Arun Kumar Ramchandran, VD för QBurst – Intervjuserie

Arun Kumar Ramchandran, VD för QBurst, är en erfaren teknik- och tjänstechef med över 25 års ledarskapserfarenhet inom global konsultverksamhet, storförsäljning, P&L-ägande och företagsomvandling. Han tillträdde som VD i april 2025 och ansvarar för att leda QBurst i hela verksamheten samtidigt som han utformar dess strategi som ett AI-lett tekniktjänst- och digitalt ingenjörsföretag. Innan QBurst hade han ledande roller på Hexaware Technologies (inklusive VD och ledning för GenAI-konsultverksamheten), Capgemini/Sogeti (ledning för kund- och försäljningsfrågor) samt Infosys och Virtusa, där han byggde och skalade upp affärsenheter, ledde stora strategiska program och drev tillväxt över flera geografiska områden och branschvertikaler.

QBurst är en global digital ingenjörspartner som positionerar sig kring "High AI-Q" och kombinerar AI-aktiverad leverans med tillämpad AI och datadrivna metoder för att hjälpa företag att modernisera, bygga och skala upp. Företaget betonar heltäckande digital upplevelseteknik, modernisering och produktutveckling – och stödjer kunder med initiativ som kompositerbara digitala plattformar, konversations- och kundupplevelselösningar samt AI-förberedda datafundament – ​​som syftar till att producera mätbara resultat som förbättrad produktivitet, snabbare leverans och starkare kundupplevelser över en bred internationell kundbas.

Du har tagit dig an rollen som VD för QBurst efter en lång ledarkarriär inom Hexaware, Capgemini, Infosys och andra globala organisationer. Vad lockade dig till QBurst just nu i dess tillväxtfas, och hur formar din bakgrund den riktning du vill ta företaget i?

Beslutet att gå med i QBurst var en sammansmältning av möjligheter och potential. Det som lockade mig till QBurst var en kombination av dess inneboende styrkor och en unik marknadsmöjlighet. Qbursts entreprenörskultur och framgång med spetsteknologi för att leverera till krävande kunder både imponerade och fascinerade mig.

Med konvergensen av omvälvande förändringar och skiftande miljöer inom teknologi, branscher och regelverk har ett fokuserat och differentierat företag som QBurst en unik möjlighet att bryta sig loss från mängden och skapa ett nytt teknik- och ingenjörstjänstföretag och en leveransmodell för den AI-drivna framtiden.

Med mer än 25 års erfarenhet av teknikdriven transformation inom flera branscher, hur har din erfarenhet påverkat hur du tänker kring att skala upp en AI-ledd tjänsteplattform idag?

Jag har observerat att den huvudsakliga innovationen och implementeringen av teknik sker efter att hypecykeln har avtagit och verkliga affärsproblem börjar lösas på företagsnivå. Det finns tre specifika punkter jag vill ta upp här när det gäller att skala upp en AI-ledd tjänsteplattform.

1. Att korsa "PoC-stadiet".

Den största utmaningen jag ser idag är att ta sig igenom PoC-stadiet. Skalning kräver en förändring i tankesätt: vi bygger inte bara AI; vi tillhandahåller lösningar i produktionsklass. På QBurst hjälper vi kunder att växa förbi PoC-stadiet genom att fokusera på flexibilitet – att anta nya modeller med större kontextfönster snarare än att vara låsta i gårdagens teknik.

2. Ingen AI utan en stark grund

En lärdom jag har tagit med mig genom varje teknikcykel – från mobilens tidiga dagar 2009 till molnrevolutionen – är att man inte kan automatisera kaos. AI är bara så kraftfull som den data som matar den. QBurst driver tillväxt genom att säkerställa att det "tråkiga men viktiga" arbetet utförs, nämligen digital modernisering och avancerad datateknik.

3. Visionen "Hög AI-Q"

För att leda denna förändring har vi ompositionerat oss till ett företag med "High AI-Q". Detta återspeglar integrationen av Generativ AI och Agentic AI i alla våra kärntjänster, vilket driver AI-nativ företagstransformation. På QBurst är AI inte en additiv funktion utan kärnan i vår strategi och leverans. Den kombinerar anpassade maskininlärningsmodeller med intelligent automatisering för att säkerställa att intelligensen skalas med i takt med att verksamheten växer.

Vi har varit föregångare sedan Androids gryning, och vi använder samma proaktiva DNA för att leda AI-eran. På QBurst är vi inte bara ett teknikfokuserat företag; vi är en resultatfokuserad partner vars tillväxt drivs av kundnöjdhet.

Du har betonat "Hög AI-Q" som ett definierande ramverk för QBurst. Hur bör företagsledare tolka detta koncept, och varför är det en viktig differentieringsfaktor i det nuvarande AI-landskapet?

