อารุน คุมาร์ รามชันดราน์ ซีอีโอของ QBurst – สัมภาษณ์ ซีรีส์

อารุน คุมาร์ รามชันดราน์ ซีอีโอของ QBurst เป็นนักบริหารด้านเทคโนโลยีและบริการที่มีประสบการณ์มากกว่า 25 ปี โดยมีประสบการณ์ในการให้คำปรึกษาทางธุรกิจ การขายสัญญาใหญ่ การบริหารจัดการผลกำไร และการเปลี่ยนแปลงองค์กร เขาได้รับการแต่งตั้งเป็นซีอีโอในเดือนเมษายน 2025 และรับผิดชอบในการนำ QBurst ไปข้างหน้าในธุรกิจต่างๆ ในขณะเดียวกันก็ định hướngกลยุทธ์ของบริษัทให้เป็นบริษัทให้บริการเทคโนโลยีและวิศวกรรมดิจิทัลที่นำโดย AI

QBurst เป็นพันธมิตรด้านวิศวกรรมดิจิทัลระดับโลกที่มีจุดมุ่งหมายเพื่อ “High AI-Q” โดยการรวมการนำส่งที่ได้รับการเพิ่มประสิทธิภาพด้วย AI และแนวทางที่ขับเคลื่อนด้วยข้อมูลเพื่อช่วยให้องค์กรต่างๆ ทันสมัย ​​สร้าง และขยายตัว บริษัทเน้นไปที่การออกแบบประสบการณ์ดิจิทัลแบบ end-to-end การทันสมัย ​​และการออกแบบผลิตภัณฑ์ – โดยสนับสนุนลูกค้าด้วยโครงการต่างๆ เช่น แพลตฟอร์มดิจิทัลที่ประกอบได้ โซลูชันประสบการณ์ลูกค้าและการสนทนา และรากฐานข้อมูลที่พร้อมสำหรับ AI – โดยมีจุดมุ่งหมายเพื่อผลลัพธ์ที่วัดได้ เช่น ประสิทธิภาพที่ดีขึ้น การส่งมอบที่เร็วขึ้น และประสบการณ์ลูกค้าที่ดีขึ้นในฐานลูกค้าระหว่างประเทศที่กว้างขวาง

คุณได้รับตำแหน่งซีอีโอของ QBurst หลังจากมีประสบการณ์เป็นผู้นำใน Hexaware, Capgemini, Infosys และองค์กรระดับโลกอื่นๆ อะไรที่ดึงดูดคุณให้มาอยู่ที่ QBurst ในช่วงเวลานี้ และประสบการณ์ของคุณจะ định hướngบริษัทไปในทิศทางใด

การตัดสินใจเข้าร่วม QBurst เป็นการรวมกันของโอกาสและศักยภาพ สิ่งที่ดึงดูดฉันให้มาอยู่ที่ QBurst คือความเข้มแข็งและโอกาสในตลาดที่ไม่เหมือนใคร วัฒนธรรมผู้ประกอบการและความสำเร็จของ QBurst ในเทคโนโลยีล้ำสมัยในการจัดส่งให้กับลูกค้าที่ต้องการสูง ทำให้ฉันประทับใจและสนใจ

เมื่อมีการเปลี่ยนแปลงที่รุนแรงและการเปลี่ยนแปลงสภาพแวดล้อมในด้านเทคโนโลยี อุตสาหกรรม และกฎระเบียบ องค์กรที่มุ่งเน้นและแตกต่างอย่าง QBurst มีโอกาสที่จะแยกออกจากกลุ่มและสร้างบริษัทให้บริการเทคโนโลยีและวิศวกรรมใหม่สำหรับอนาคตที่ขับเคลื่อนด้วย AI

ด้วยประสบการณ์มากกว่า 25 ปีในการเปลี่ยนแปลงด้านเทคโนโลยีในอุตสาหกรรมต่างๆ ประสบการณ์ของคุณได้ định hướngคุณในการขยายแพลตฟอร์มบริการ AI อย่างไร

