Арун Кумар Рамчандран, генеральный директор QBurst – Интервью

Арун Кумар Рамчандран, генеральный директор QBurst, является ветераном технологий и услуг с более чем 25-летним опытом руководства, охватывающим глобальные консультации, крупные продажи, владение прибылью и трансформацию предприятий. Он стал генеральным директором в апреле 2025 года и отвечает за руководство QBurst во всех аспектах бизнеса, формируя ее стратегию как компании технологических услуг и цифровой инженерии, возглавляемой ИИ. До QBurst он занимал руководящие должности в Hexaware Technologies (HEXT.BO ) (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 географиях и отраслевых вертикалях.

QBurst является глобальным партнером по цифровой инженерии, позиционирующим себя вокруг концепции “Высокого ИИ-Качества”, сочетая возможности доставки, усиленные ИИ, с подходами, основанными на данных и применении ИИ, чтобы помочь предприятиям модернизироваться, строить и масштабироваться. Компания подчеркивает инженерную работу по цифровому опыту, модернизации и разработке продуктов, поддерживая клиентов в таких инициативах, как составные цифровые платформы, решения для разговора и опыта клиентов, а также готовые к ИИ данные – все это направлено на достижение измеримых результатов, таких как улучшение производительности, более быстрая доставка и более сильный опыт клиентов на широкой международной клиентской базе.

Вы заняли должность генерального директора в QBurst после долгой карьеры руководства в Hexaware, Capgemini, Infosys и других глобальных организациях. Что привлекло вас в QBurst в этот момент ее роста, и как ваш опыт формирует направление, которое вы хотите принять компанию?

Решение присоединиться к QBurst было совпадением возможностей и потенциала. То, что привлекло меня в QBurst, было сочетанием ее внутренней силы и уникальной рыночной возможности. Предпринимательская культура QBurst и ее успех в применении передовых технологий для удовлетворения требовательных клиентов как впечатлили, так и заинтересовали меня.

С слиянием разрушительных изменений и меняющихся сред в технологиях, отраслях и регулированиях, сфокусированная и дифференцированная фирма, такая как QBurst, имеет возможность разорвать связь с остальными и создать новую технологическую и инженерную услугу, а также модель доставки для будущего, возглавляемого ИИ.

С более чем 25-летним опытом в технологической трансформации в нескольких отраслях, как ваш опыт повлиял на то, как вы думаете о масштабировании платформы услуг, возглавляемой ИИ, сегодня?

Я заметил, что основные инновации и принятие технологий происходят после того, как цикл ажиотажа остыл, и реальные бизнес-проблемы начинают решаться на уровне предприятия. Есть три конкретных момента, которые я хотел бы подчеркнуть здесь в отношении масштабирования платформы услуг, возглавляемой ИИ.

1. Пересечение “Этапа Проверки Концепции”.

Самой большой проблемой, которую я вижу сегодня, является пересечение этапа проверки концепции. Масштабирование требует сдвига в мышлении: мы не просто строим ИИ; мы предоставляем решения, готовые к производству. В QBurst мы помогаем клиентам расти за пределами этапа проверки концепции, сосредотачиваясь на гибкости – принятии новых моделей с большими контекстными окнами, а не запертыми в вчерашней технологии.

2. Нет ИИ без сильного фундамента

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

3. Видение “Высокого ИИ-Качества”

Чтобы возглавить эту трансформацию, мы переопределили себя как компанию “Высокого ИИ-Качества”. Это отражает интеграцию Генеративного ИИ и Агентного ИИ во все наши основные услуги, стимулируя трансформацию предприятия, родную для ИИ. В QBurst ИИ не является добавленной функцией, а основной тканью нашей стратегии и доставки. Он 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 “Высокое ИИ-Качество” 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 “Высокому ИИ-Качеству” – это сознательное решение: быстрое движение на операционном уровне с помощью ИИ-управляемого жизненного цикла разработки программного обеспечения и смелые шаги на стратегическом уровне с помощью Управляемых Агентов. Самое главное, оно закрепляет все предприятие в медленном, основополагающем изменении культуры, ценностей и человеческих возможностей.

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

С точки зрения доставки мы видим это, разворачиваясь ежедневно через наш ИИ-управляемый каркас жизненного цикла разработки программного обеспечения. Это “как” трансформации, где мы встроили ИИ на каждом этапе разработки, от генерации пользовательских историй до самоисправляющихся тестовых сценариев. Результаты говорят сами за себя:

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

Стратегический слой – это где мы движемся за пределы оптимизации частей к оптимизации всей экосистемы. Это потребовало переосмысления наших столпов решений, что привело к созданию Управляемых Агентов, слияния 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 ценностную сеть.

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 переходят в реальную бизнес-ценность. Коренная причина – это то, что мы называем ловушкой ретрофитинга – попыткой прикрепить возможности Генеративного ИИ к устаревшим системам, которые никогда не были разработаны для поддержки рабочих процессов, родных для ИИ. В этих средах данные, архитектура и управление просто не готовы, поэтому пилотные проекты застревают или ломаются под масштабом.

