Арун Кумар Рамчандран, генеральный директор QBurst – серия интервью.

Арун Кумар РамчандранГенеральный директор QBurst, — опытный руководитель в сфере технологий и услуг с более чем 25-летним стажем, охватывающим глобальный консалтинг, крупные сделки, управление прибылью и убытками, а также трансформацию предприятий. Он стал генеральным директором в апреле 2025 года и отвечает за руководство QBurst во всех подразделениях компании, а также за формирование ее стратегии как компании, предоставляющей технологические услуги и занимающейся цифровым инжинирингом на основе искусственного интеллекта. До работы в QBurst он занимал руководящие должности в Hexaware Technologies (включая пост президента и руководство консалтингом GenAI), Capgemini/Sogeti (руководство работой с клиентами и продажами), а также в Infosys и Virtusa, где он создавал и масштабировал бизнес-подразделения, руководил крупными стратегическими программами и обеспечивал рост в различных регионах и отраслях.

QBurst Компания является глобальным партнером в области цифровой инженерии, позиционирующим себя как компания, работающая в рамках концепции «высокого качества ИИ», сочетающая разработку с использованием ИИ с применением ИИ и подходами, основанными на данных, чтобы помочь предприятиям модернизировать, создавать и масштабировать свои продукты. Компания делает акцент на комплексном проектировании, модернизации и разработке цифровых решений, поддерживая клиентов в таких инициативах, как компонуемые цифровые платформы, решения для диалогового взаимодействия и взаимодействия с клиентами, а также готовые к использованию ИИ основы данных, направленные на достижение измеримых результатов, таких как повышение производительности, ускорение доставки и улучшение качества обслуживания клиентов в широком международном сегменте.

Вы заняли должность генерального директора QBurst после долгой карьеры на руководящих должностях в Hexaware, Capgemini, Infosys и других глобальных организациях. Что привлекло вас в QBurst именно на этом этапе развития компании, и как ваш опыт определяет направление, в котором вы хотите развивать компанию?

Решение присоединиться к QBurst стало результатом стечения обстоятельств и совпадения возможностей. Меня привлекло в QBurst сочетание ее сильных сторон и уникальных рыночных возможностей. Предпринимательская культура QBurst и успех компании в использовании передовых технологий для удовлетворения потребностей требовательных клиентов произвели на меня сильное впечатление и заинтриговали.

В условиях сближения кардинальных изменений и меняющейся обстановки в сфере технологий, отраслей и регулирования, такая целеустремленная и отличающаяся от конкурентов компания, как QBurst, имеет уникальную возможность выделиться из общей массы и создать новую компанию по предоставлению технологических и инженерных услуг, а также новую модель работы для будущего, основанного на искусственном интеллекте.

Обладая более чем 25-летним опытом технологической трансформации в различных отраслях, как ваш опыт повлиял на ваше видение масштабирования платформы сервисов на основе искусственного интеллекта сегодня?

Я заметил, что основные инновации и внедрение технологий происходят после того, как спадает ажиотаж и начинают решаться реальные бизнес-задачи на уровне предприятия. В контексте масштабирования платформы сервисов на основе ИИ я хотел бы отметить три конкретных момента.

1. Переход к этапу «проверки концепции».

Самая большая проблема, которую я вижу сегодня, — это переход от стадии PoC (Proof of Control). Масштабирование требует изменения мышления: мы не просто создаём ИИ; мы предоставляем решения производственного уровня. В QBurst мы помогаем клиентам развиваться за пределами стадии PoC, фокусируясь на гибкости — внедряя новые модели с более широким контекстным окном, а не оставаясь привязанными к устаревшим технологиям.

2. Искусственный интеллект невозможен без прочного фундамента.

