Jitendra Putcha, COO for Tredence – Interviewserie

Jitendra Putcha, COO for Tredence, er en erfaren leder inden for teknologi og drift med næsten tre årtiers erfaring inden for kunstig intelligens, dataanalyse, digital transformation, levering og virksomhedsteknologitjenester. Før han tiltrådte Tredence i april 2026, var han Chief Delivery Officer hos Mastech Digital, hvor han var en del af den øverste ledelsesgruppe med ansvar for strategi, transformation, P&L‑ansvar og serviceleverance. Han tilbragte derefter flere år hos LTIMindtree og LTI, hvor han i sidste ende fungerede som Senior Vice President og Global Head of Data & AI med ansvar for virksomhedens AI‑adoption, generativ AI, AI‑agenter, data‑ og analysetjenester, produktudvikling og platformudvikling. Tidligere tilbragte Putcha næsten 18 år hos Cognizant, hvor han avancerede gennem seniorlederstillinger, herunder Vice President of AI & Analytics og leder af Hyderabad‑centret, med arbejde inden for global data‑ og leverance af analyser, AI‑drevet transformation og opskalering af analysekapaciteter på tværs af brancher. Hans tidlige karriere omfattede roller hos Wipro og DSQ Software, hvilket gav ham et fundament, der spænder over datalagring, business intelligence, analyse og storskala virksomhedsledelse.

Tredence er en global data science‑ og AI‑løsning virksomhed, der fokuserer på at løse det, de kalder “last‑mile”-problemet i AI – kløften mellem at generere indsigter og omsætte dem til målbare forretningsresultater. Grundlagt i 2013 kombinerer virksomheden brancheekspertise med data engineering, data science, maskinlæring, generativ AI, AI‑agenter, cloud‑teknologier og proprietære acceleratorer for at hjælpe virksomheder med at operationalisere AI i stor skala. Tredence oplyser, at de har mere end 4,200 ansatte og arbejder med virksomheder inden for detail, forbrugsvarer, teknologi, telekommunikation, sundhedspleje, rejser, industri og andre sektorer. Deres tilgang lægger vægt på at indlejre analyse og AI i reelle forretningsprocesser i stedet for kun at stoppe ved modeller eller dashboards, med kapaciteter der spænder over virksomheds‑klar generativ AI, multimodale og agentbaserede systemer, ansvarlig AI, data‑modernisering og AI‑styring.

Du bringer mere end 28 års erfaring inden for virksomhedsdata, analyse, AI og storskala global levering, herunder lederroller hos Cognizant, LTIMindtree og Mastech Digital, før du tiltrådte Tredence som Chief Operating Officer i 2026. Hvad tiltrak dig ved Tredence på dette specifikke stadium af deres vækst, og hvad ser du som den største mulighed for at omforme, hvordan et AI‑fokuseret serviceselskab opererer og leverer værdi, når virksomheder bevæger sig fra eksperimentering til AI i stor skala?

Hvad der tiltrak mig ved Tredence, var hvor jordnær virksomheden er. I min karriere har jeg set mange teknologiske skift, men det er sjældent at finde en organisation, der forbinder dyb AI‑ekspertise direkte med reelle forretningsresultater. Tredence taler ikke kun om AI for at tale om det; de bygger løsninger, der løser faktiske virksomhedsproblemer.

Lige nu befinder branchen sig på et fantastisk vendepunkt. Den bevæger sig forbi testfasen og stiller det svære spørgsmål: Hvordan integrerer vi AI i vores daglige drift? Det er det, vi kalder “last‑mile” i AI: at bygge bro over kløften mellem at generere indsigter og sikre, at disse indsigter når den specifikke person, proces eller beslutning, hvor de kan give et nyttigt resultat.

Muligheden her handler ikke kun om at implementere sejere værktøjer. Det drejer sig om at løse et eksekveringsproblem, hjælpe organisationer med at tænke anderledes og opnå målbare resultater. Som COO er min opgave at beskytte den fordel. Jeg vil sikre, at vi skalerer vores drift uden at miste agilitet eller kundefokus, og omdanne højtstående AI‑ambitioner til konkrete afkast.

Vi ser fortsat, at virksomheder kører lovende AI‑piloter, som aldrig bliver til meningsfulde produktionssystemer. Når du ser på de projekter, der går i stå, hvad er så de mest almindelige fejlpunkter, og hvilke af disse problemer undervurderer ledere stadig?

Ærligt talt fejler de fleste AI‑piloter ikke fordi teknologien svigter. De fejler fordi vi behandler AI som en kraftfuld motor, men glemmer at bygge den egentlige bil omkring den. Tænk på det sådan: En verdensklasse‑motor er fuldstændig ubrugelig, hvis du ikke giver den ren brændstof, et rat og en fører.

