Арун Кумар Рамчандран, генеральный директор QBurst – Серия интервью

Арун Кумар Рамчандран, генеральный директор QBurst, – ветеран технологий и услуг с более чем 25-летним опытом руководства, охватывающим глобальные консультации, крупные продажи, владение прибылью и убытками, а также трансформацию предприятий. Он стал генеральным директором в апреле 2025 года и отвечает за руководство QBurst во всех аспектах бизнеса, формируя стратегию компании как AI-ориентированного технологического и цифрового инженерного фирмы. До QBurst он занимал руководящие должности в Hexaware Technologies (включая президента и лидерство в области консультаций по генеративному ИИ), Capgemini/Sogeti (исполнительное лидерство по клиентам и продажам), а также в Infosys и Virtusa, где он создавал и масштабировал бизнес-единицы, возглавлял крупные стратегические программы и стимулировал рост в нескольких географических регионах и отраслевых вертикалях.

QBurst – глобальный цифровой инженерный партнер, позиционирующий себя вокруг концепции “High AI-Q”, сочетая возможности, основанные на ИИ, с подходами, основанными на данных, чтобы помочь предприятиям модернизировать, создавать и масштабировать. Компания подчеркивает важность комплексной цифровой экспертизы, модернизации и инженерии продукции – поддержку клиентов в инициативах, таких как составные цифровые платформы, решения для разговора и опыта клиентов, а также основы данных, готовые к ИИ, направленные на достижение измеримых результатов, таких как улучшение производительности, более быстрая поставка и более сильный опыт клиентов в широком международном круге клиентов.

Вы приняли на себя роль генерального директора в QBurst после долгой карьеры руководства в Hexaware, Capgemini, Infosys и других глобальных организациях. Что привлекло вас к QBurst в этот момент его роста, и как ваш опыт формирует направление, которое вы хотите придать компании?

Решение присоединиться к QBurst было совпадением возможности и потенциала. То, что привлекло меня к QBurst, было сочетанием его внутренней силы и уникальной рыночной возможности. Предпринимательская культура QBurst и его успех в использовании передовых технологий для выполнения требований клиентов как впечатлили, так и заинтересовали меня.

С конвергенцией разрушительных изменений и меняющихся условий в технологиях, отраслях и регулированиях, сфокусированная и дифференцированная фирма, такая как QBurst, имеет возможность разорвать связь с другими и создать новую технологическую и инженерную услугу и модель доставки для будущего, управляемого ИИ.

С более чем 25-летним опытом технологических трансформаций в нескольких отраслях, как ваш опыт повлиял на ваше мышление о масштабировании платформы услуг, основанной на ИИ, сегодня?

Я наблюдал, что основные инновации и принятие технологий происходят после того, как цикл ажиотажа остыл, и реальные бизнес-проблемы начинают решаться на уровне предприятия. Есть три конкретные точки, которые я хотел бы сделать здесь, касающиеся масштабирования платформы услуг, основанной на ИИ.

1. Пересечение “Этапа PoC”.

Самая большая проблема, которую я вижу сегодня, – это пересечение этапа PoC. Масштабирование требует сдвига в мышлении: мы не просто строим ИИ; мы предоставляем решения, готовые к производству. В QBurst мы помогаем клиентам вырасти за пределы этапа PoC, сосредотачиваясь на гибкости – принятии новых моделей с более крупными контекстными окнами, а не быть запертыми в вчерашней технологии.

2. Нет ИИ без прочной основы.

Урок, который я нес через каждый технологический цикл – от ранних дней мобильных устройств в 2009 году до революции облачных вычислений, – заключается в том, что нельзя автоматизировать хаос. ИИ так же мощен, как и данные, которые его кормят. QBurst стимулирует рост, обеспечивая, чтобы “скучная, но необходимая” работа была выполнена, а именно цифровая модернизация и продвинутая инженерия данных.

3. Видение “High AI-Q”.

Чтобы возглавить это изменение, мы переопределили себя как компанию “High AI-Q”. Это отражает интеграцию генеративного ИИ и агентного ИИ во все наши основные услуги, стимулируя трансформацию предприятий, основанную на ИИ. В QBurst ИИ не является добавленной функцией, а является основной ткань нашей стратегии и доставки. Это сочетает настраиваемые модели машинного обучения с интеллектуальной автоматизацией, чтобы обеспечить, что по мере роста бизнеса его интеллект масштабируется вместе с ним.

Мы были пионерами с зари Android, и мы применяем ту же проактивную ДНК, чтобы возглавить эру ИИ. В QBurst мы не просто технологическая компания; мы являемся партнером, ориентированным на результат, чей рост обусловлен удовлетворенностью клиентов.

