业就会积累“AI债务”。其根本原因是我们所说的“改造陷阱”——试图将生成式人工智能功能强行嫁接到从未设计用于支持人工智能原生工作流的遗留系统上。在这些环境中，数据、架构和治理根本尚未就绪，因此试点项目在规模化时会停滞或崩溃。

这又因缺乏基础准备而加剧。许多组织急于进行实验，却绕过了对数据战略、数据工程和治理的必要投资。没有现代化的数据基础和清晰的控制框架，生成式人工智能计划将始终是孤立的概念验证，而非企业级能力。

打破这种模式需要转向人工智能优先的设计。组织不应问在哪里可以添加人工智能，而必须从一开始就以人工智能成果为目标来设计系统，使架构、数据流和治理保持一致，以支持规模化智能自动化。

实际上，这始于数据工程。预先构建稳健、治理良好的数据管道和模型，为生成式人工智能可持续扩展创造条件。当基础稳固时，人工智能就能从实验走向影响。这样，AI债务就让位于长期价值创造。

传统的时间和材料合同模式日益被视为与人工智能驱动效率的现实脱节。为何这种模式正在过时？像“托管智能体”或“服务即软件”这样的方法如何能为企业IT提供一条更可持续的前进道路？     

传统的时间和材料模式建立在资源稀缺的时代，那时价值直接与人力投入挂钩。在人工智能时代，这一假设不再成立。智能和执行正变得充裕，随着充裕度的增加，价值从投入转向成果。人工智能从根本上打破了按小时计费的逻辑。

这就是为什么行业正朝着基于成果的模式发展。诸如无需人工干预解决的工单数量或由人工智能端到端完成的工作流等指标，提供了清晰、可衡量的价值。这些模式将能力视为软件而非劳动力，可以描述为“服务即软件”。

像托管智能体和服务即软件这样的方法提供了一条更可持续的前进道路。它们将焦点从为投入付费转向为智能结果付费，从而实现可预测的成本、持续改进以及共享自动化带来的收益。托管智能体让人工工程师和人工智能智能体共同朝着业务目标努力，而服务即软件则通过成果而非花费的时间来衡量价值。

在人工智能驱动的世界里，最协调的商业模式是那些奖励结果而非努力的模式——为企业和服务提供商创造双赢。

您的“高AI-Q”方法论聚焦于人才、应用和影响这三个关键层面，作为人工智能就绪度的要素。首席信息官在扩展生成式人工智能计划之前，应如何评估自身在这些层面的成熟度？

在扩展生成式人工智能之前，首席信息官需要清晰了解在人才、应用和影响这三个“高AI-Q”层面的成熟度，而不仅仅是技术栈。

在人才层面，成熟度关乎人员就绪度。首席信息官应评估人工智能技能、对变革的开放性，以及员工是否拥有安全、受治理的大型语言模型访问权限，以便进行安全的实验。

在应用层面，重点是数据和治理基础，如数据质量、架构、安全性，以及跨大型语言模型访问和人工智能开发实践的政策与护栏的成熟度。

在影响层面，首席信息官应根据投入与业务价值来评估用例。识别低投入、高影响力的机会能够带来早期成功，并支持迭代式扩展生成式人工智能的方法。

对于仍在遗留架构上运营的组织，需要采取哪些基础的现代化步骤来为智能体工作流和人工智能原生交付模型做好准备？

以下是组织在迈向智能体工作流时可以准备的三个步骤。

1. 优先进行数据基础现代化：对于在遗留架构上运营的组织，第一步是现代化数据基础，为孤岛数据启用元数据、数据血缘和数据质量指标。这确保智能体拥有所需的情境丰富、可解释的数据。生成式人工智能工具的引入使这种现代化变得更快、更直接。虽然可以在遗留架构上使用生成式人工智能，但要获得有意义的结果，所需的令牌量将极其高昂。

2. 建立企业知识层：尚未现代化其系统的组织将拥有大量未记录的累积知识。构建知识层以捕获系统内这种瞬态累积知识将是第二个高优先级任务。这是许多组织人工智能采用之旅中缺失的一层。

3. 定义智能体边界和工作方式：第三步是确保智能体遵守组织当前遵循的所有最佳实践和安全合规要求。治理框架、安全策略和可观测性框架使智能体能够在组织的边界和既定工作方式内有效地思考和行动。