Din AI‑model vil sidde strandet i garagen på samme måde, hvis du undervurderer tre grundlæggende faktorer. Betroet data er dit rene brændstof. Hvis dine data er rodet og uorganiseret, tilstopper din motor, og din model leverer upålidelige svar. Stærk styring er dit rat. Uden klare regler og sikkerhedsrammer er teams simpelthen for bange for risikoen til at sætte bilen på vejen.

Endelig er klar forretningsansvarlighed din driver, og det er den del, ledere undervurderer mest. Hvis en forretningsleder ikke tager rattet, går ind for værktøjet og integrerer det direkte i sit teams daglige arbejdsgange, vil projektet have svært ved at levere resultater. Vi skal undslippe “demo‑fælden”. Succes handler ikke om at lancere mange piloter eller samle testmotorer. Det handler om at låse dine data, fastsætte klare rammer, tildele reel ansvarlighed og integrere AI diskret i, hvordan din virksomhed fungerer hver dag.

Tredence har i lang tid beskrevet “last mile” af AI som at forbinde indsigter med handling. Agentisk AI kan potentielt tage det meget længere ved at lade software udføre beslutninger. Hvordan ændrer “last-mile”-problemet sig, når AI går fra at anbefale en handling til at udføre den autonomt?

Tidligere var håndteringen af AI’s last mile meget lig at køre med en GPS. Skærmen viste præcis, hvor du skulle dreje, men du måtte stadig fysisk dreje rattet. Agentisk AI vender helt på det. Nu kører bilen i princippet selv.

Dette ændrer hele samtalen. Vi forsøger ikke længere blot at overbevise en leder om at stole på et diagram på et dashboard; vi bygger systemer, vi kan stole på til at træffe beslutninger på vores vegne. Den egentlige udfordring er ikke længere at få folk til at kigge på data; den er at finde ud af, hvor meget kontrol vi er villige til at overlade til software.

For rutineprægede, lavrisikopgaver, såsom at opdatere lagerregistre eller rydde op i datafiler, er det en selvfølge at lade en agent køre på autopilot, fordi det fjerner de sædvanlige virksomhedsforsinkelser. Men så snart en beslutning påvirker en større finansiel transaktion, en følsom kundeklage eller en juridisk grænse, har du brug for et menneske, der er klar til at træde ind og sætte bremsen.

I sidste ende vil de virksomheder, der vinder med agentisk AI, ikke kun være dem med den mest avancerede teknologi. De vil være de organisationer, der tydeligt afgrænser, hvor softwaren kan operere selvstændigt, og hvor menneskelig dømmekraft skal overtage rattet igen.

Du har argumenteret for, at en agentisk virksomhed kræver domænekontekst, governance og intelligent udførelse, der arbejder sammen. Hvorfor er det ikke tilstrækkeligt for virksomheder blot at placere en LLM eller AI-agent oven på deres eksisterende datastak, og hvilke arkitektoniske ændringer er nødvendige?

At placere en LLM oven på virksomhedens data svarer til at ansætte en intelligent medarbejder og give dem adgang til alle dokumenter i virksomheden fra dag ét. De er kloge og dygtige, men de har stadig ingen idé om, hvordan dine systemer, processer, interne regler og lovgivning fungerer.

Virksomheder står over for en lignende udfordring, fordi deres miljøer naturligt er komplekse. Data findes på tværs af flere systemer, og forretningsregler har stille udviklet sig gennem mange år. Derudover varierer overholdelseskrav efter branche og geografi. For at agenter kan fungere effektivt, har de brug for kontekst, ikke kun information.

Derfor ser vi på enterprise AI som en tre-lags arkitektur. Det første lag er et pålideligt datafundament. Det andet er domæneintelligens, som indfanger forretningskontekst, relationer, definitioner og arbejdsgange. Det tredje er erfaringslaget og lukket-loop udførelse, hvor agenter kan ræsonnere og handle inden for styrede grænser.

Mange organisationer har investeret kraftigt i det første lag, og nogle har bygget elementer af det andet. Den egentlige mulighed ligger dog i at forbinde alle tre.

Uden kontekst og governance kan selv den mest kapable model generere plausible svar, som simpelthen ikke stemmer overens med forretningsvirkeligheden. Enterprise AI har ikke brug for mere intelligens. Den har brug for mere kontekst.