ฉันสังเกตเห็นว่าการสร้างสรรค์นวัตกรรมและการนำเทคโนโลยีมาใช้จริงเกิดขึ้นหลังจากที่วงจรการสร้างความตื่นเต้นได้หายไป และปัญหาในธุรกิจจริงเริ่มได้รับการแก้ไขที่ระดับองค์กร มีสามประเด็นที่ฉันอยากจะกล่าวถึงเกี่ยวกับการขยายแพลตฟอร์มบริการ AI

1. การข้ามขั้นตอนการตรวจสอบการทำงาน (PoC)

ความท้าทายที่ใหญ่ที่สุดฉันเห็นในวันนี้คือการข้ามขั้นตอนการตรวจสอบการทำงาน การขยายต้องมีการเปลี่ยนแปลงความคิด: เราไม่เพียงแต่สร้าง AI แต่ยังจัดหาโซลูชันที่พร้อมสำหรับการผลิตด้วย ที่ QBurst เราช่วยให้ลูกค้าเติบโตเกินขั้นตอนการตรวจสอบการทำงานโดยการเน้นไปที่ความคล่องตัว – การนำโมเดลใหม่มาใช้พร้อมหน้าต่างบริบทที่ใหญ่ขึ้น มากกว่าการถูกขัดขวางโดยเทคโนโลยีของเมื่อวาน

2. ไม่มี AI หากไม่มีรากฐานที่เข้มแข็ง

บทเรียนที่ฉันพกมาจากทุกๆ วงจรเทคโนโลยี – ตั้งแต่สมัยแรกของมือถือในปี 2009 ถึงการปฏิวัติของคลาวด์ – คือไม่สามารถทำให้ความสับสนวุ่นวายเป็นอัตโนมัติได้ AI มีพลังเท่ากับข้อมูลที่ให้อาหารมัน QBurst ขับเคลื่อนการเติบโตโดยการรับรองว่างาน “น่าเบื่อแต่จำเป็น” ได้รับการทำ เช่น การทันสมัย ​​ดิจิทัลและการพัฒนาข้อมูลขั้นสูง

3. วิสัยทัศน์ ‘High AI-Q’

เพื่อนำการเปลี่ยนแปลงนี้มาใช้ เราได้ định vịตัวเองใหม่เป็นบริษัท ‘High AI-Q’ ซึ่งสะท้อนถึงการบูรณาการของ Generative AI และ Agentic AI เข้ากับทุกๆ บริการหลักของเรา โดยขับเคลื่อนการเปลี่ยนแปลงองค์กรที่เป็นมิตรกับ AI ที่ QBurst AI ไม่ใช่คุณลักษณะที่เพิ่มเข้ามา แต่เป็นเนื้อผ้าของกลยุทธ์และการนำส่งของเรา โดยผสมผสานโมเดลการเรียนรู้ของเครื่องแบบกำหนดเองกับการทำงานอัตโนมัติที่ชาญฉลาดเพื่อให้แน่ใจว่าเมื่อธุรกิจเติบโต ความฉลาดของมันก็จะขยายตัวไปพร้อมกัน

เริ่มต้นตั้งแต่สมัย Android เราใช้ DNA ที่มีพลังเดียวกันนี้ในการนำสู่ยุค AI เราที่ QBurst ไม่ใช่เพียงบริษัทที่มีเทคโนโลยีเป็นหลัก แต่เป็นพันธมิตรที่ให้ความสำคัญกับผลลัพธ์ ซึ่งการเติบโตของเราขับเคลื่อนโดยความพึงพอใจของลูกค้า

คุณเน้นย้ำถึง ‘High AI-Q’ เป็นกรอบการทำงานที่กำหนด QBurst อย่างไร ผู้นำองค์กรควรตีความแนวคิดนี้อย่างไร และทำไมจึงเป็นตัวแยกแยะที่สำคัญในภูมิทัศน์ AI ปัจจุบัน