在为“人工智能就绪度”做准备时，除了工具之外，还需要在数据、流程、治理和团队能力方面做哪些准备？

人工智能就绪度远不止选择正确的工具。在实践中，人工智能采用的成败取决于组织捕获隐性知识的能力，例如仅存在于员工头脑中的非书面流程、决策逻辑和关键关系。这些知识必须以自然语言记录，使人工智能系统能够据此进行推理，而不仅仅是孤立地处理数据。

数据就绪度同样关键，但仅有质量是不够的。真正决定成功的是metadados——包括数据背后的上下文、血缘和含义。没有这些，即使是最先进的模型也只能产生肤浅或不可靠的结果。

企业人工智能采用落后于消费级人工智能还有一个原因：治理、安全性和合规性是不可妥协的。这些不是需要规避的障碍，而是必须构建的要求。组织必须建立信任框架，包括护栏、生成式人工智能可观测性、可解释性以及人在回路的工作流，以确保人工智能输出是安全、可重复且准确的。

最后，团队需要培养人工智能直觉。就绪度意味着提升员工的人工智能素养，使他们知道如何有效提示、验证结果和审计输出，而不是盲目信任一个“黑箱”。当人类坚定地保持在回路中时，人工智能才能发挥最佳作用。

技术服务领域充斥着老牌参与者。在竞争企业转型项目时，您认为 QBurst 最强的差异化优势是什么？

QBurst 在拥挤的技术服务市场中，通过将深厚的工程专业知识与一家规模更小、创新驱动的公司所具备的敏捷性相结合，实现差异化。

我们的竞争优势由五个关键支柱定义：

1. 工程深度与设计思维心态——我们不仅仅是编写代码。我们通过整体、以用户为中心的解决方案来解决业务问题。

2. 敏捷性与主人翁精神——我们规模足够大以扩展，但又足够精简以保持关怀——我们的灵活性和快速适应变化的能力得到了客户的见证。我们的团队真正对客户的成功负责。您会看到交付责任一直延伸到高级领导层。

3. 文化适应性：无论是日本的 LINE 小程序，还是美国杂货连锁店的集成定价系统，我们不仅定制技术——更定制每个市场的体验。

4. 人工智能优先愿景——我们将人工智能嵌入到我们的交付、运营和客户解决方案中——不是作为一个流行词，而是作为能力的倍增器。

5. 创新与实验文化——我们的领导者精通技术，热爱使用最新和新兴技术解决客户问题。我们不惧怕失败，在许多情况下通过采取初创公司的方法为客户创造了有意义的影响。

我们也不惧怕颠覆自我。我们正在尝试基于成果的模式,可组合交付框架以及为企业客户设立的共同创新实验室.

展望未来三到五年，随着智能体工作流和人工智能原生组织的兴起，您预计企业IT运营模式将如何演变？领导者现在应该为此做哪些准备？

下一波创新将属于那些能够将强大的人工智能能力与深思熟虑的控制、监督和信任系统相结合的人。这就是为什么围绕企业智能体框架的新兴对话显得如此重要——且如此紧迫。

对我而言，一些关键见解包括：

• 人工智能数据中心建设正在加速，而非放缓；数据中心领域的情绪高度乐观，容量、需求和投资都在激增。
• 企业人工智能采用将慢于消费级人工智能（组织数据通常是混乱、碎片化且分布在许多系统中，而非干净且集中；当今的模型对于高度具体的公司情境和职能而言，在没有适应每个组织独特上下文的情况下，准确性尚不足；要释放真正价值，模型将需要在专有企业数据上进行训练和微调，特别是在特定工作流和用例的“最后一公里”）。
• 在真正自主的智能体能够在企业中蓬勃发展之前，存在一个更大的挑战：建立类似于为员工存在的监督结构、审批和护栏，这使得人力队伍能够可靠地执行并实现规模化。

领导者应通过牢记以下几点来做好准备：

• 智能体应被视为新员工，具有明确定义的范围、明确的监督机制，以及在其“学习”组织成文和不成文规则时控制错误的机制。
• 需要一个“智能体总线”或协调层，智能体在此注册、获取写入权限，并由监督智能体监控其行动。
• 重建使人类组织稳健的制衡机制，对于在智能体企业世界中实现安全、准确和可靠的执行至关重要。
• 随着人与人工智能的界面和协作随着智能体系统和框架而改变，管理人才和再培训是另一个重要方面。
• 最令人兴奋的前沿是先进企业智能体框架的出现——超越当今存在的框架——当与强大的领域理解和解决方案相结合时，能够将这一愿景转化为实际、可扩展的现实。

感谢您接受这次精彩的采访，希望了解更多信息的读者请访问 QBurst.