面试
QBurst首席执行官Arun Kumar Ramchandran——访谈系列
阿伦·库马尔·拉姆钱德兰QBurst首席执行官是一位资深的科技和服务行业高管，拥有超过25年的领导经验，涵盖全球咨询、大型交易销售、损益管理和企业转型等领域。他于2025年4月就任首席执行官，负责领导QBurst的各项业务，并制定其作为一家人工智能驱动的技术服务和数字工程公司的战略。加入QBurst之前，他曾在Hexaware Technologies（包括总裁和GenAI咨询领导）、Capgemini/Sogeti（客户和销售高管）、Infosys和Virtusa担任高级职务，负责构建和扩展业务部门、领导重大战略项目，并推动跨地域和跨行业的业务增长。
Q突发 是一家全球数字工程合作伙伴，以“高AI-Q”为核心定位，将AI赋能交付与应用AI和数据驱动方法相结合，帮助企业实现现代化、构建和扩展。公司专注于端到端的数字体验工程、现代化和产品工程，通过可组合数字平台、对话式和客户体验解决方案以及AI就绪的数据基础等举措，为客户提供支持，旨在为广泛的国际客户群体带来可衡量的成果，例如提高生产力、加快交付速度和增强客户体验。
您在Hexaware、Capgemini、Infosys和其他全球性企业拥有丰富的领导经验后，出任QBurst的首席执行官。是什么吸引您在QBurst发展的这个阶段加入？您的过往经历又将如何影响您希望带领公司走向的发展方向？
加入 QBurst 的决定是机遇与潜力的完美结合。QBurst 吸引我的是其内在优势和独特的市场机遇。QBurst 的创业文化以及运用尖端技术为要求苛刻的客户提供优质服务的成功经验，都给我留下了深刻的印象，也让我非常感兴趣。
随着技术、行业和监管领域颠覆性变革和不断变化的环境的融合，像 QBurst 这样专注且具有差异化的公司迎来了千载难逢的机会，可以脱颖而出，为人工智能驱动的未来打造一家全新的技术和工程服务公司及交付模式。
您在多个行业的技术驱动转型方面拥有超过 25 年的经验，这些经验是如何影响您今天思考如何扩展人工智能主导的服务平台的？
我观察到，技术的创新和应用主要发生在炒作周期冷却之后，企业层面开始解决实际业务问题之时。关于如何扩展人工智能驱动的服务平台，我想在此提出三点具体建议。
1. 跨越“PoC阶段”。
我认为目前最大的挑战在于如何跨越概念验证（PoC）阶段。规模化需要思维方式的转变：我们不仅要构建人工智能，还要提供生产级解决方案。在 QBurst，我们专注于敏捷性，帮助客户超越概念验证阶段——采用具有更大上下文窗口的新模型，而不是固守过时的技术。
2. 没有坚实的基础，就没有人工智能
从2009年移动互联网的萌芽到云计算革命，我在每个技术周期中都始终秉持着一个原则：你无法自动化混乱。人工智能的强大程度取决于其所依赖的数据。QBurst 致力于确保那些“枯燥但至关重要”的工作得以完成，从而推动增长，这些工作包括数字化现代化和高级数据工程。
3. “高AI-Q”视觉
为了引领这一变革，我们已将自身重新定位为一家“高AI智商”公司。这体现了我们将生成式AI和智能体AI融入所有核心服务，从而推动企业实现AI原生转型。在QBurst，AI并非附加功能，而是我们战略和交付的核心架构。它将定制化的机器学习模型与智能自动化相结合，确保随着业务的增长，其智能能力也能随之扩展。
自安卓系统诞生之初，我们就一直是行业的先行者，如今，我们秉持着同样的积极进取精神，引领人工智能时代。在QBurst，我们不仅是一家技术至上的公司，更是一家以结果为导向的合作伙伴，客户满意度是我们发展的驱动力。
您强调“高AI-Q”是QBurst的核心框架。企业领导者应该如何理解这个概念？为什么它在当前的AI领域是一个重要的差异化因素？
QBurst 的“高 AI-Q”转型之路是一项深思熟虑的决策：在运营层面借助 AI 驱动的软件开发生命周期 (SDLC) 快速推进，并在战略层面利用托管代理进行大胆创新。更重要的是，它将整个企业置于文化、价值观和人才能力缓慢而根本性的变革之中。
尽管人工智能存在风险和隐患，但如果安全实施，它就能创造丰硕成果和推动创新。企业不仅能从生产力提升中获益，还能从中获得增长和转型。
从交付角度来看，我们每天都能通过人工智能驱动的软件开发生命周期框架看到这一点。这就是转型的“方法”，我们将人工智能嵌入到开发的每个阶段，从用户故事生成到自愈式测试脚本。结果不言而喻：
- 上市时间：大幅缩短开发和测试周期。
- 质量：上市后缺陷显著减少了 25-35%。
