Jitendra Putcha, COO společnosti Tredence – Interview Series

Jitendra Putcha, COO společnosti Tredence, je zkušený výkonný ředitel v oblasti technologií a provozu s téměř třemi desetiletími zkušeností zahrnujícími umělou inteligenci, analytiku dat, digitální transformaci, doručování a služby podnikových technologií. Před tím, než se v dubnu 2026 připojil k Tredence, působil jako vedoucí dodávek ve společnosti Mastech Digital, kde byl součástí výkonného vedení a dohlížel na strategii, transformaci, odpovědnost za P&L a poskytování služeb. Dříve strávil několik let ve firmách LTIMindtree a LTI, kde nakonec zastával pozici senior viceprezident a globální ředitel pro data a AI s odpovědností za adopci podnikové AI, generativní AI, AI agenty, služby dat a analytiky, vývoj produktového inženýrství a platformy. Dříve Pak strávil téměř 18 let ve společnosti Cognizant, kde postupoval na seniorní vedoucí pozice včetně viceprezidenta pro AI & Analytics a vedoucího Hyderabad Center, přičemž jeho práce zahrnovala globální dodávky dat a analytiky, transformaci řízenou AI a rozšiřování analytických schopností napříč odvětvími. Jeho raná kariéra zahrnovala role ve společnostech Wipro a DSQ Software, což mu poskytlo základ v oblasti datových skladů, business intelligence, analytiky a rozsáhlého podnikového doručování.

Tredence je globální společnost poskytující řešení v oblasti datové vědy a AI, zaměřená na řešení takzvaného problému „poslední míle“ v AI – mezery mezi generováním poznatků a jejich přeměnou na měřitelné obchodní výsledky. Společnost byla založena v roce 2013 a spojuje odborné znalosti z odvětví s datovým inženýrstvím, datovou vědou, strojovým učením, generativní AI, AI agenty, cloudovými technologiemi a proprietárními akcelerátory, aby pomohla podnikům nasadit AI ve velkém měřítku. Tredence uvádí, že má více než 4 200 zaměstnanců a spolupracuje se společnostmi v oblasti maloobchodu, spotřebního baleného zboží, technologií, telekomunikací, zdravotnictví, cestovního ruchu, průmyslu a dalších sektorů. Jejich přístup zdůrazňuje začlenění analytiky a AI do reálných obchodních procesů místo zastavení se u modelů či dashboardů, přičemž jejich schopnosti zahrnují podnikové generativní AI, multimodální a agentické systémy, odpovědnou AI, modernizaci dat a správu AI.

Přinášíte více než 28 let zkušeností v oblasti podnikových dat, analytiky, AI a rozsáhlého globálního doručování, včetně vedoucích rolí ve společnostech Cognizant, LTIMindtree a Mastech Digital, než jste v roce 2026 nastoupil do Tredence jako provozní ředitel. Co vás na Tredence v této konkrétní fázi růstu přitahovalo a jakou vidíte největší příležitost, jak přetvořit fungování a poskytování hodnoty společnosti zaměřené na služby AI, když podniky přecházejí od experimentování k AI ve velkém měřítku?

Co mě k Tredence přitahovalo, byla její pevnost v realitě. Ve své kariéře jsem viděl mnoho technologických změn, ale je vzácné najít organizaci, která propojuje hluboké odborné znalosti v AI přímo s reálnými obchodními výsledky. Tredence nepromluví jen o AI pro samotnou AI; vytváří řešení, která řeší skutečné podnikové problémy.

V současnosti se odvětví nachází na úžasném zlomovém bodě. Přesouvá se za fázi testování a klade si těžkou otázku: Jak začleníme AI do našich každodenních operací? To nazýváme „poslední mílí“ AI: překlenutí mezery mezi generováním poznatků a zajištěním, že tyto poznatky dorazí ke konkrétní osobě, procesu nebo rozhodnutí, kde mohou přinést užitečný výsledek.