Урок, который я усвоил на протяжении всех технологических циклов — от первых шагов мобильных технологий в 2009 году до облачной революции — заключается в том, что хаос невозможно автоматизировать. Искусственный интеллект эффективен лишь настолько, насколько эффективны данные, которые его питают. QBurst обеспечивает рост, гарантируя выполнение «скучной, но необходимой» работы, а именно цифровой модернизации и передовой обработки данных.

3. Концепция «высокого Q-фактора ИИ»

Чтобы возглавить эти изменения, мы перепозиционировали себя как компанию с высоким уровнем интеллекта в области ИИ (High AI-Q). Это отражает интеграцию генеративного ИИ и агентного ИИ во все наши основные сервисы, способствуя трансформации предприятий, ориентированной на ИИ. В QBurst ИИ — это не дополнительная функция, а основа нашей стратегии и предоставления услуг. Он сочетает в себе пользовательские модели машинного обучения с интеллектуальной автоматизацией, чтобы гарантировать, что по мере роста бизнеса его интеллектуальные возможности масштабируются вместе с ним.

Мы были первопроходцами с момента появления Android, и мы применяем тот же проактивный подход, чтобы возглавить эру искусственного интеллекта. В QBurst мы не просто компания, ориентированная на технологии; мы — партнер, ориентированный на результат, рост которого обусловлен удовлетворением потребностей клиентов.

Вы подчеркнули «высокий уровень качества искусственного интеллекта» (High AI-Q) как определяющую концепцию для QBurst. Как руководителям предприятий следует интерпретировать это понятие, и почему оно является важным отличительным признаком в современном ландшафте ИИ?

Внедрение QBurst концепции «высокого качества искусственного интеллекта» — это осознанное решение: быстрая работа на операционном уровне с помощью SDLC, управляемого ИИ, и смелые шаги на стратегическом уровне с помощью управляемых агентов. Самое важное — это то, что вся компания опирается на медленные, фундаментальные изменения в культуре, ценностях и человеческих возможностях.

Несмотря на риски и опасения, связанные с ИИ, при безопасном внедрении он может создать изобилие и инновации. Предприятия увидят ценность не только с точки зрения производительности, но и роста и трансформации.

С точки зрения реализации, мы видим это ежедневно благодаря нашей системе разработки программного обеспечения, основанной на искусственном интеллекте. Это «как» происходит трансформация, где мы внедрили ИИ на каждом этапе разработки, от генерации пользовательских историй до самовосстанавливающихся тестовых сценариев. Результаты говорят сами за себя:

• Сокращение времени выхода на рынок: значительное сокращение циклов разработки и тестирования.
• Качество: Заметное снижение количества дефектов после выпуска продукции на 25-35%.
• Эффективность: стабильное улучшение общего качества предоставляемых услуг на 20-30%.

Стратегический уровень – это то, где мы переходим от оптимизации отдельных компонентов к оптимизации всей экосистемы. Это потребовало переосмысления основных принципов наших решений, что привело к созданию Managed Agents – объединения корпоративного агентного ИИ и управляемых услуг. Для наших клиентов это означает, что агенты ИИ обрабатывают задачи, рабочие процессы и операции как на стороне клиента, так и на стороне сервера, повышая эффективность и способствуя непрерывным инновациям. Мы не просто предоставляем услуги; мы организуем бесперебойную сеть создания ценности.

Многие предприятия накапливают то, что вы называете «долгом в сфере ИИ» — значительные затраты на пилотные проекты GenAI, которые не масштабируются и не приносят пользы. В чем коренные причины этой проблемы, и как организации могут вырваться из этой замкнутой системы?     

Предприятия накапливают «долг в области ИИ», когда инвестиции в GenAI останавливаются на пилотных проектах и ​​не достигают реальной коммерческой ценности в масштабах всей системы. Основная причина кроется в так называемой ловушке модернизации – попытке прикрепить возможности GenAI к устаревшим системам, которые изначально не были предназначены для поддержки рабочих процессов, изначально разработанных для ИИ. В таких условиях данные, архитектура и управление просто не готовы, поэтому пилотные проекты заходят в тупик или терпят неудачу при масштабировании.