การเดินทางของ QBurst สู่ ‘High AI-Q’ เป็นตัวเลือกที่ตั้งใจ: วิ่งเร็วในระดับการดำเนินงานด้วย SDLC ที่ขับเคลื่อนโดย AI และทำการเคลื่อนไหวที่กล้าได้กล้าเสียในระดับกลยุทธ์ด้วย Managed Agents สิ่งสำคัญที่สุดคือการยึดองค์กรทั้งหมดไว้ในระดับการเปลี่ยนแปลงเชิงรากฐานของวัฒนธรรม ค่านิยม และความสามารถของมนุษย์

แม้ว่าจะมีความเสี่ยงและความกังวลเกี่ยวกับ AI แต่ถ้าใช้อย่างปลอดภัย AI สามารถสร้างความอุดมสมบูรณ์และนวัตกรรมได้ องค์กรจะเห็นคุณค่าไม่เพียงแต่ในแง่ของผลผลิต แต่ยังรวมถึงการเติบโตและการเปลี่ยนแปลงด้วย

จากมุมมองการนำส่ง เราเห็นเรื่องนี้เกิดขึ้นทุกวันผ่านเฟรมเวิร์ก SDLC ที่ขับเคลื่อนโดย AI ของเรา นี่คือ “วิธี” ของการเปลี่ยนแปลง โดยที่เราได้ฝัง AI ลงในทุกขั้นตอนของการพัฒนา ตั้งแต่การสร้างเรื่องราวของผู้ใช้ไปจนถึงสคริปต์ทดสอบที่สามารถฟื้นตัวได้เอง ผลลัพธ์แสดงให้เห็นเอง:

• เวลาในการเข้าตลาด: การลดลงอย่างมีนัยสำคัญในรอบการพัฒนาและการทดสอบ
• คุณภาพ: การลดลงอย่างน่าประทับใจ 25-35% ในข้อบกพร่องหลังการเปิดตัว
• ประสิทธิภาพ: การปรับปรุงที่สม่ำเสมอ 20-30% ในการนำส่งโดยรวม

ระดับกลยุทธ์คือที่ที่เราย้ายออกไปนอกเหนือจากการเพิ่มประสิทธิภาพส่วนต่างๆ เพื่อเพิ่มประสิทธิภาพทั้งระบบนิเวศน์ สิ่งนี้ต้องการการคิดใหม่เกี่ยวกับเสาแนวทางแก้ปัญหาของเรา ซึ่งนำไปสู่การสร้าง Managed Agents ซึ่งเป็นการผสมผสานระหว่าง Enterprise Agentic AI และ Managed Services สำหรับลูกค้าของเรา สิ่งนี้หมายถึงตัวแทน AI จัดการงานหน้าและหลัง ทasks, วิธีการทำงาน และการดำเนินงาน โดยขับเคลื่อนทั้งประสิทธิภาพและนวัตกรรมอย่างต่อเนื่อง เราไม่ได้เพียงแต่จัดส่งบริการเท่านั้น แต่ยังจัดระเบียบเครือข่ายคุณค่าที่ไม่มีรอยต่อ

หลายองค์กรสะสม “หนี้ AI” – การใช้จ่ายที่มีนัยสำคัญใน GenAI ที่ไม่สามารถขยายหรือสร้างคุณค่าได้ อะไรคือสาเหตุของปัญหานี้ และองค์กรสามารถหลุดพ้นจากลักษณะการทำงานนี้ได้อย่างไร

องค์กรสะสม “หนี้ AI” เมื่อการลงทุน GenAI หยุดอยู่ที่การบินและไม่สามารถขยายไปสู่คุณค่าทางธุรกิจที่แท้จริง สาเหตุหลักคือสิ่งที่เรียกว่า “การหลอกลวงการปรับเปลี่ยน” – การพยายามยึด GenAI เข้ากับระบบที่มีอยู่ซึ่งไม่ได้ออกแบบมาเพื่อสนับสนุนการทำงาน AI ที่เป็นมิตร ในสภาพแวดล้อมเหล่านี้ ข้อมูล สถาปัตยกรรม และการกำกับดูแลไม่พร้อม ดังนั้นการบินจึงหยุดชะงักหรือพังทลายเมื่อขยายขนาด