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

Выход из этого шаблона требует сдвига к проектированию, ориентированному на ИИ. Вместо того, чтобы задаваться вопросом, 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 созданию долгосрочной 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 создана 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 ломает логику почасовой оплаты.

Это почему отрасль переходит к моделям, основанным на результатах. Метрики, такие как разрешенные без вмешательства человека или завершенные рабочие процессы, обеспеченные ИИ, предоставляют четкую, измеримую ценность. Эти модели рассматривают возможность как программное обеспечение, а не 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 с оплаты за усилия на оплату за интеллектуальные результаты, обеспечивая 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 часы, потраченные.

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

Ваш подход “Высокого ИИ-Качества” фокусируется на Таланте, Применении и Влиянии как на три критических слоя для готовности ИИ. Как могут руководители ИТ оценить свою зрелость через эти слои перед масштабированием инициатив Генеративного ИИ?

До масштабирования Генеративного ИИ руководители ИТ должны иметь четкое представление о зрелости через три слоя “Высокого ИИ-Качества” – талант, применение и влияние, и не только технологический стек.

На уровне 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 безопасными экспериментами.

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

На уровне 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 основополагающие шаги модернизации требуются для подготовки к агентным рабочим процессам и моделям доставки, родным для 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 обеспечения 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 эфемерного накопленного знания внутри системы будет вторым заданием высокого приоритета. Это отсутствующий слой во многих организациях на пути к принятию ИИ.

3. Определение границ и способов работы агентов: Третьим шагом является обеспечение того, чтобы агенты придерживались всех лучших практик и стандартов безопасности, которые в настоящее время соблюдаются в организации. Каркасы управления, политики безопасности и каркасы наблюдаемости позволяют агентам мыслить и действовать эффективно в рамках и установленных способов работы организации.

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

Готовность ИИ выходит далеко за рамки выбора правильных инструментов. На практике принятие ИИ преуспевает или терпит неудачу на основе способности организации захватить трибальное знание, такое как неучтенные 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 соблюдение требований – это непреодолимые препятствия. Это не препятствия, которые нужно обойти, а требования, которые нужно построить. Организации должны создать каркасы доверия, которые включают ограждения, наблюдаемость Генеративного ИИ, объяснимость и рабочие процессы “человек в цикле”, чтобы гарантировать, что выходы ИИ безопасны, повторяемы и точны.

Наконец, командам необходимо развивать 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 остаются в цикле.

Технологический сектор услуг переполнен устаревшими игроками. 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, характерной для гораздо меньшей, инновационно-ориентированной фирмы.

Наш конкурентный преимущество определяется пятью ключевыми столпами:

1. Глубина инженерии с мышлением, ориентированным на дизайн – 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 клиентов. Вы увидите владение доставкой, которое доходит до уровня старшего руководства.

3. Культурная грамотность: Будь то мини-приложения LINE в Японии или интегрированные системы ценообразования для американских розничных сетей, мы адаптируем не только технологии, но и опыт к каждому рынку.

4. Видение, ориентированное на ИИ – Мы встраиваем ИИ в нашу доставку, наши операции и решения для 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 для наших клиентов, принимая подход стартапа во многих случаях.

Мы также не боимся нарушить себя. Мы экспериментируем с моделями, основанными на результатах, составными каркасами доставки и лабораториями совместной инновации для клиентов предприятий.

Оглядываясь вперед на три-пять лет, как вы ожидаете, что модели операций ИТ-предприятий будут развиваться с ростом агентных рабочих процессов и организаций, родных для ИИ, и на что лидерам следует подготовиться сейчас?

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

Некоторые из ключевых прозрений для меня:

• Строительство центров обработки данных ИИ ускоряется, а не замедляется; настроения в мире центров обработки данных очень оптимистичны, с растущей мощностью, спросом и инвестициями.
• Принятие ИИ на уровне предприятия будет медленнее, чем на уровне потребителей (данные организации часто бывают запутанными, фрагментированными и распределенными по множеству систем, 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 разблокировать реальную ценность, модели должны быть обучены и донастроены на проприетарных данных предприятия, особенно в “последней миле” конкретных рабочих процессов и случаев использования).
• До того, как真正 автономные агенты смогут процветать в предприятии, существует большая проблема: построение эквивалентных надзорных структур, одобрений и ограждений, которые существуют для сотрудников, что позволяет рабочей силе человека выполнять работу надежно и масштабироваться.

Лидерам следует 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.
• Есть необходимость в “агентском автобусе” или координационном слое, где агенты регистрируются, получают разрешение на запись и имеют свои действия контролируемыми агентами-надзорщиками.
• Воссоздание проверок и балансов, которые делают человеческие организации прочными, будет иметь решающее значение для достижения безопасного, точного и надежного выполнения в мире агентных предприятий.
• Управление человеческим талантом и переподготовка – это другой важный аспект, поскольку интерфейсы и сотрудничество человека и ИИ меняются с агентными системами и каркасами.
• Самый захватывающий рубеж – это появление передовых каркасов предприятия агентов – за пределами того, что существует сегодня – которые могут превратить это видение в практическую, масштабируемую реальность, когда они сочетаются с сильным пониманием области и решениями.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить QBurst.