Příležitost zde nespočívá jen v nasazení „chladnějších“ nástrojů. Jde o řešení problému s prováděním, pomáhání organizacím myslet jinak a dosažení měřitelné hodnoty. Jako provozní ředitel je mým úkolem chránit tuto výhodu. Chci zajistit, aby naše operace rostly, aniž bychom ztratili agilitu nebo zaměření na klienty, a proměnit ambice AI na vysoké úrovni v reálné výnosy.

Stále pozorujeme, že podniky provozují slibné AI piloty, které se nikdy nestanou smysluplnými produkčními systémy. Když se podíváte na projekty, které zůstávají stát, jaké jsou nejčastější body selhání a které z těchto problémů stále podceňují vedoucí pracovníci?

Upřímně řečeno, většina AI pilotů nepropadá kvůli selhání technologie. Selhávají, protože AI vnímáme jako výkonný motor, ale zapomínáme postavit kolem něj skutečné auto. Přemýšlejte o tom takto: Světové třídy motor je naprosto k ničemu, pokud mu nedáte čisté palivo, volant a řidiče.

Váš AI model zůstane uvízlý v garáži stejným způsobem, pokud podceníte tři základní principy. Důvěryhodná data jsou vaším čistým palivem. Pokud jsou vaše data nepořádná a neorganizovaná, motor se ucpává a model poskytuje nespolehlivé odpovědi. Silná správa je vaším volantem. Bez jasných pravidel a bezpečnostních zábran jsou týmy příliš vystrašené z rizika, aby auto uvedly na silnici.

Konečně, jasná obchodní odpovědnost je vaším řidičem a je to prvek, který vedoucí pracovníci podceňují nejvíce. Pokud obchodní lídr nepřevzme kontrolu, nepropaguje nástroj a neintegrová ho přímo do každodenních pracovních postupů svého týmu, projekt bude mít potíže s dosažením výsledků. Musíme uniknout „past demo“. Úspěch nespočívá v zahajování mnoha pilotů nebo shromažďování testovacích motorů. Jde o uzamčení vašich dat, nastavení jasných zábran, přiřazení skutečné odpovědnosti a nenápadné začlenění AI do každodenního fungování vašeho podniku.

Tredence již dlouho popisuje „poslední míli“ AI jako propojení poznatků s akcí. Agentní AI to může posunout ještě dál tím, že umožní softwaru vykonávat rozhodnutí. Jak se změní problém poslední míle, když AI přechází od doporučování akce k jejímu autonomnímu provedení?

V minulosti bylo řešení poslední míle AI podobné řízení s GPS. Obrazovka vám přesně ukazovala, kam zatáčet, ale stále jste museli fyzicky otáčet volantem. Agentní AI to kompletně obrací. Nyní auto v podstatě řídí samo.

To mění celou konverzaci. Už se nejedná jen o přesvědčování manažera, aby důvěřoval grafu na dashboardu; budujeme systémy, kterým můžeme důvěřovat, že budou rozhodovat za nás. Skutečná výzva už není přimět lidi, aby se dívali na data; jde o to, jakou míru kontroly jsme ochotni předat softwaru.

Pro rutinní, nízkorizikové úkoly, jako je aktualizace inventárních záznamů nebo úklid datových souborů, je nasazení agenta na autopilotu samozřejmostí, protože eliminuje typické firemní zdržení. Jakmile však rozhodnutí ovlivní významnou finanční transakci, citlivou stížnost zákazníka nebo právní hranici, potřebujete člověka připraveného zasáhnout a zatáhnout za brzdu.

Na konci dne budou vítězit společnosti, které s agentní AI nebudou jen ty s nejchytřejší technologií. Budou to organizace, které vytyčí krystalicky čisté hranice, kde může software pracovat samostatně a kde lidský úsudek musí převzít řízení.

Argumentovali jste, že agentní podnik vyžaduje doménový kontext, správu a inteligentní provádění, aby spolu fungovaly. Proč nestačí firmám jen umístit LLM nebo AI agenta na vrchol stávající datové vrstvy a jaké architektonické změny jsou nutné?