Ситуация усугубляется недостаточной базовой подготовкой. Многие организации спешат к экспериментам, игнорируя при этом необходимые инвестиции в стратегию работы с данными, проектирование данных и управление ими. Без модернизированной базы данных и четких механизмов контроля инициативы GenAI остаются изолированными концептуальными разработками, а не корпоративными возможностями.

Чтобы разорвать этот порочный круг, необходимо перейти к проектированию, ориентированному на ИИ. Вместо того чтобы спрашивать, куда можно внедрить ИИ, организации должны проектировать системы с учетом результатов применения ИИ с самого начала, согласовывая архитектуру, потоки данных и управление для поддержки интеллектуальной автоматизации в масштабе.

На практике это начинается с проектирования данных. Создание надежных, хорошо управляемых конвейеров обработки данных и моделей на начальном этапе создает условия для устойчивого масштабирования GenAI. Когда фундамент заложен правильно, ИИ переходит от экспериментов к результатам. Таким образом, «долг ИИ» уступает место созданию долгосрочной ценности.

Традиционная модель контрактов «время и материалы» все чаще рассматривается как не соответствующая реалиям повышения эффективности за счет искусственного интеллекта. Почему эта модель устаревает, и как такие подходы, как «управляемые агенты» или «сервисы как программное обеспечение», могут обеспечить более устойчивый путь развития корпоративных ИТ?     

Традиционная модель оплаты по времени и материалам была разработана для эпохи дефицита ресурсов, когда ценность напрямую зависела от человеческих усилий. В эпоху искусственного интеллекта это предположение больше не актуально. Интеллект и исполнительность становятся все более распространенными, и по мере роста их доступности ценность смещается от усилий к результатам. Искусственный интеллект коренным образом разрушает логику почасовой оплаты.

Именно поэтому отрасль переходит к моделям, ориентированным на результат. Такие показатели, как количество заявок, решенных без участия человека, или рабочие процессы, полностью выполненные с помощью ИИ, обеспечивают четкую, измеримую ценность. В этих моделях возможности рассматриваются как программное обеспечение, а не как труд, что можно описать как «услуга как программное обеспечение».

Подходы, подобные управляемым агентам и сервисам как программному обеспечению, предлагают более устойчивый путь развития. Они смещают акцент с оплаты за затраченные усилия на оплату за интеллектуальные результаты, обеспечивая предсказуемые затраты, непрерывное совершенствование и совместное использование преимуществ автоматизации. Управляемые агенты позволяют инженерам-людям и агентам ИИ работать вместе над достижением бизнес-целей, в то время как сервисы как программное обеспечение делают ценность измеримой по результатам, а не по затраченным часам.

В мире, управляемом искусственным интеллектом, наиболее подходящими коммерческими моделями являются те, которые вознаграждают за результаты, а не за усилия, создавая взаимовыгодную ситуацию как для предприятий, так и для поставщиков услуг.

Ваша методология «High AI-Q» фокусируется на трех важнейших уровнях готовности к внедрению ИИ: таланты, применение и влияние. Как руководители ИТ-отделов могут оценить уровень своей зрелости по этим параметрам, прежде чем масштабировать инициативы по созданию ИИ нового поколения?

Прежде чем масштабировать GenAI, руководителям ИТ-отделов необходимо четко понимать уровень зрелости трех уровней «высокого качества ИИ»: таланты, применение и влияние, а не только технологического стека.

На уровне талантов зрелость определяется готовностью людей к работе. CIO должны оценивать навыки в области ИИ, открытость к изменениям, а также наличие у сотрудников безопасного, контролируемого доступа к LLM, позволяющего проводить безопасные эксперименты.

На прикладном уровне основное внимание уделяется фундаментальным аспектам данных и управления, таким как качество данных, архитектура, безопасность, а также зрелость политик и механизмов защиты в рамках доступа к LLM и практики разработки ИИ.