สิ่งนี้ยังถูกขยายโดยการขาดความพร้อมด้านรากฐาน องค์กรหลายแห่งรีบไปสู่การลองใช้โดยไม่ลงทุนในกลยุทธ์ข้อมูล การพัฒนาข้อมูล และการกำกับดูแลที่จำเป็น โดยไม่มีรากฐานข้อมูลที่ทันสมัย ​​และกรอบการควบคุมที่ชัดเจน การเริ่มต้น GenAI จะยังคงเป็นการพิสูจน์แนวคิดที่แยกออกจากความสามารถขององค์กร

การหยุดชะงักของลักษณะการทำงานนี้ต้องการการเปลี่ยนแปลงไปสู่การออกแบบ AI เป็นอันดับแรก แทนที่จะถามว่าสามารถเพิ่ม AI ได้ที่ไหน องค์กรต้องออกแบบระบบโดยมีผลลัพธ์ AI ในใจตั้งแต่วันแรก โดยจัดแนวสถาปัตยกรรม การไหลของข้อมูล และการกำกับดูแลเพื่อสนับสนุนการทำงานอัตโนมัติที่มีประสิทธิภาพในระดับใหญ่

ในทางปฏิบัติ สิ่งนี้เริ่มต้นด้วยการวิศวกรรมข้อมูล การสร้างท่อข้อมูลและแบบจำลองที่มีการกำกับดูแลที่ดีในตอนต้นจะสร้างเงื่อนไขสำหรับ GenAI ที่จะขยายตัวได้อย่างยั่งยืน เมื่อรากฐานถูกต้อง AI จะเปลี่ยนจากการทดลองไปสู่ผลกระทบ ดังนั้น “หนี้ AI” จึงให้ทางไปสู่การสร้างคุณค่าในระยะยาว

แบบจำลองสัญญา Time & Materials ที่มีการใช้กันอย่างแพร่หลายกำลังถูกมองว่าเป็นแบบจำลองที่ไม่สอดคล้องกับความเป็นจริงของประสิทธิภาพที่ขับเคลื่อนโดย AI ทำไมแบบจำลองนี้จึงล้าสมัย และวิธีการที่คล้ายกับ “Managed Agents” หรือ “Service-as-Software” อาจให้เส้นทางที่ยั่งยืนมากขึ้นสำหรับ IT ขององค์กร

แบบจำลอง Time & Materials ที่มีการใช้กันอย่างแพร่หลายถูกสร้างขึ้นสำหรับยุคที่ทรัพยากรมีจำกัด โดยที่คุณค่าเชื่อมโยงกับการทำงานของมนุษย์ ในยุค AI ความสมมุตินี้ไม่ได้ใช้การแล้ว ความฉลาดและความสามารถในการทำงานกำลังจะกลายเป็นสิ่งที่มีอยู่มากมาย และเมื่อความอุดมสมบูรณ์เพิ่มขึ้น คุณค่าจะเปลี่ยนจากความพยายามไปสู่ผลลัพธ์ AI ทำให้ตรรกะของการเรียกเก็บเงินตามชั่วโมงพังทลาย

ดังนั้น อุตสาหกรรมจึงกำลังเคลื่อนไปสู่แบบจำลองที่ขึ้นอยู่กับผลลัพธ์ เมตริกเช่นตั๋วที่แก้ไขโดยไม่ต้องมีการแทรกแซงจากมนุษย์หรือการทำงานที่เสร็จสิ้นโดย AI ให้คุณค่าที่วัดได้และชัดเจน แบบจำลองเหล่านี้รักษาความสามารถเป็นซอฟต์แวร์ ไม่ใช่แรงงาน ซึ่งสามารถอธิบายได้ว่าเป็น “บริการเป็นซอฟต์แวร์”