Umístit LLM na vrchol podnikových dat je jako najmout inteligentního zaměstnance a dát mu první den přístup ke všem dokumentům ve firmě. Je chytrý a schopný, ale stále nemá ponětí, jak fungují vaše systémy, procesy, interní pravidla a předpisy.

Podniky čelí podobné výzvě, protože jejich prostředí je přirozeně složité. Data jsou rozptýlena napříč mnoha systémy a obchodní pravidla se po mnoho let tiše vyvíjela. Navíc se požadavky na soulad liší podle odvětví a geografie. Aby agenti fungovali efektivně, potřebují kontext, ne jen informace.

Proto přemýšlíme o podnikovém AI jako o třívrstvé architektuře. První vrstva je důvěryhodná datová základna. Druhá je doménová inteligence, která zachycuje obchodní kontext, vztahy, definice a pracovní postupy. Třetí je vrstva zkušenosti a uzavřeného cyklu provádění, kde agenti mohou uvažovat a jednat v rámci řízených hranic.

Mnoho organizací investovalo značně do první vrstvy a některé vybudovaly prvky druhé. Skutečná příležitost však spočívá v propojení všech tří.

Bez kontextu a správy může i nejvýkonnější model generovat věrohodné odpovědi, které však neodpovídají podnikové realitě. Podnikové AI nepotřebuje více inteligence. Potřebuje více kontextu.

„AI agent“ se rychle stal jedním z nejčastěji zneužívaných termínů v odvětví. Z technického hlediska, co odlišuje skutečně užitečného podnikového agenta od chatbota napojeného na několik nástrojů a pracovních postupů?

Skutečně užitečný podnikový agent se definuje méně tím, jak plynule mluví, a více tím, co dokáže zodpovědně dosáhnout. V současnosti mnoho toho, co lidé nazývají „agenty“, jsou jen chatboti připojení k několika API. Dokážou odpovědět na základní otázku nebo spustit jednoduchý, rigidní pracovní postup. To je užitečné, ale není to transformační.

Skutečný podnikový agent nepostupuje jen podle skriptu; rozumí konečnému cíli, uvažuje o různých možnostech, pracuje napříč mnoha staršími systémy, přizpůsobuje se změnám a zůstává přísně v rámci vašich korporátních pravidel. Vidím to jako rozdíl mezi vyhledávačem a důvěryhodným provozním manažerem. Jeden vám poskytne informace; druhý přebírá odpovědnost za dokončení úkolu.

Aby to šlo, agenti potřebují hluboký doménový kontext. Například agent pro maloobchodní inventář nemůže jen nahlížet do tabulky; musí rozumět cyklům doplňování, vzorcům poptávky, úrovním služeb a dopadům na marži najednou. Co odlišuje skutečného agenta od sofistikovaného chatbota, není chatovací rozhraní. Je to doménové porozumění, paměť, uvažování, backendová orchestrace a vestavěná odpovědnost. Nakonec podniky nepotřebují další rozhraní k nahlížení. Potřebujeme systémy, které dokážou spolehlivě a ve velkém měřítku vykonávat práci.

Tredence klade značný důraz na odvětvově specifické AI, zejména v oblastech jako maloobchod a spotřební zboží. Jak se modely základních modelů stávají výkonnějšími, kde stále doménová expertíza poskytuje výhodu a jak velká část inteligence nakonec musí vycházet z pochopení pracovních postupů, terminologie, omezení a ekonomiky konkrétního odvětví?

Základní modely se staly neuvěřitelně výkonnými, ale odborná znalost zůstává rozdílem mezi surovou inteligencí a skutečnou užitečností. Je to jako předat stejnou vysoce výkonnou lékařskou učebnici chirurgovi, korporátnímu právníkovi i manažerovi v maloobchodu. Informace v knize jsou totožné, ale jsou cenné jen pro osobu, která skutečně rozumí pacientovi, operačnímu sálu a důležitosti práce.

Každý průmysl má svá neviditelná pravidla, jedinečnou ekonomiku, přísné předpisy a každodenní provozní omezení. V maloobchodu například AI doporučení, které technicky zlepšuje přesnost vašich prognóz, ale omylem způsobí masivní výpadky zásob na policích, není užitečné – je to závada.