- 效率：整体交付量持续提高 20-30%。
战略层面意味着我们不再局限于优化局部，而是着眼于优化整个生态系统。这需要我们重新思考解决方案的核心支柱，最终催生了托管代理的诞生——它是企业级智能代理人工智能与托管服务的融合。对于我们的客户而言，这意味着人工智能代理能够处理前端和后端任务、工作流程和运营，从而提升效率并推动持续创新。我们不仅提供服务，更致力于构建一个无缝衔接的价值网络。
许多企业正在积累所谓的“人工智能债务”——在无法规模化或产生价值的世代人工智能试点项目上投入巨资。造成这一问题的根本原因是什么？企业又该如何摆脱这种困境？
当企业对人工智能（GenAI）的投资止步于试点阶段，而无法扩展并转化为真正的商业价值时，就会积累“人工智能债务”。其根本原因在于我们所说的“改造陷阱”——试图将人工智能功能生硬地附加到原本并非为支持人工智能原生工作流程而设计的遗留系统上。在这些环境中，数据、架构和治理都尚未就绪，因此试点项目会在规模化过程中停滞不前或彻底失败。
基础建设的不足加剧了这一问题。许多组织急于进行实验，却忽略了对数据战略、数据工程和治理等方面的必要投资。如果没有现代化的数据基础和清晰的控制框架，GenAI 项目就只能停留在孤立的概念验证阶段，而无法真正成为企业级能力。
打破这种模式需要转向以人工智能为先的设计理念。企业不应再考虑在哪里添加人工智能，而应从一开始就以人工智能的成果为导向来设计系统，通过调整架构、数据流和治理结构，支持大规模智能自动化。
实际上，这一切都始于数据工程。预先构建稳健、管理完善的数据管道和模型，为GenAI的可持续扩展创造了条件。基础稳固后，人工智能就能从实验阶段走向实际应用。如此一来，人工智能债务便能转化为长期价值创造。
传统的按工时计费合同模式越来越被认为与人工智能驱动的效率提升现实不符。为什么这种模式会过时？“托管代理”或“服务即软件”等方法又如何能为企业IT提供更可持续的发展路径？
传统的工时与材料计费模式是为资源匮乏的时代而设计的，在那个时代，价值与人力直接挂钩。但在人工智能时代，这种假设不再成立。智能和执行力日趋丰富，随着资源的日益丰富，价值的衡量标准也从付出转向了结果。人工智能从根本上打破了按小时计费的逻辑。
这就是为什么行业正在向基于结果的模式转型。诸如无需人工干预即可解决的工单数量或由人工智能端到端完成的工作流程等指标，能够提供清晰、可衡量的价值。这些模式将能力视为软件而非劳动力，这可以被描述为“服务即软件”。
托管代理和软件即服务等方法提供了一条更可持续的发展路径。它们将重点从按工作量付费转移到按智能结果付费，从而实现成本可预测、持续改进以及自动化带来的共享收益。托管代理使人类工程师和人工智能代理能够协同工作，共同实现业务目标；而软件即服务则通过结果而非工时来衡量价值。
在人工智能驱动的世界里，最合适的商业模式是奖励结果而不是努力——这样就能为企业和服务提供商创造双赢局面。
您的“高AI智商”方法论将人才、应用和影响视为人工智能准备的三大关键层面。首席信息官们如何在扩展GenAI计划之前评估自身在这些层面的成熟度？
在扩大 GenAI 规模之前，首席信息官们需要清楚地了解“高 AI-Q”三个层面（人才、应用和影响）的成熟度，而不仅仅是技术堆栈。
在人才层面，成熟度取决于员工的准备情况。首席信息官应评估员工的人工智能技能、对变革的开放程度，以及他们是否拥有安全、受控的LLM访问权限，从而能够安全地进行实验。
在应用层，重点在于数据和治理基础，例如数据质量、架构、安全性以及 LLM 访问和 AI 开发实践中的策略和防护措施的成熟度。
在影响层面，首席信息官应根据投入与业务价值来评估用例。识别投入少、影响大的机会有助于尽早取得成功，并支持以迭代方式扩展 GenAI。
对于仍在沿用传统架构的组织而言，需要采取哪些基础性现代化步骤才能为智能体工作流和 AI 原生交付模式做好准备？
以下三个步骤可以帮助组织做好向智能工作流程过渡的准备。
-
优先进行数据基础架构现代化：对于使用传统架构的组织而言，第一步是实现数据基础架构的现代化，从而为孤立数据启用元数据、数据沿袭和数据质量指标。这确保代理能够获得所需的、具有丰富上下文信息且可解释的数据。基于 GenAI 的工具的引入，使得这一现代化过程更加快捷简便。虽然在传统架构中使用 GenAI 是可行的，但要获得有意义的结果，所需的令牌数量将非常高。
-
构建企业知识层：尚未实现系统现代化的组织会积累大量未被记录的知识。构建知识层以捕获系统中这些瞬息万变的累积知识，是第二项高优先级任务。这正是许多组织在人工智能应用过程中缺失的一环。