Вы подчеркнули “High AI-Q” как определяющую основу для QBurst. Как лидеры предприятий должны интерпретировать эту концепцию, и почему она является важным дифференциатором в текущем ландшафте ИИ?

Путешествие QBurst по “High AI-Q” – это сознательное решение: быстрое движение на операционном уровне с помощью ИИ-ориентированного жизненного цикла разработки программного обеспечения и смелые шаги на стратегическом уровне с помощью управляемых агентов. Самое главное, оно закрепляет все предприятие в медленном, основательном изменении культуры, ценностей и человеческих возможностей.

Хотя существуют риски и проблемы, связанные с ИИ, если он реализован безопасно, ИИ может создавать изобилие и инновации. Предприятия увидят ценность не только в плане производительности, но и роста и трансформации.

С точки зрения доставки мы видим это, разыгрывающееся ежедневно через наш ИИ-ориентированный жизненный цикл разработки программного обеспечения. Это “как” трансформации, где мы встроили ИИ на каждом этапе разработки, от генерации истории пользователя до самозаживляющих тестовых сценариев. Результаты говорят сами за себя:

• Время выхода на рынок: Значительное сокращение циклов разработки и тестирования.
• Качество: Заметное снижение на 25-35% дефектов после выпуска.
• Эффективность: Постоянное улучшение на 20-30% общей доставки.

Стратегический слой – это то место, где мы переходим от оптимизации частей к оптимизации всей экосистемы. Это требует переосмысления наших столпов решений, что привело к созданию управляемых агентов, слиянию агентного ИИ предприятия и управляемых услуг. Для наших клиентов это означает, что агенты ИИ обрабатывают задачи, рабочие процессы и операции как на переднем, так и на заднем плане, стимулируя как эффективность, так и непрерывную инновацию. Мы не просто предоставляем услуги; мы оркестрируем бесшовную сеть ценности.

Многие предприятия накапливают то, что вы называете “долгом ИИ” – значительные расходы на пилотные проекты генеративного ИИ, которые не масштабируются или не генерируют ценность. Каковы коренные причины этой проблемы, и как организации могут вырваться из этого шаблона?

Предприятия накапливают “долг ИИ”, когда инвестиции в генеративный ИИ останавливаются на пилотных проектах и не генерируют реальную бизнес-ценность. Коренная причина заключается в том, что мы называем ловушкой ретрофитинга – попыткой прикрепить возможности генеративного ИИ к устаревшим системам, которые никогда не были разработаны для поддержки рабочих процессов, основанных на ИИ. В этих средах данные, архитектура и управление просто не готовы, поэтому пилотные проекты застревают или ломаются под масштабом.

Это усугубляется отсутствием основательной готовности. Многие организации спешат с экспериментами, минуя необходимые инвестиции в стратегию данных, инженерию данных и управление. Без модернизированных основ данных и четких контрольных рамок инициативы генеративного ИИ остаются изолированными доказательствами концепции, а не возможностями предприятия.

Чтобы разорвать этот шаблон, требуется сдвиг к дизайну, ориентированному на ИИ. Вместо того, чтобы спрашивать, где можно добавить ИИ, организации должны проектировать системы с учетом результатов ИИ с самого начала, выравнивая архитектуру, потоки данных и управление для поддержки интеллектуальной автоматизации в масштабе.

Практически это начинается с инженерии данных. Создание прочных, хорошо управляемых трубопроводов данных и моделей заранее создает условия для того, чтобы генеративный ИИ мог масштабироваться устойчиво. Когда основа правильна, ИИ переходит от экспериментов к влиянию. Таким образом, долг ИИ уступает место долгосрочному созданию ценности.

Традиционная модель контракта “Время и материалы” все чаще рассматривается как несоответствующая реалиям эффективности, обусловленной ИИ. Почему эта модель становится устаревшей, и как подходы, такие как “Управляемые агенты” или “Услуга как программное обеспечение”, могут обеспечить более устойчивый путь вперед для ИТ-предприятий?

Традиционная модель “Время и материалы” была построена для эпохи дефицита ресурсов, когда ценность напрямую связана с человеческими усилиями. В эпоху ИИ это предположение больше не действует. Интеллект и выполнение становятся избыточными, и по мере увеличения избыточности ценность смещается от усилий к результатам. ИИ фундаментально нарушает логику почасовой оплаты.

Это почему отрасль переходит к моделям, основанным на результатах. Метрики, такие как тикеты, решенные без человеческого вмешательства, или рабочие процессы, выполненные агентом ИИ от начала до конца, предоставляют четкую, измеримую ценность. Эти модели рассматривают способность как программное обеспечение, а не как труд, что можно описать как “услуга как программное обеспечение”.