QBursts resa mot "High AI-Q" är ett medvetet beslut: att köra snabbt på det operativa lagret med AI-driven SDLC och göra djärva drag på det strategiska lagret med Managed Agents. Viktigast av allt förankrar det hela företaget i den långsamma, grundläggande förändringen av kultur, värderingar och mänsklig förmåga.

Även om det finns risker och farhågor kring AI, kan AI skapa överflöd och innovation om den implementeras på ett säkert sätt. Företag kommer att se värde inte bara i termer av produktivitet, utan även tillväxt och transformation.

Ur ett leveransperspektiv ser vi detta utspela sig dagligen genom vårt AI-drivna SDLC-ramverk. Detta är "hur" transformationen går, där vi har integrerat AI i varje utvecklingsstadium, från generering av användarberättelser till självläkande testskript. Resultaten talar för sig själva:

• Tid till marknaden: Betydande minskning av utvecklings- och testcykler.
• Kvalitet: En anmärkningsvärd minskning av defekter efter lansering med 25–35 %.
• Effektivitet: En konsekvent förbättring på 20–30 % av den totala leveransen.

Det strategiska lagret är där vi går bortom att optimera delar till att optimera hela ekosystemet. Detta krävde en omprövning av våra lösningsgrundpelare, vilket ledde till skapandet av Managed Agents, en sammansmältning av Enterprise Agentic AI och Managed Services. För våra kunder innebär detta att AI-agenter hanterar front-end- och back-end-uppgifter, arbetsflöden och drift, vilket driver både effektivitet och kontinuerlig innovation. Vi levererar inte bara tjänster; vi orkestrerar ett sömlöst värdenätverk.

Många företag ackumulerar det ni kallar ”AI-skuld” – betydande utgifter för GenAI-pilotprojekt som inte skalas upp eller genererar värde. Vilka är grundorsakerna till detta problem, och hur kan organisationer bryta sig ur det mönstret?     

Företag ackumulerar ”AI-skuld” när GenAI-investeringar stannar vid pilotprojekt och misslyckas med att skala upp till verkligt affärsvärde. Grundorsaken är det vi kallar retrofitting-fällan – ett försök att bygga GenAI-funktioner på äldre system som aldrig utformades för att stödja AI-baserade arbetsflöden. I dessa miljöer är data, arkitektur och styrning helt enkelt inte redo, så pilotprojekt stannar eller misslyckas under skalning.

Detta förvärras av bristande grundläggande beredskap. Många organisationer rusar till experiment samtidigt som de kringgår viktiga investeringar i datastrategi, datateknik och styrning. Utan moderniserade datafundament och tydliga kontrollramverk förblir GenAI-initiativ isolerade konceptbevis snarare än företagskapacitet.

Att bryta detta mönster kräver en övergång till AI-fokuserad design. Istället för att fråga sig var AI kan läggas till måste organisationer designa system med AI-resultat i åtanke från dag ett genom att anpassa arkitektur, dataflöden och styrning för att stödja intelligent automatisering i stor skala.

I praktiken börjar detta med data engineering. Att bygga robusta, välstyrda datapipelines och modeller i förväg skapar förutsättningar för att GenAI ska skala upp hållbart. När grunden är rätt går AI från experiment till effekt. Således ger AI-skuld vika för långsiktigt värdeskapande.

Den traditionella kontraktsmodellen för tid och material ses alltmer som felaktigt anpassad till verkligheten inom AI-driven effektivitet. Varför håller denna modell på att bli föråldrad, och hur kan metoder som "Managed Agents" eller "Service-as-Software" ge en mer hållbar väg framåt för företags-IT?     

Den traditionella Time & Materials-modellen byggdes för en era av resursbrist, där värde var direkt kopplat till mänsklig ansträngning. I AI-eran gäller inte det antagandet längre. Intelligens och utförande blir allt vanligare, och i takt med att överflödet ökar, skiftar värdet från ansträngning till resultat. AI bryter i grunden mot logiken bakom timdebitering.

Det är därför branschen går mot resultatbaserade modeller. Mätvärden som ärenden som löses utan mänsklig inblandning eller arbetsflöden som slutförs från början till slut av AI ger tydligt, mätbart värde. Dessa modeller behandlar kapacitet som programvara, inte arbetskraft, vilket kan beskrivas som "tjänst-som-programvara".

Metoder som Managed Agents och Service-as-a-Software erbjuder en mer hållbar väg framåt. De flyttar fokus från att betala för ansträngning till att betala för intelligenta resultat, vilket möjliggör förutsägbara kostnader, kontinuerlig förbättring och delad vinst från automatisering. Managed Agents gör det möjligt för mänskliga ingenjörer och AI-agenter att arbeta tillsammans mot affärsmål, medan Service-as-a-Software gör värde mätbart genom resultat snarare än nedlagda timmar.