แนวทางเช่น Managed Agents และ Service-as-a-Software ให้เส้นทางที่ยั่งยืนมากขึ้นสำหรับองค์กร พวกเขาย้ายโฟกัสจากการจ่ายสำหรับการพยายามไปสู่การจ่ายสำหรับผลลัพธ์ที่ฉลาด ทำให้สามารถคาดการณ์ต้นทุนได้ การปรับปรุงที่ต่อเนื่อง และผลประโยชน์ที่แบ่งปันจากอัตโนมัติ Managed Agents ช่วยให้วิศวกรและตัวแทน AI ทำงานร่วมกันเพื่อบรรลุเป้าหมายทางธุรกิจ ในขณะที่ Service-as-a-Software ทำให้คุณค่าสามารถวัดได้จากผลลัพธ์ ไม่ใช่ชั่วโมงทำงาน

ในโลกที่ขับเคลื่อนด้วย AI โมเดลการค้าที่สอดคล้องกันที่สุดคือโมเดลที่ให้รางวัลผลลัพธ์ ไม่ใช่ความพยายาม – ทำให้เกิดการชนะสำหรับทั้งองค์กรและผู้ให้บริการ

วิธีการ ‘High AI-Q’ ของคุณเน้นไปที่ทักษะ ความสามารถในการใช้งาน และผลกระทบเป็นสามชั้นที่สำคัญสำหรับการเตรียมพร้อมของ AI คุณสามารถให้คำแนะนำแก่ CIO ว่าจะประเมินความเป็นมืออาชีพของตนเองในสามชั้นนี้ได้อย่างไรก่อนที่จะขยาย GenAI

ก่อนที่จะขยาย GenAI CIO ต้องมีมุมมองที่ชัดเจนเกี่ยวกับความเป็นมืออาชีพของตนเองในสามชั้น ‘High AI-Q’ ของทักษะ ความสามารถในการใช้งาน และผลกระทบ

ที่ชั้นทักษะ ความเป็นมืออาชีพคือเรื่องของความพร้อมของคน CIO ควรประเมินทักษะ AI ความเปิดใจต่อการเปลี่ยนแปลง และการเข้าถึง LLM ที่ปลอดภัยและควบคุมสำหรับพนักงานเพื่อให้สามารถทดลองได้อย่างปลอดภัย

ที่ชั้นความสามารถในการใช้งาน จุดเน้นคือพื้นฐานด้านข้อมูลและการกำกับดูแล เช่น คุณภาพข้อมูล สถาปัตยกรรม ความปลอดภัย และความเป็นมืออาชีพของนโยบายและราวกั้นในการเข้าถึง LLM และการปฏิบัติงาน AI

ที่ชั้นผลกระทบ CIO ควรประเมินกรณีการใช้งานตามความพยายามเทียบกับคุณค่าทางธุรกิจ เพื่อระบุโอกาสที่ต้องใช้ความพยายามน้อยแต่มีคุณค่าสูง ซึ่งช่วยให้ได้รับชัยชนะในตอนต้นและสนับสนุนการขยาย GenAI อย่างต่อเนื่อง

สำหรับองค์กรที่ยังคงใช้โครงสร้างพื้นฐานแบบดั้งเดิม ก้าวแรกในการเตรียมพร้อมสำหรับกระบวนการทำงานแบบ Agentic และโมเดลการนำส่ง AI คืออะไร

มีสามขั้นตอนที่สามารถเตรียมองค์กรให้พร้อมสำหรับกระบวนการทำงานแบบ Agentic

1. จัดลำดับความสำคัญของการปรับปรุงรากฐานข้อมูล: สำหรับองค์กรที่ใช้โครงสร้างพื้นฐานแบบดั้งเดิม ขั้นตอนแรกคือการปรับปรุงรากฐานข้อมูลเพื่อเปิดใช้งานเมตาดาต้า ไลน์เลจ และเมตริกคุณภาพข้อมูลสำหรับข้อมูลที่แยกออกจากกัน ซึ่งจะทำให้ตัวแทนได้รับข้อมูลที่มีบริบทที่มีคุณภาพและอธิบายได้ การแนะนำเครื่องมือ GenAI ได้ทำให้การปรับปรุงนี้เร็วและตรงไปตรงมา