Подходы, такие как управляемые агенты и услуга как программное обеспечение, предлагают более устойчивый путь вперед. Они смещают фокус от оплаты за усилия к оплате за интеллектуальные результаты, позволяя предсказуемые затраты, непрерывное улучшение и общую выгоду от автоматизации. Управляемые агенты позволяют человеческим инженерам и агентам ИИ работать вместе к бизнес-целям, в то время как услуга как программное обеспечение делает ценность измеримой через результаты, а не потраченные часы.

В мире, управляемом ИИ, наиболее согласованные коммерческие модели – это те, которые вознаграждают результаты, а не усилия, создавая выигрыш для обоих сторон – предприятий и поставщиков услуг.

Ваш методология “High AI-Q” фокусируется на таланте, применении и влиянии как на три критических слоя для готовности ИИ. Как руководители ИТ могут оценить свою зрелость на этих слоях перед масштабированием инициатив генеративного ИИ?

До масштабирования генеративного ИИ руководители ИТ должны иметь четкое представление о зрелости на трех слоях “High AI-Q” – таланте, применении и влиянии, и не только на технологическом стеке.

На слое талантов зрелость заключается в готовности людей. Руководители ИТ должны оценить навыки ИИ, открытость к изменениям и наличие у сотрудников безопасного, управляемого доступа к большим языковым моделям, который позволяет безопасным экспериментам.

На слое применения фокус смещается на основы данных и управления, такие как качество данных, архитектура, безопасность и зрелость политики и ограждений для доступа к большим языковым моделям и практикам разработки ИИ.

На слое влияния руководители ИТ должны оценить случаи использования по усилиям и бизнес-ценности. Определение возможностей с низкими усилиями и высокой ценностью позволяет добиться ранних побед и поддерживает итеративный подход к масштабированию генеративного ИИ.

Для организаций, все еще работающих на устаревших архитектурах, какие основные шаги модернизации необходимы для подготовки к агентным рабочим процессам и моделям доставки, основанным на ИИ?

Вот три шага, которые могут подготовить организации, когда они движутся к агентным рабочим процессам.

1. Приоритизация модернизации основы данных: Для организаций, работающих на устаревших архитектурах, первым шагом является модернизация основы данных для включения метаданных, происхождения и метрик качества данных для изолированных данных. Это гарантирует, что агенты имеют контекстно богатые, объяснимые данные, которые им нужны. Введение инструментов, основанных на генеративном ИИ, сделало эту модернизацию быстрее и более простой. Хотя использование генеративного ИИ с устаревшей архитектурой возможно, требование токенов для получения значимых результатов будет чрезвычайно высоким.

2. Установление слоев знаний предприятия: Организации, которые не модернизировали свои системы, имеют много накопленных знаний, которые не задокументированы. Создание слоев знаний для захвата этого преходящего накопленного знания внутри системы будет вторым заданием высокого приоритета. Это отсутствующий слой в пути многих организаций к принятию ИИ.

3. Определение границ агентов и способов работы: Третьим шагом является обеспечение того, чтобы агенты придерживались всех лучших практик и стандартов безопасности, действующих в организации. Рамки управления, политики безопасности и рамки наблюдения позволяют агентам мыслить и действовать эффективно в рамках и установленных способов работы организации.

Когда вы готовитесь к “готовности ИИ”, что это требует помимо инструментов – в плане данных, процессов, управления и возможностей команд?

Готовность ИИ выходит далеко за рамки выбора правильных инструментов. На практике принятие ИИ успешно или неудачно зависит от способности организации захватить трибальное знание, такое как не написанные процессы, логика принятия решений и ключевые отношения, которые существуют только в головах сотрудников. Это знание должно быть задокументировано на естественном языке, который системы ИИ могут рассуждать, а не просто обрабатывать данные в изоляции.

Готовность данных также критически важна, но качество само по себе недостаточно. То, что действительно определяет успех, – это метаданные, которые включают контекст, происхождение и смысл за данными. Без этого даже самые передовые модели производят мелкие или ненадежные результаты.

Принятие ИИ на уровне предприятия также отстает от потребительского ИИ по одной причине: управление, безопасность и соответствие требованиям – это неотъемлемые условия. Эти требования не являются препятствиями, которые нужно обойти, а требованиями, которые нужно построить. Организации должны установить рамки доверия, которые включают ограждения, наблюдаемость генеративного ИИ, объяснимость и рабочие процессы “человек в цикле”, чтобы гарантировать, что выходы ИИ безопасны, повторяются и точны.