Když aplikujeme hlubokou doménovou inteligenci na obecné modely, jsou obchodní výsledky obrovské. Například ve společnosti Tredence jsme nasadili doménově specifická řešení, která přinesla neuvěřitelné, ověřené výsledky pro naše klienty. Program pro prognózování v supermarketech vytvořil hodnotu téměř 200 milionů USD a zvýšil míru shody doplňování nad 90 procent. Platforma pro dodavatelský řetězec ve výrobě přinesla úsporu 10 milionů USD v prvním roce. Modernizace pracovních toků v maloobchodu snížila úsilí analytiků o 70 procent, zatímco další program dosáhl snížení ztrát o 100 milionů USD.

Jak se základní modely stávají komoditní utilitou, podobně jako elektřina, skutečná konkurenční výhoda se přesouvá výhradně k těm, kteří mají nejlepší proprietární kontext a porozumění pracovním tokům, aby obecnou inteligenci přetavili na přesné obchodní výsledky.

Existuje napětí mezi vytvářením znovupoužitelných AI platforem a přizpůsobením systémů konkrétním datům a procesům každého podniku. Jak určit, co by mělo být standardizováno a co přizpůsobeno, a může nadměrné přizpůsobení nakonec stát se překážkou pro škálování AI?

Najít správnou rovnováhu mezi standardní platformou a vlastními funkcemi je vždy obtížné rozhodnutí. Osobně to vidím jako městské plánování. Očividně musíte standardizovat silnice, elektrické sítě a vodovodní potrubí, ale to neznamená, že každý dům v sousedství musí být naprosto identický.

Stejný princip platí pro AI. Věci jako zabezpečení dat, správa a monitorování musí být zcela standardizovány. Měly by v podstatě stát neviditelnou podnikatelskou infrastrukturou. Aby bylo vše efektivní, doporučuji firmám vytvořit interní tržiště pro znovupoužitelné agenty, aby týmy neustále nevynalézaly kolo znovu.

Vaše skutečné obchodní pracovní toky však musí zůstat flexibilní, protože právě tam spočívá vaše jedinečná konkurenční výhoda. V současnosti není největším rizikem nedostatečné přizpůsobení, ale nadměrné přizpůsobení. Když se každé nasazení AI promění v vysoce unikátní, izolovaný inženýrský projekt, škálování se stane noční můrou a náklady na údržbu vystřelí do výše. Cílem by mělo být vytvořit opakovatelnou schopnost. Standardizujete pevný základ a pak poskytnete týmům stavební bloky, které potřebují k rychlé adaptaci na své potřeby. Schopnost využívat a znovu používat AI schopnosti se stane klíčovým diferenciátorem, urychlujícím adopci a přinášejícím rychlejší návratnost investic a silnější ROI.

Jakmile agenti získají schopnost rozhodovat a vykonávat úkoly, jak by měly podniky určit, kde je autonomie vhodná a kde by lidské schválení mělo zůstat povinné? Existují konkrétní obchodní funkce, u nichž se domníváte, že organizace postupují příliš rychle nebo naopak příliš opatrně?

Pokud jde o poskytování autonomie AI, riziko by mělo vždy určovat pravidla, nejen to, co technologie dokáže zvládnout. Pouze proto, že agent může provést proces od začátku do konce, neznamená, že byste měli zcela odříznout bezpečnostní lano. Rutinní každodenní úkoly, jako je zaznamenávání zásob nebo synchronizace souborů v back-office, jsou ideální pro plnou automatizaci, protože odstraňují masivní provozní úzká místa. Jakmile však rozhodnutí zahrnuje přísné předpisy, významné finanční výdaje nebo kritické zákaznické problémy, je naprosto nutný lidský zásah.