2. สร้างชั้นความรู้ขององค์กร: องค์กรที่ยังไม่ได้ปรับปรุงระบบของตนจะมีความรู้ที่สะสมอยู่มากซึ่งไม่ได้รับการบันทึก การสร้างชั้นความรู้เพื่อจับความรู้ที่ไม่คงที่นี้ภายในระบบจะเป็นงานที่มีความสำคัญสูงอันดับสอง

3. กำหนดขอบเขตและวิธีการทำงานของตัวแทน: ขั้นตอนที่สามคือการรับรองว่าตัวแทนปฏิบัติตามแนวปฏิบัติที่ดีที่สุดและมาตรการรักษาความปลอดภัยที่ใช้กันในปัจจุบันในองค์กร การกำกับดูแล เฟรมเวิร์กความปลอดภัย และเฟรมเวิร์กการตรวจสอบทำให้ตัวแทนสามารถคิดและดำเนินการภายในขอบเขตและวิธีการทำงานที่กำหนดไว้ขององค์กร

เมื่อเตรียมพร้อมสำหรับการ “พร้อม AI” สิ่งที่ต้องการนอกเหนือจากเครื่องมือ – ในแง่ของข้อมูล กระบวนการ การกำกับดูแล และความสามารถของทีม

การเตรียมพร้อม AI ไปไกลกว่าการเลือกเครื่องมือที่ถูกต้อง ในทางปฏิบัติ การนำ AI มาใช้จะสำเร็จหรือล้มเหลวในความสามารถขององค์กรในการจับความรู้ที่ไม่ได้เขียนไว้ เช่น กระบวนการที่ไม่ได้เขียนไว้ ตรรกะการตัดสินใจ และความสัมพันธ์ที่สำคัญที่มีเฉพาะในหัวของพนักงานเท่านั้น ความรู้นี้ต้องถูกบันทึกไว้ในภาษาธรรมชาติที่ระบบ AI สามารถให้เหตุผลได้ ไม่ใช่แค่ประมวลผลข้อมูลเพียงอย่างเดียว

ความพร้อมของข้อมูลก็มีความสำคัญเช่นกัน แต่คุณภาพเพียงอย่างเดียวไม่เพียงพอ สิ่งที่กำหนดความสำเร็จคือเมตาดาต้า ซึ่งรวมถึงบริบท ไลน์เลจ และความหมายของข้อมูล โดยไม่มีสิ่งเหล่านี้ แม้แต่โมเดลที่ทันสมัยที่สุดก็จะผลิตผลลัพธ์ที่ตื้นหรือไม่น่าเชื่อถือ

การนำ AI มาใช้ในองค์กรจะช้ากว่าการนำ AI มาใช้ในภาคผู้บริโภค (ข้อมูลขององค์กรมักจะสับสนวุ่นวาย แยกออกจากกัน และกระจายอยู่ในระบบต่างๆ มากกว่าข้อมูลที่สะอาดและรวมศูนย์; โมเดลในปัจจุบันยังไม่แม่นยำพอที่จะใช้ได้กับสถานการณ์และฟังก์ชันเฉพาะของบริษัทโดยไม่ต้องปรับให้เหมาะสม) การนำ AI มาใช้ในองค์กรล้าหลังการนำ AI มาใช้ในภาคผู้บริโภคเนื่องจากการกำกับดูแล ความปลอดภัย และการปฏิบัติตามกฎระเบียบไม่สามารถหลีกเลี่ยงได้ สิ่งเหล่านี้ไม่ใช่อุปสรรคที่ต้องหลีกเลี่ยง แต่เป็นข้อกำหนดที่ต้องสร้างขึ้น

