QBurst CEO Arun Kumar Ramchandran访谈：拥抱“高AI-Q”引领AI驱动的科技服务

来源：米兰娱乐    发布时间：2026-01-09 09:28:13

  QBurst 首席执行官 (CEO) Arun Kumar Ramchandran 是一位资深的技术和服务主管，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。他于 2025 年 4 月成为 CEO，负责领导 QBurst 的各项业务，同时将其战略塑造为一家以AI (AI) 为主导的技术服务和数字工程公司。在加入 QBurst 之前，他曾在 Hexaware Technologies（包括担任总裁和通用AI (GenAI) 咨询领导）、Capgemini/Sogeti（担任执行客户和销售领导）以及 Infosys 和 Virtusa 担任高级职务，在那里他建立并扩展了业务部门，领导了主要的战略项目，并推动了多个地区和行业垂直领域的增长。

  QBurst 是一家全球数字工程合作伙伴，其定位围绕“高 AI-Q”，将支持人工智能的交付与应用AI和数据驱动的方法相结合，以帮企业实现现代化、构建和扩展。该公司强调端到端的数字体验工程、现代化和产品工程，通过可组合的数字平台、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，旨在产生可衡量的成果，例如提高生产力、加快交付速度以及在广泛的国际客户群中提供更强大的客户体验。

  您在 Hexaware、Capgemini、Infosys 和其他全球组织拥有漫长的领导职业生涯后，担任了 QBurst 的 CEO。在 QBurst 发展的这个时刻，是什么吸引了您，您的背景如何塑造您希望公司发展的方向？

  加入 QBurst 的决定是机遇和潜力的融合。吸引我加入 QBurst 的是其内在优势和独特的市场机遇的结合。QBurst 的创业文化及其在向要求苛刻的客户交付产品方面的尖端技术方面的成功给我留下了深刻的印象，并引起了我的兴趣。

  随着技术、行业和法规领域颠覆性变革和一直在变化的环境的融合，像 QBurst 这样专注且与众不同的企业具有千载难逢的机会，可以摆脱困境，为 AI 驱动的未来创建一种新的技术与工程服务企业和交付模式。

  您在多个行业拥有超过 25 年的技术驱动转型经验，您的经验怎么样影响您今天扩展 AI 主导的服务平台的方式？

  我观察到，技术的主要创新和采用发生在炒作周期降温之后，真正的业务问题开始在企业层面得到解决。关于扩展 AI 主导的服务平台，我想提出三个具体的观点。

  我今天看到的最大挑战是跨越 PoC（概念验证）阶段。扩展需要转变思维方法：我们不仅仅构建 AI；咱们提供生产级解决方案。在 QBurst，我们通过专注于敏捷性来帮助客户超越 PoC 阶段——采用具有更大上下文窗口的新模型，而不是被锁定在昨天的技术中。

  我从每个技术周期（从 2009 年移动的早期到云革命）中都吸取了一个教训——你无法自动化混乱。AI 的强大程度取决于为其提供的数据。QBurst 正在通过确保完成“枯燥但必不可少”的工作来推动增长，即数字现代化和高级数据工程。

  为了引领这一变革，我们将自己重新定位为一家“高 AI-Q”公司。这反映了生成式人工智能（Generative AI）和 Agentic AI 集成到我们所有核心服务中，从而推动了 AI 原生的企业转型。在 QBurst，AI 不是一个附加功能，而是我们战略和交付的核心结构。它将定制机器学习模型与智能自动化相结合，以确保随义务的增长，其智能也会随之扩展。自 Android 诞生之初，我们从始至终是先行者，并且我们正在应用同样的积极主动的 DNA 来引领 AI 时代。在 QBurst，我们不单单是一家技术至上的公司；我们是一家以结果为先的合作伙伴，其增长由客户满意程度驱动。

  您强调“高 AI-Q”是 QBurst 的一个决定性框架。企业领导者该怎么样理解这个概念？为什么它是当前 AI 格局中的一个重要差异化因素？

  QBurst 的“高 AI-Q”之旅是一个有意识的决定：在运营层面上通过 AI 驱动的软件开发生命周期 (SDLC) 快速运行，并在战略层面上通过托管代理 (Managed Agents) 采取大胆行动。最重要的是，它将整个企业锚定在文化、价值观和人类能力的缓慢而基础的变革中。

  虽然 AI 存在风险和担忧，但如果安全地实施，AI 可以创造丰富性和创新。企业将不仅在生产力方面看到价值，而且在增长和转型方面也会看到价值。

  从交付的角度来看，我们每天都通过我们的 AI 驱动的 SDLC 框架看到这一点。这是转型的“方式”，我们将 AI 嵌入到开发的每个阶段，从用户故事生成到自我修复测试脚本。结果不言自明：