V současnosti vidím, že firmy jsou ve sféře dodavatelského řetězce a back-office příliš opatrné. Táhnou se s automatizací rutinního nákupu a párování faktur, kde by agenti mohli dnes bezpečně ušetřit čas. Na druhou stranu postupují příliš rychle v zákaznickém servisu a právní compliance, spěchají s autonomními agenty do nepředvídatelných zákaznických sporů nebo automatizovaných revizí smluv bez skutečných omezujících opatření. Cílem je odpovědná automatizace, nikoli maximální automatizace.

Jak se hranové modely stávají levnějšími a výkonnějšími, pravděpodobně se změní role firem poskytujících AI služby. Přesouvá se hodnota čím dál více od tvorby modelů k datové architektuře, integraci, hodnocení, orchestraci, správě a přepracování obchodních procesů kolem AI? Co bude odlišovat AI servisní firmy, které zůstanou hodnotné?

Svědčíme přirozenému posunu v tom, kde se vytváří hodnota. Před několika lety byla surová výpočetní infrastruktura hlavní konkurenční výhodou. Dnes je to spíše utilita a AI modely se rychle ubírají stejným směrem.

Podniky už nehledají větší modely. Chtějí rychlejší rozhodování, vyšší produktivitu a jasné obchodní výsledky. Kvůli tomu se hodnota přesunula zcela na ekosystém kolem modelu – věci jako čistá datová architektura, přísná správa, inteligentní orchestraci a úplné přehodnocení pracovních postupů, aby byl AI ve skutečnosti praktický ve velkém měřítku. Vítězi nebudou nutně společnosti s nejsofistikovanější technologií, ale ti, kteří dokážou proměnit technologii v hmatatelné obchodní výsledky.

Také pozorujeme, že podniky přistupují k AI portfoliově. Modely na hranici, modely s otevřenou váhou a menší specializované modely mají všechny svůj úkol v závislosti na konkrétním případu použití, nákladech, latenci a požadavcích na správu. Jak AI dozrává, úspěch bude méně určován tím, kdo postaví motor, a více tím, kdo ví, jak jej nasadit v podniku. To, co nazývám „rytmus provádění“, nakonec oddělí vítěze od ostatních.

Po několika letech dopředu, pokud podniky úspěšně překonají dnešní problémy s daty, správou a integrací, jak vlastně vypadá AI‑nativní velká společnost? Očekáváte, že agenti zůstanou nástroji používanými zaměstnanci, nebo budeme čím dál více vidět celé pracovní postupy a obchodní funkce provozované koordinovanými sítěmi AI agentů?

AI‑nativní podnik nebude jen tradiční společností s několika doplňkovými softwarovými nástroji. Bude to zásadně přetvořený podnik. Viděli jsme podobné posuny během éry internetu a digitalizace, kdy technologie změnila nejen to, jak podniky fungovaly, ale i to, jak byly strukturovány. Tyto společnosti budou fungovat velmi odlišně.

Dnes jsou podniky organizovány kolem lidí, kteří vykonávají manuální úkoly podporované softwarem. V budoucnu mohou být celé pracovní postupy orchestrální koordinovanými sítěmi AI agentů, přičemž lidé budou zaujímat stále více dozorčí a strategickou roli. Je to podobné tomu, jak elektřina transformovala továrny. Neodstranila továrnu; kompletně změnila její návrh a provoz.

V těchto budoucích společnostech budou agenti neustále sledovat provoz, upozorňovat na příležitosti a zvládat rutinní provádění napříč různými odděleními. To neznamená, že lidé zmizí, naše práce se jen stane mnohem strategičtější, zcela se přesune k úsudku, inovacím a budování vztahů.

Vítězi nebudou společnosti, které nasadí nejvíce agentů. Budou to ti, kteří vytvoří nejsilnější kombinaci důvěryhodných dat, doménové inteligence a lidského dohledu. Budoucnost není o zcela autonomních podnicích; jde o inteligentně orchestrální podniky, kde lidé a agenti spolupracují na dosažení cílů, které žádný z nich sám nedokáže dosáhnout.

Děkujeme za skvělý rozhovor, čtenáři, kteří se chtějí dozvědět více, by měli navštívit Tredence.