สุดท้าย ทีมต้องพัฒนาความเข้าใจ AI ความพร้อมหมายถึงการเพิ่มทักษะให้กับพนักงานในด้านการอ่าน AI เพื่อให้พวกเขารู้วิธีการกระตุ้นอย่างมีประสิทธิภาพ วิธีการตรวจสอบผลลัพธ์ และวิธีการตรวจสอบผลลัพธ์ มากกว่าการเชื่อถือ “กล่องดำ” AI โดยไม่มีการตรวจสอบ AI ทำงานได้ดีที่สุดเมื่อมนุษย์ยังคงอยู่ในวงจร

ในภาคบริการเทคโนโลยีที่มีผู้เล่นที่มีอยู่มาก QBurst มีจุดเด่นที่แข็งแกร่งที่สุดอะไรเมื่อแข่งขันเพื่อชิงสัญญาการเปลี่ยนแปลงองค์กร

QBurst มีจุดเด่นในตลาดบริการเทคโนโลยีที่มีผู้เล่นที่มีอยู่มากโดยการผสมผสานความเชี่ยวชาญด้านวิศวกรรมที่ลึกซึ้งกับความคล่องตัวของบริษัทที่มีขนาดเล็กและขับเคลื่อนด้วยนวัตกรรม

ขอบเขตการแข่งขันของเราถูกกำหนดโดยห้าเสา:

1. ความลึกด้านวิศวกรรมพร้อมกับวัฒนธรรมการคิดดีไซน์ – เราไม่เพียงแต่เขียนโค้ดเท่านั้น แต่ยังแก้ปัญหาธุรกิจผ่านโซลูชันที่ครอบคลุมและเป็นมิตรกับผู้ใช้

2. ความคล่องตัวและความเป็นเจ้าของ – เรามีขนาดใหญ่พอที่จะขยายตัว แต่เล็กพอที่จะดูแล – ความยืดหยุ่นและความสามารถในการปรับตัวของเราต่อการเปลี่ยนแปลงอย่างรวดเร็วเป็นสิ่งที่ลูกค้าของเราชื่นชม ทีมของเรารับผิดชอบต่อความสำเร็จของลูกค้าอย่างแท้จริง

3. ความเข้าใจวัฒนธรรม: ไม่ว่าจะเป็นแอปพลิเคชัน mini-apps บน LINE ในญี่ปุ่นหรือระบบการกำหนดราคาที่รวมไว้สำหรับร้านขายของชำในอเมริกา เราปรับไม่เพียงแต่เทคโนโลยีเท่านั้น แต่ยังประสบการณ์ให้เหมาะกับตลาดของเรา

4. วิสัยทัศน์ AI เป็นอันดับแรก – เราไม่ได้เพียงแต่ฝัง AI ลงในการนำส่งของเราเท่านั้น แต่ยังรวมถึงการดำเนินงานและการแก้ปัญหาของลูกค้าด้วย – ไม่ใช่แค่คำพูดโฆษณา แต่เป็นตัวคูณความสามารถ

5. วัฒนธรรมของนวัตกรรมและทดลอง – ผู้นำของเรารู้ด้านเทคและรักในการแก้ปัญหาให้กับลูกค้าโดยใช้เทคที่ทันสมัยและเกิดขึ้นใหม่ เราไม่กลัวความล้มเหลว และได้สร้างผลกระทบที่มีความหมายให้กับลูกค้าของเราโดยการนำแนวทางสตาร์ทอัพมาใช้ในหลายกรณี

เราก็ไม่กลัวที่จะท้าทายตัวเอง เรากำลังทดลองกับโมเดลที่ขึ้นอยู่กับผลลัพธ์ เฟรมเวิร์กการนำส่งที่ประกอบได้ และห้องปฏิบัติการนวัตกรรมร่วมกันสำหรับลูกค้าองค์กร