  战略层是我们超越优化部分来优化整个生态系统的地方。这要重新思考我们的解决方案支柱，从而创建了托管代理，这是企业 Agentic AI 和托管服务的融合。对我们的客户而言，这在某种程度上预示着 AI 代理处理前端和后端任务、工作流程和运营，来提升效率和持续创新。我们不单单是提供服务；我们正在协调一个无缝的价值网络。

  许多企业正在积累您所说的“AI 债务”——在无法扩展或产生价值的 GenAI 试点项目上花费大量资金。造成此问题的最终的原因是什么？组织怎么样摆脱这种模式？

  当 GenAI 投资停留在试点阶段而未能扩展为真正的商业经济价值时，企业就会积累“AI 债务”。最终的原因是我们所说的改造陷阱——试图将 GenAI 功能附加到从未设计为支持 AI 原生工作流程的遗留系统上。在这些环境中，数据、架构和治理根本就没有准备好，因此试点项目停滞或在规模下崩溃。

  缺乏基础准备加剧了这样的一种情况。许多组织急于进行实验，同时绕过了数据战略、数据工程和治理方面的必要投资。如果没有现代化的数据基础和清晰的控制框架，GenAI 计划仍然是孤立的概念验证，而不是企业能力。

  打破这种模式需要转向 AI 优先设计。组织不应询问可以在哪里添加 AI，而必须从第一天起就以 AI 结果为中心设计系统，从而调整架构、数据流和治理以支持大规模的智能自动化。

  实际上，这始于数据工程。预先构建稳健、良好管理的数据管道和模型为 GenAI 的可持续扩展创造了条件。当基础正确时，AI 会从实验转向影响。因此，AI 债务让位于长期价值创造。

  传统的工时和材料合同模式慢慢的被认为与 AI 驱动的效率现实不符。为什么这种模式正在变得过时？像“托管代理”或“服务即软件”这样的方法如何为企业 IT 提供更可持续的道路？

  传统的工时和材料模式是为资源稀缺的时代而构建的，在那个时代，价值与人类的努力直接相关。在 AI 时代，这种假设不再成立。智能和执行正在变得丰富，并且随着丰富性的增加，价值从努力转移到结果。AI 从根本上打破了按小时计费的逻辑。

  这就是为什么该行业正在转向基于结果的模式。诸如无需人工干预即可解决的工单或由 AI 端到端完成的工作流程等指标提供了清晰、可衡量的价值。这些模型将能力视为软件而不是劳动力，这可以描述为“服务即软件”。

  像托管代理和服务即软件这样的方法提供了一条更可持续的道路。它们将重点从为努力付费转移到为智能结果付费，以此来实现可预测的成本、持续改进和自动化的共享收益。托管代理允许人类工程师和 AI 代理共同努力实现业务目标，而服务即软件通过结果而不是花费的时间来衡量价值。

  在 AI 驱动的世界中，最一致的商业模式是那些奖励结果而不是努力的模式——为企业和服务提供商创造双赢局面。

  您的“高 AI-Q”方法论侧重于人才、应用和影响，作为 AI 准备的三个关键层。在扩展 GenAI 计划之前，首席信息官 (CIO) 如何评估他们在这些层中的成熟度？

  在扩展 GenAI 之前，CIO 需要清楚地了解人才、应用和影响这三个“高 AI-Q”层的成熟度，而不单单是技术堆栈。

  在人才层，成熟度是关于人员的准备情况。CIO 应评估 AI 技能、对变革的开放性以及员工是否拥有安全、受监管的 LLM（大型语言模型）访问权限，以此来实现安全实验。

  在应用层，重点是数据和治理基础，例如数据质量、架构、安全性以及 LLM 访问和 AI 开发实践的策略和护栏的成熟度。

  在影响层，CIO 应根据工作量与商业经济价值来评估用例。确定低工作量、高影响的机会能实现早期成功，并支持扩展 GenAI 的迭代方法。

  对于仍在传统架构上运行的组织，需要采取哪些基础现代化步骤来为代理工作流程和 AI 原生交付模型做好准备？

  ：对于在传统架构上运行的组织，第一步是现代化数据基础，以便为孤岛数据启用元数据、沿袭和数据质量指标。这确保代理拥有他们要的上下文丰富、可解释的数据。GenAI 工具的引入使这种现代化变得更快、更直接。虽能使用 GenAI 与传统架构，但获得有意义的结果所需的令牌将非常高。

  ：尚未对其系统来进行现代化的组织将拥有大量未记录的累积知识。构建知识层以捕获系统中这种瞬态累积知识将是第二个高优先级任务。这是许多组织在 AI 采用过程中缺失的一层。