На уровне оценки воздействия руководители ИТ-отделов должны оценивать варианты использования с точки зрения трудозатрат и бизнес-ценности. Выявление возможностей с низкими затратами и высоким влиянием позволяет добиться первых успехов и поддерживает итеративный подход к масштабированию GenAI.

Какие базовые шаги по модернизации необходимы организациям, которые до сих пор работают на устаревших архитектурах, чтобы подготовиться к агентным рабочим процессам и моделям доставки, изначально разработанным для ИИ?

Вот три шага, которые помогут организациям подготовиться к переходу на агентские рабочие процессы.

1. Приоритет модернизации базы данных: для организаций, работающих на устаревших архитектурах, первым шагом является модернизация базы данных для обеспечения возможности использования метаданных, отслеживания происхождения данных и метрик качества данных для разрозненных данных. Это гарантирует, что агенты будут располагать необходимыми им контекстно насыщенными и объяснимыми данными. Внедрение инструментов на основе GenAI сделало эту модернизацию быстрее и проще. Хотя использование GenAI с устаревшей архитектурой возможно, требования к токенам для получения значимых результатов были бы чрезвычайно высокими.

2. Создание корпоративных уровней знаний: Организации, которые не модернизировали свои системы, будут накапливать большой объем недокументированных знаний. Создание уровней знаний для фиксации этих быстро устаревающих знаний внутри системы станет второй по важности задачей. Это недостающий элемент на пути внедрения ИИ во многих организациях.

3. Определение границ и методов работы агентов: Третий шаг — обеспечить соблюдение агентами всех передовых методов и требований безопасности, действующих в организации. Системы управления, политики безопасности и системы мониторинга позволяют агентам эффективно мыслить и действовать в рамках установленных границ и методов работы организации.

Что, помимо инструментов, необходимо для подготовки к «готовности к ИИ» — с точки зрения данных, процессов, управления и возможностей команды?

Готовность к внедрению ИИ выходит далеко за рамки выбора подходящих инструментов. На практике успех или неудача внедрения ИИ зависит от способности организации фиксировать накопленные знания, такие как неписаные процессы, логика принятия решений и ключевые взаимосвязи, существующие только в головах сотрудников. Эти знания должны быть задокументированы на естественном языке, с которым системы ИИ могут работать, а не просто обрабатывать данные изолированно.

Готовность данных имеет решающее значение, но одного качества недостаточно. Истинный успех определяется метаданными, которые включают контекст, происхождение и смысл данных. Без этого даже самые продвинутые модели дают поверхностные или ненадежные результаты.

Внедрение ИИ в корпоративной среде отстает от потребительского ИИ не случайно: управление, безопасность и соответствие нормативным требованиям являются обязательными. Это не препятствия, которые нужно обходить, а требования, которые необходимо учитывать при построении системы. Организации должны создать механизмы доверия, включающие в себя механизмы защиты, наблюдаемость, объяснимость и рабочие процессы с участием человека, чтобы гарантировать безопасность, воспроизводимость и точность результатов работы ИИ.

Наконец, командам необходимо развивать интуицию в отношении ИИ. Готовность означает повышение квалификации сотрудников в области ИИ, чтобы они знали, как эффективно запрашивать информацию, проверять результаты и проводить аудит, а не слепо доверять «черному ящику». ИИ работает лучше всего, когда люди постоянно вовлечены в процесс.

Сектор технологических услуг переполнен компаниями с устоявшейся системой. Что, по вашему мнению, является главными конкурентными преимуществами QBurst при борьбе за заказы на трансформацию предприятий?

Компания QBurst выделяется на переполненном рынке технологических услуг, сочетая глубокие инженерные знания с гибкостью гораздо меньшей по размеру, ориентированной на инновации фирмы.