เมื่อมองไปข้างหน้าสามถึงห้าปี คุณคาดหวังว่าโมเดลการดำเนินงาน IT ขององค์กรจะพัฒนาไปอย่างไรพร้อมกับการเกิดขึ้นของกระบวนการทำงานแบบ Agentic และองค์กรที่เป็นมิตรกับ AI และอะไรที่ผู้นำควรเตรียมพร้อมในขณะนี้

การสร้างสรรค์นวัตกรรมในอนาคตจะเป็นของบุคคลที่สามารถผสมผสานความสามารถ AI ที่ทรงพลังเข้ากับระบบควบคุม การกำกับดูแล และความไว้วางใจได้ ดังนั้นการอภิปรายเกี่ยวกับเฟรมเวิร์ก Agentic ขององค์กรจึงรู้สึกสำคัญและเร่งด่วน

บางข้อสังเกตที่สำคัญสำหรับฉันคือ:

• การก่อสร้างศูนย์ข้อมูล AI กำลังเร่งตัวขึ้น ไม่ใช่ชะลอตัว; ความคิดเห็นในโลกศูนย์ข้อมูลมีความหวังมาก โดยมีความต้องการ ความสามารถในการให้บริการ และการลงทุนที่พุ่งสูงขึ้น
• การนำ AI มาใช้ในองค์กรจะช้ากว่าการนำ AI มาใช้ในภาคผู้บริโภค (ข้อมูลขององค์กรมักจะสับสนวุ่นวาย แยกออกจากกัน และกระจายอยู่ในระบบต่างๆ มากกว่าข้อมูลที่สะอาดและรวมศูนย์; โมเดลในปัจจุบันยังไม่แม่นยำพอที่จะใช้ได้กับสถานการณ์และฟังก์ชันเฉพาะของบริษัทโดยไม่ต้องปรับให้เหมาะสม)
• ก่อนที่ตัวแทนอัตโนมัติจะสามารถเติบโตได้ในองค์กร จะต้องมีการสร้างโครงสร้างกำกับดูแล การอนุมัติ และราวกั้น ซึ่งคล้ายกับที่มีอยู่สำหรับพนักงานเพื่อให้สามารถทำงานได้อย่างน่าเชื่อถือและขยายตัว

ผู้นำควรเตรียมพร้อมโดยพิจารณาจาก:

• ตัวแทนควรได้รับการปฏิบัติเหมือนพนักงานใหม่ โดยมีขอบเขตที่กำหนดไว้อย่างชัดเจน การกำกับดูแลที่ชัดเจน และกลไกในการจำกัดข้อผิดพลาดในขณะที่ “เรียนรู้” กฎที่เขียนและไม่ได้เขียนไว้ขององค์กร
• จำเป็นต้องมี “บัสตัวแทน” หรือชั้นประสานงานที่ตัวแทนลงทะเบียน รับอนุญาตในการเขียน และมีการกระทำที่ได้รับการตรวจสอบโดยตัวแทนกำกับดูแล
• การสร้างระบบตรวจสอบและสมดุลที่ทำให้องค์กรของมนุษย์แข็งแกร่งจะถูกต้องในการบรรลุการดำเนินการที่ปลอดภัย ถูกต้อง และเชื่อถือได้ในโลกขององค์กร Agentic
• การจัดการทีมและทักษะของมนุษย์เป็นอีกด้านที่สำคัญเมื่อการทำงานร่วมกันระหว่างมนุษย์และ AI เปลี่ยนแปลงไปพร้อมกับระบบและเฟรมเวิร์ก Agentic
• สิ่งที่น่าตื่นเต้นที่สุดคือการเกิดขึ้นของเฟรมเวิร์ก Agentic ขององค์กรที่ล้ำสมัย – มากกว่าที่มีอยู่ในปัจจุบัน – ซึ่งสามารถเปลี่ยนความฝันนี้ให้เป็นความเป็นจริงที่ใช้งานได้และขยายตัวได้ เมื่อรวมกับความเข้าใจด้านโดเมนและโซลูชันที่แข็งแกร่ง

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ QBurst