-
明确代理人的权限范围和工作方式：第三步是确保代理人遵守组织当前遵循的所有最佳实践和安全规范。治理框架、安全策略和可观测性框架使代理人能够在组织既定的权限范围和工作方式内高效思考和行动。
在为“人工智能就绪”做准备时，除了工具之外，在数据、流程、治理和团队能力方面还需要什么？
人工智能准备远不止选择合适的工具那么简单。实际上，人工智能应用的成败取决于组织能否获取内部知识，例如员工头脑中存在的非正式流程、决策逻辑和关键关系。这些知识必须以人工智能系统能够理解的自然语言记录下来，而不仅仅是孤立地处理数据。
数据准备固然至关重要，但仅靠数据质量是不够的。真正决定成败的是元数据，它包含了数据的上下文、沿袭和意义。缺少元数据，即使是最先进的模型也只能得出肤浅或不可靠的结果。
企业级人工智能的普及落后于消费级人工智能的原因在于：治理、安全和合规性是不可妥协的。这些并非可以绕过的障碍，而是必须满足的要求。企业必须建立信任框架，其中包括安全防护措施、GenAI 可观测性、可解释性以及人机协作工作流程，以确保人工智能输出的安全、可重复和准确。
最后，团队需要培养对人工智能的直觉。做好准备意味着提升员工的人工智能素养，让他们知道如何有效地提出问题、验证结果并审核输出，而不是盲目地信任一个“黑箱”。人工智能只有在人类始终参与其中时才能发挥最佳效果。
技术服务行业充斥着众多传统企业。在竞争企业转型项目时，您认为QBurst最大的差异化优势是什么？
QBurst 在竞争激烈的技术服务市场中脱颖而出，它将深厚的工程专业知识与规模小得多、以创新为主导的公司的敏捷性相结合。
我们的竞争优势由五大支柱构成：
-
以设计思维为基础的深厚工程技术——我们不仅仅是编写代码，我们通过以用户为中心的整体解决方案来解决业务问题。
-
敏捷性和责任感——我们规模足够大，可以实现规模扩张，但又足够精简，能够关注客户需求——我们灵活应变、快速适应变化的能力已得到客户的认可。我们的团队真正以客户的成功为己任。您会看到，这种交付责任感一直延伸到高层领导。
-
文化适应性：无论是日本的 LINE 小程序，还是美国连锁超市的集成定价系统，我们不仅会针对每个市场量身定制技术，还会针对每个市场量身定制体验。
-
AI优先愿景——我们将AI融入到我们的交付、运营和客户解决方案中——不是作为一个流行词，而是作为一种能力倍增器。
-
创新与实验文化——我们的领导者精通技术，热衷于运用最新和新兴技术解决客户问题。我们不惧失败，并在许多情况下采取创业精神，为客户创造了切实的影响。
我们也并不害怕自我颠覆。我们正在为企业客户尝试基于结果的模式、可组合的交付框架和联合创新实验室。
展望未来三到五年，您认为随着智能工作流程和人工智能原生组织的兴起，企业 IT 运营模式将如何演变？领导者现在应该做好哪些准备？
下一波创新浪潮将属于那些能够将强大的AI能力与周全的控制、监督和信任系统相结合的企业。正因如此，围绕企业智能体框架的讨论才显得如此重要，也如此紧迫。
对我而言，其中一些关键见解包括：
- 人工智能数据中心建设正在加速，而不是放缓；数据中心行业的情绪非常乐观，容量、需求和投资都在激增。
- 企业人工智能的普及速度将慢于消费级人工智能（组织数据通常杂乱无章、分散在多个系统中，而不是干净集中；目前的模型在不适应每个组织的独特情况的情况下，对于高度特定的公司情况和功能还不够精确；为了释放真正的价值，模型需要使用专有的企业数据进行训练和微调，尤其是在特定工作流程和用例的“最后一公里”）。
- 在真正的自主代理能够在企业中蓬勃发展之前，还有一个更大的挑战：构建与员工类似的监督结构、审批和保障措施，从而使人类员工能够可靠地执行任务并扩大规模。
领导者在准备工作中应牢记以下几点：
- 应该像对待新员工一样对待代理人，明确界定其职责范围，进行明确的监督，并建立机制来防止他们在“学习”组织成文和不成文的规则时犯错。
- 需要一个“代理总线”或协调层，代理可以在其中注册、获得写入权限，并且其行为会受到监管代理的监控。
- 在智能驱动的企业世界中，重建使人类组织强大的制衡机制，对于实现安全、准确和可靠的执行至关重要。
- 随着智能体系统和框架的演变，人机交互和协作方式也在发生变化，因此，人才管理和技能再培训是另一个重要方面。
- 最令人兴奋的前沿领域是先进的企业代理框架的出现——超越了当今的现有框架——当与强大的领域理解和解决方案相结合时，可以将这一愿景转化为切实可行、可扩展的现实。
感谢您的精彩采访，想要了解更多信息的读者可以访问 Q突发.