I en AI-driven värld är de mest samordnade kommersiella modellerna de som belönar resultat, inte ansträngning – vilket skapar en win-win-situation för både företag och tjänsteleverantörer.

Er metod för "High AI-Q" fokuserar på talang, tillämpning och genomslagskraft som de tre kritiska lagren för AI-beredskap. Hur kan IT-chefer bedöma sin mognad över dessa lager innan de skalar upp GenAI-initiativ?

Innan GenAI skalas upp behöver CIO:er en tydlig bild av mognaden över de tre "High AI-Q"-lagren: talang, tillämpning och genomslagskraft, och inte bara teknikstacken.

På talangnivån handlar mognad om beredskap för medarbetare. IT-chefer bör bedöma AI-färdigheter, öppenhet för förändring och huruvida anställda har säker och styrd åtkomst till juridiska masterprogram som möjliggör säker experimentering.

På applikationslagret ligger fokus på grundläggande data- och styrningsprinciper såsom datakvalitet, arkitektur, säkerhet och mognad hos policyer och skyddsräcken för LLM-åtkomst och AI-utvecklingspraxis.

På effektnivån bör IT-chefer utvärdera användningsfall utifrån ansträngning kontra affärsvärde. Att identifiera möjligheter med låg ansträngning och hög effekt möjliggör tidiga vinster och stöder en iterativ metod för att skala upp GenAI.

För organisationer som fortfarande arbetar med äldre arkitekturer, vilka grundläggande moderniseringssteg krävs för att förbereda sig för agentiska arbetsflöden och AI-baserade leveransmodeller?

Här är de tre stegen som kan förbereda organisationer inför övergången till agentbaserade arbetsflöden.

1. Prioritera modernisering av databas: För organisationer som arbetar med äldre arkitekturer är det första steget att modernisera databasen för att möjliggöra metadata, härkomst och datakvalitetsmått för silodata. Detta säkerställer att agenter har den kontextuellt rika, förklarbara data de behöver. Införandet av GenAI-baserade verktyg har gjort denna modernisering snabbare och enklare. Även om det är möjligt att använda GenAI med äldre arkitektur, skulle tokenkravet för att få meningsfulla resultat vara extremt högt.

2. Etablera kunskapslager inom företaget: Organisationer som inte har moderniserat sina system kommer att ha mycket ackumulerad kunskap som inte är dokumenterad. Att bygga kunskapslager för att fånga denna tillfälliga ackumulerade kunskap inom systemet skulle vara den näst högsta prioritetsuppgiften. Detta är det saknade lagret i många organisationers AI-implementeringsresa.

3. Definiera agentgränser och arbetssätt: Det tredje steget är att säkerställa att agenter följer alla bästa praxis och säkerhetsregler som för närvarande följs i organisationen. Styrningsramverk, säkerhetspolicyer och observerbarhetsramverk gör det möjligt för agenter att tänka och agera effektivt inom ramarna och de etablerade arbetssätten för organisationen.

När man förbereder sig för "AI-beredskap", vad krävs utöver verktyg – i form av data, processer, styrning och teamkapacitet?

AI-beredskap går långt utöver att välja rätt verktyg. I praktiken beror AI-implementeringen på en organisations förmåga att fånga upp stamkunskap, såsom oskrivna processer, beslutslogik och viktiga relationer som bara finns i medarbetarnas huvuden. Denna kunskap måste dokumenteras på ett naturligt språk så att AI-system kan resonera med den, inte bara bearbeta data isolerat.

Databeredskap är lika viktigt, men kvalitet ensamt är inte tillräckligt. Det som verkligen avgör framgång är metadata, vilket inkluderar sammanhanget, härstammandet och betydelsen bakom datan. Utan detta producerar även de mest avancerade modellerna ytliga eller opålitliga resultat.

Implementeringen av AI inom företag släpar också efter hos konsument-AI av en anledning: styrning, säkerhet och efterlevnad är icke-förhandlingsbara. Dessa är inte hinder att kringgå, utan krav att bygga efter. Organisationer måste etablera förtroenderamverk som inkluderar skyddsräcken, GenAI-observerbarhet, förklaringsbarhet och arbetsflöden med mänsklig insyn för att säkerställa att AI-resultaten är säkra, repeterbara och korrekta.

Slutligen behöver team utveckla AI-intuition. Beredskap innebär att höja kompetensen hos medarbetarna i AI-kunskap så att de vet hur de effektivt kan ge uppmaningar, validera resultat och granska output snarare än att blint lita på en "svart låda". AI fungerar bäst när människor håller sig uppdaterade.