Наконец, командам необходимо развить интуицию ИИ. Готовность означает повышение квалификации сотрудников в области грамотности ИИ, чтобы они знали, как эффективно формулировать запросы, проверять результаты и аудировать выходы, а не слепо доверять “черному ящику”. ИИ работает лучше всего, когда люди твердо находятся в цикле.

Сектор технологических услуг переполнен игроками устаревшего типа. Что, по вашему мнению, является сильнейшими дифференциаторами QBurst при конкуренции за мандаты трансформации предприятий?

QBurst отличается на переполненном рынке технологических услуг, сочетая глубокую инженерную экспертизу с гибкостью гораздо меньшей, инновационно-ориентированной фирмы.

Наш конкурентный преимущество определяется пятью ключевыми столпами:

1. Глубина инженерии с мыслительным подходом к дизайну – Мы не просто пишем код. Мы решаем бизнес-проблемы через целостные, ориентированные на пользователя решения.

2. Гибкость и владение – Мы достаточно велики, чтобы масштабироваться, но достаточно гибки, чтобы заботиться – наша гибкость и адаптация к быстрым изменениям – это то, за что наши клиенты дали нам свидетельство. Наши команды берут на себя真正е владение успехом клиента. Вы увидите владение доставкой, которое проходит до уровня старшего руководства.

3. Культурная грамотность: Будь то мини-приложения LINE в Японии или интегрированные системы ценообразования для американских сетей супермаркетов, мы настраиваем не только технологии, но и опыт – для каждого рынка.

4. Видение, ориентированное на ИИ – Мы встраиваем ИИ в нашу доставку, наши операции и решения клиентов – не как модное слово, а как умножитель возможностей.

5. Культура инноваций и экспериментов – Наши лидеры технически подкованы и любят решать проблемы клиентов с помощью последних и появляющихся технологий. Мы не боимся неудач и создали значительное влияние на наших клиентов, принимая подход стартапа во многих случаях.

Мы также не боимся разрушать себя. Мы экспериментируем с моделями, основанными на результатах, составными рамками доставки и лабораториями коинноваций для клиентов-предприятий.

Оглядываясь вперед на три-пять лет, как вы ожидаете, что операционные модели ИТ-предприятий будут эволюционировать с ростом агентных рабочих процессов и организаций, ориентированных на ИИ, и на что лидеры должны подготовиться сейчас?

Следующая волна инноваций будет принадлежать тем, кто может объединить мощные возможности ИИ с вдумчивыми системами контроля, надзора и доверия. Это почему появляющийся разговор вокруг агентных рамок предприятия кажется так важным – и так срочным.

Некоторые из ключевых выводов для меня:

• Строительство центров данных ИИ ускоряется, а не замедляется; настроение в мире центров данных очень оптимистично, с растущей мощностью, спросом и инвестициями.
• Принятие ИИ на уровне предприятия будет медленнее, чем на уровне потребителей (данные организации часто бывают грязными, фрагментированными и распределенными по многим системам, а не чистыми и централизованными; сегодняшние модели еще не достаточно точны для конкретных ситуаций и функций компании без адаптации к уникальному контексту каждой организации; чтобы раскрыть реальную ценность, модели должны быть обучены и уточнены на проприетарных данных предприятия, особенно в “последней миле” конкретных рабочих процессов и случаев использования)
• До того, как真正 автономные агенты смогут процветать на уровне предприятия, существует более крупная проблема: построение эквивалента надзорных структур, одобрений и ограждений, существующих для сотрудников, что позволяет рабочей силе выполнять работу надежно и масштабироваться.

Лидеры должны подготовиться, учитывая следующее:

• Агенты должны быть behand как новые сотрудники, с четко определенным объемом, явным надзором и механизмами, чтобы сдерживать ошибки, пока они “учатся” написанным и неписаным правилам организации.
• Существует необходимость в “автобусе агентов” или координационном слое, где агенты регистрируются, получают разрешения на запись и имеют свои действия отслеживаемые агентами-надзорщиками.
• Воссоздание проверок и балансов, которые делают человеческие организации прочными, будет критически важным для достижения безопасного, точного и надежного выполнения в агентном мире предприятия.
• Управление человеческим талантом и переподготовка – это другой важный аспект, поскольку интерфейсы и сотрудничество человека и ИИ меняются с агентными системами и рамками.
• Самый интересный рубеж – это появление передовых рамок агентского предприятия – за пределами того, что существует сегодня – которые могут превратить это видение в практическую, масштабируемую реальность, когда они объединены с сильным пониманием области и решений.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить QBurst.