  ：第三步是确保代理遵守组织当前遵循的所有最佳实践和安全合规性。治理框架、安全策略和可观察性框架使代理能够在组织工作边界和已建立的方式内有效地思考和行动。

  在为“AI 准备”做准备时，除了工具之外，还要说明——在数据、流程、治理和团队能力方面？

  AI 准备不单单是选择正确的工具。在实践中，AI 采用的成功或失败取决于组织捕获部落知识的能力，例如仅存在于员工头脑中的不成文流程、决策逻辑和关键关系。必须以 AI 系统能推理的自然语言记录这些知识，而不单单是孤立地处理数据。

  数据准备同样重要，但仅凭质量是不够的。真正决定成功的是元数据，这中间还包括数据背后的上下文、沿袭和含义。没有这些，即使是最先进的模型也会产生肤浅或不可靠的结果。

  企业 AI 采用也落后于消费者 AI 是有原因的：治理、安全性和合规性是不容谈判的。这些不是要解决的障碍，而是要构建的要求。组织必须建立信任框架，这中间还包括护栏、GenAI 可观察性、可解释性和人工参与工作流程，以确保 AI 输出安全、可重复且准确。

  最后，团队需要培养 AI 直觉。准备意味着提升员工的 AI 素养，以便他们了解如何有效地提示、验证结果和审核输出，而不是盲目地信任“黑匣子”。当人类牢牢地去参加了时，AI 的效果最佳。

  技术服务领域充斥着传统参与者。在竞争企业转型任务时，您认为 QBurst 最强大的差异化因素是什么？

  QBurst 在拥挤的技术服务市场中通过将深厚的工程专业相关知识与规模小得多、以创新为主导的公司的敏捷性相结合来区分自己。

  ——我们不仅仅编写代码。我们通过整体的、以用户为中心的解决方案来解决业务问题。

  ——我们规模足够大，可以扩展，但规模足够小，可以关心——我们的灵活性和对快速变化的适应性是我们的客户已经提供的证明。我们的团队真正承担客户成功的责任。您会看到交付所有权一直延伸到高级领导层。

  ：无论是日本的 LINE 迷你应用程序还是美国杂货店的集成定价系统，我们不仅根据每个市场定制技术，还根据每个市场定制体验。

  ——我们将 AI 嵌入到我们的交付、运营和客户解决方案中——不是作为流行语，而是作为一种能力倍增器。

  ——我们的领导者精通技术，并喜爱使用最新和新兴技术来解决客户问题。我们不怕失败，并且在许多情况下通过采取创业方法为我们的客户创造了有意义的影响。

  我们也不怕颠覆自己。我们正在为企业客户试验基于结果的模式、可组合的交付框架和共同创新实验室。

  展望未来三到五年，您预计企业 IT 运营模式将如何随着代理工作流程和 AI 原生组织的兴起而发展？领导者现在应该为哪几个方面做好准备？

  下一波创新将属于那些能够将强大的 AI 功能与周到的控制、监督和信任系统结合起来的人。这就是怎么回事围绕企业代理框架的新兴对话感觉如此重要——而且如此紧迫。

  AI 数据中心建设正在加速，而不是放缓；数据中心世界的情绪非常乐观，容量、需求和投资都在飙升。

  企业 AI 采用将比消费者 AI 慢（组织数据通常是混乱的、分散的，并且分布在许多系统中，而不是干净和集中的；今天的模型对于高度具体的公司情况和功能来说还不够准确，如果没有适应每个组织独特的环境；为了释放真正的价值，模型应该要依据专有的企业数据来进行训练和微调，尤其是在特定工作流程和用例的“最后一英里”中）

  在真正的自主代理能够在企业中蒸蒸日上之前，存在一个更大的挑战：构建相当于员工的监督结构、批准和护栏，这使得人力能可靠地执行和扩展。

  代理应该像新员工一样对待，具有明确定义的范围、明确的监督和在他们“学习”组织的书面和不成文规则时控制错误的机制。

  需要一个“代理总线”或协调层，代理可以在其中注册、获得写入权限并由监督代理监控其操作。

  重新创建使人类组织强大的制衡机制对于在代理企业世界中实现安全、准确和可靠的执行至关重要。

  随着代理系统和框架改变人机界面和协作，管理人才和技能再培训是另一个重要方面。

  最令人兴奋的前沿是先进的企业代理框架的出现——超越今天存在的——当与强大的领域理解和解决方案相结合时，可以将这一愿景变为实际、可扩展的现实。

  Antoine 是一位有远见的领导者，也是 Unite.AI 的创始合伙人，他坚定不移地致力于塑造和推广 AI 和机器人技术的未来。作为一名连续创业者，他认为 AI 将像电力一样对社会产生颠覆性影响，并且经常滔滔不绝地谈论颠覆性技术和 AGI 的潜力。

  作为一名未来学家，他致力于探索这些创新将如何塑造我们的世界。此外，他还是 Securities.io 的创始人，这是一个专注于投资于重新定义未来和重塑整个行业的尖端技术的平台。