Tekniktjänstesektorn är full av etablerade aktörer. Vilka anser du vara QBursts starkaste differentiatorer när de konkurrerar om uppdrag inom företagsomvandling?

QBurst skiljer sig ut på en välbesökt marknad för tekniktjänster genom att kombinera djupgående ingenjörsexpertis med flexibiliteten hos ett mycket mindre, innovationslett företag.

Vår konkurrensfördel definieras av fem nyckelpelare:

1. Ingenjörsdjup med ett designtänkande – Vi skriver inte bara kod. Vi löser affärsproblem genom holistiska, användarcentrerade lösningar.

2. Smidighet och ägarskap – Vi är tillräckligt stora för att skala upp men tillräckligt smidiga för att bry oss – vår flexibilitet och anpassning till snabba förändringar är något som våra kunder har vittnat om. Våra team tar ett genuint ansvar för kundernas framgångar. Man skulle kunna se ägarskapet för leveransen sträcka sig upp till ledningsnivå.

3. Kulturell flyt: Oavsett om det gäller LINE-miniappar i Japan eller integrerade prissystem för amerikanska livsmedelskedjor, skräddarsyr vi inte bara tekniken – utan även upplevelsen – för varje marknad.

4. AI-First Vision – Vi integrerar AI i vår leverans, vår verksamhet och våra kundlösningar – inte som ett modeord, utan som en kapacitetsmultiplikator.

5. Innovations- och experimentkultur – Våra ledare är tekniskt kunniga och älskar att lösa kundernas problem med hjälp av den senaste och mest framväxande tekniken. Vi är inte rädda för misslyckanden och har skapat meningsfull inverkan för våra kunder genom att i många fall ha en nystartad strategi.

Vi är inte heller rädda för att förändra oss själva. Vi experimenterar med resultatbaserade modeller, sammansättningsbara leveransramverk och samarbetslabb för innovation för företagskunder.

Om vi ​​blickar tre till fem år framåt, hur förväntar du dig att företagens IT-operativa modeller kommer att utvecklas i takt med ökningen av agentiska arbetsflöden och AI-baserade organisationer, och vad bör ledare förbereda sig för nu?

Nästa innovationsvåg kommer att tillhöra de som kan förena kraftfulla AI-funktioner med genomtänkta system för kontroll, övervakning och förtroende. Det är därför den framväxande diskussionen kring ramverk för företagsagenter känns så viktig – och så brådskande.

Några av de viktigaste insikterna för mig är:

• Byggandet av AI-datacenter accelererar, inte saktar ner; stämningen i datacentervärlden är mycket optimistisk, med kapacitet, efterfrågan och investeringar som skjuter i höjden.
• Implementeringen av AI för företag kommer att vara långsammare än för AI för konsumenter (Organisationsdata är ofta röriga, fragmenterade och distribuerade över många system snarare än rena och centraliserade; dagens modeller är ännu inte tillräckligt exakta för mycket specifika företagssituationer och funktioner utan anpassning till varje organisations unika sammanhang; för att frigöra verkligt värde måste modeller tränas och finjusteras på proprietär företagsdata, särskilt i den "sista milen" av specifika arbetsflöden och användningsfall)
• Innan verkligt autonoma agenter kan blomstra i företaget finns det en större utmaning: att bygga motsvarigheten till de övervakningsstrukturer, godkännanden och skyddsräcken som finns för anställda, vilket gör det möjligt för den mänskliga arbetsstyrkan att utföra tillförlitligt och skala upp.

Ledare bör förbereda sig genom att ha följande i åtanke:

• Agenter bör behandlas som nyanställda, med tydligt definierade omfattningar, tydlig tillsyn och mekanismer för att begränsa misstag medan de "lär sig" organisationens skrivna och oskrivna regler.
• Det finns ett behov av en "agentbuss" eller ett koordineringslager där agenter registrerar sig, får skrivbehörigheter och får sina handlingar övervakade av övervakningsagenter.
• Att återskapa de maktfördelningar som gör mänskliga organisationer robusta kommer att vara avgörande för att uppnå säkert, korrekt och tillförlitligt utförande i en agentbaserad företagsvärld.
• Att hantera mänsklig talang och omskolning är en annan viktig aspekt i takt med att gränssnitten och samarbetena mellan människa och AI förändras med Agentics system och ramverk.
• Den mest spännande gränsen är framväxten av avancerade Enterprise Agentic Frameworks – utöver vad som finns idag – som kan förvandla denna vision till en praktisk, skalbar verklighet, i kombination med stark domänförståelse och lösningar.

Tack för den fina intervjun, läsare som vill veta mer bör besöka QBurst.