Наше конкурентное преимущество определяется пятью ключевыми принципами:

1. Инженерный подход с учетом принципов дизайн-мышления – мы не просто пишем код. Мы решаем бизнес-задачи с помощью целостных, ориентированных на пользователя решений.

2. Гибкость и ответственность – Мы достаточно крупная компания, чтобы масштабироваться, но достаточно гибкая, чтобы проявлять заботу – наша гибкость и способность быстро адаптироваться к изменениям подтверждены отзывами наших клиентов. Наши команды берут на себя истинную ответственность за успех клиентов. Вы увидите, как ответственность за выполнение задач передается на уровень высшего руководства.

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

4. Концепция «ИИ прежде всего»: мы внедряем ИИ в нашу работу, операционную деятельность и решения для клиентов — не как модное словечко, а как инструмент, многократно увеличивающий наши возможности.

5. Культура инноваций и экспериментирования – Наши руководители хорошо разбираются в технологиях и любят решать проблемы клиентов, используя новейшие и перспективные технологии. Мы не боимся неудач и во многих случаях оказываем значимое влияние на наших клиентов, применяя подход стартапа.

Мы также не боимся саморазрушения. Мы экспериментируем с моделями, ориентированными на результат, компонуемыми системами доставки и лабораториями совместных инноваций для корпоративных клиентов.

Как, по вашему мнению, будут развиваться операционные модели корпоративных ИТ-систем в перспективе, через три-пять лет, с появлением агентных рабочих процессов и организаций, изначально ориентированных на искусственный интеллект, и к чему должны готовиться руководители уже сейчас?

Следующая волна инноваций будет принадлежать тем, кто сможет объединить мощные возможности искусственного интеллекта с продуманными системами управления, контроля и доверия. Именно поэтому разворачивающаяся дискуссия о корпоративных агентных системах кажется такой важной и неотложной.

Вот некоторые из ключевых выводов, которые я сделал:

• Строительство центров обработки данных для ИИ ускоряется, а не замедляется; в мире центров обработки данных царит высокий оптимизм: растут мощности, спрос и инвестиции.
• Внедрение ИИ в корпоративной среде будет происходить медленнее, чем в потребительском сегменте (организационные данные часто бывают неструктурированными, фрагментированными и распределенными по множеству систем, а не чистыми и централизованными; современные модели пока недостаточно точны для решения узкоспециализированных задач и функций компаний без адаптации к уникальному контексту каждой организации; для получения реальной пользы модели необходимо будет обучать и дорабатывать на собственных корпоративных данных, особенно на «последнем этапе» конкретных рабочих процессов и сценариев использования).
• Прежде чем по-настоящему автономные агенты смогут успешно развиваться в масштабах предприятия, возникает более серьезная задача: создание аналогичных структур надзора, согласований и ограничений, существующих для сотрудников, что позволит человеческому персоналу надежно и масштабно выполнять свои задачи.

Руководителям следует готовиться, учитывая следующие моменты:

• К агентам следует относиться как к новым сотрудникам, четко определяя их задачи, обеспечивая явный контроль и механизмы предотвращения ошибок в процессе «изучения» ими письменных и неписаных правил организации.
• Необходима «агентная шина» или координационный слой, где агенты регистрируются, получают права на запись и где их действия отслеживаются агентами-супервизорами.
• Воссоздание системы сдержек и противовесов, обеспечивающей устойчивость человеческих организаций, будет иметь решающее значение для достижения безопасного, точного и надежного выполнения задач в мире, где доминируют агенты.
• Управление человеческими ресурсами и переквалификация — еще один важный аспект, поскольку взаимодействие человека и ИИ, а также сотрудничество в этой области меняются с появлением агентных систем и фреймворков.
• Наиболее перспективным направлением является появление передовых корпоративных агентных фреймворков, превосходящих существующие сегодня, которые, в сочетании с глубоким пониманием предметной области и качественными решениями, могут воплотить это видение в практическую, масштабируемую реальность.

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