“AI agent” er hurtigt blevet et af de mest overbrugte udtryk i branchen. Fra et teknisk perspektiv, hvad adskiller en virkelig nyttig enterprise-agent fra en chatbot, der kun er forbundet til nogle få værktøjer og arbejdsgange?

En virkelig nyttig enterprise-agent defineres mindre ud fra, hvor flydende den taler, og mere ud fra, hvad den kan opnå ansvarligt. Lige nu er mange af de “agenter”, folk omtaler, blot chatbots tilsluttet et par API’er. De kan besvare et grundlæggende spørgsmål eller udløse en simpel, stiv arbejdsgang. Det er praktisk, men det er ikke transformerende.

En ægte enterprise-agent følger ikke blot et manuskript; den forstår et slutmål, ræsonnerer gennem forskellige muligheder, arbejder på tværs af flere ældre systemer, tilpasser sig når tingene ændrer sig, og holder sig strikt inden for dine virksomheders governance‑linjer. Jeg ser det som forskellen mellem en søgemaskine og en betroet driftsleder. Den ene giver dig information; den anden påtager sig ansvaret for at få arbejdet udført.

For at opnå dette har agenter brug for dyb domænekontekst. En lageragent i detailhandlen kan for eksempel ikke blot kigge på et regneark; den skal forstå genopfyldningscyklusser, efterspørgselsmønstre, serviceniveauer og marginimplikationer på én gang. Det, der adskiller en rigtig agent fra en sofistikeret chatbot, er ikke chat‑grænsefladen. Det er domæneforståelsen, hukommelsen, ræsonneringen, backend‑orchestreringen og den indbyggede ansvarlighed. I sidste ende har virksomheder ikke brug for en ekstra grænseflade at kigge på. Vi har brug for systemer, der kan udføre arbejde pålideligt og i stor skala.

Tredence lægger stor vægt på branche‑specifik AI, især inden for detailhandel og forbrugsvarer. Efterhånden som grundlæggende modeller bliver mere kapable, hvor skaber domæneekspertise stadig en fordel, og hvor meget af intelligensen skal i sidste ende komme fra forståelsen af arbejdsgange, terminologi, begrænsninger og økonomi i en given branche?

Fundamentale modeller er blevet utroligt kraftfulde, men domæneekspertise er stadig forskellen mellem rå intelligens og faktisk nytte. Det er som at give den helt samme højt avancerede medicinske lærebog til en kirurg, en virksomhedsjurist og en detailchef. Informationerne i bogen er identiske, men de er kun værdifulde for den person, der virkelig forstår patienten, operationsstuen og jobbet’s betydning. 

Hver branche har sine egne usynlige regler, unikke økonomi, strenge reguleringer og daglige operationelle begrænsninger. I detailhandlen, for eksempel, er en AI-anbefaling, der teknisk set forbedrer din prognosenøjagtighed, men ved et uheld forårsager massive udsolgte hylder, ikke hjælpsom – den er en forpligtelse.

Når vi anvender dyb domæneintelligens på generelle modeller, er forretningsresultaterne enorme. For eksempel har vi hos Tredence implementeret domænespecifikke løsninger, der leverede utrolige, verificerede resultater for vores kunder. Et supermarkedets prognoseprogram skabte næsten $200 millioner i værdi og løftede genopfyldningsmatchraterne over 90 procent. En produktionsforsyningskædeplatform genererede $10 millioner i besparelser i det første år. En modernisering af detailarbejdsprocesser reducerede analytikerindsatsen med 70 procent, mens et andet program opnåede en reduktion af tab på $100 millioner.

Efterhånden som fundamentale modeller bliver en standardiseret nytte, som elektricitet, flytter den reelle konkurrencefordel sig fuldstændigt til dem, der har den bedste proprietære kontekst- og arbejdsprocesforståelse til at omdanne generisk intelligens til præcise forretningsresultater.

Der er en spænding mellem at bygge genanvendelige AI-platforme og at skræddersy systemer til hver enkelt virksomheds specifikke data og processer. Hvordan afgør du, hvad der skal standardiseres versus tilpasses, og kan overdreven tilpasning i sidste ende blive en barriere for skalering af AI?

At finde den rette balance mellem en standardplatform og tilpassede funktioner er altid en svær beslutning. Personligt ser jeg det som byplanlægning. Man skal naturligvis standardisere veje, elnet og vandledninger, men det betyder ikke, at hver eneste bolig i nabolaget skal være en nøjagtig kopi.

Den samme regel gælder for AI. Ting som datasikkerhed, governance og overvågning skal være fuldstændigt standardiseret. De bør i bund og grund blive en usynlig virksomheds‑infrastruktur. For at gøre dette effektivt vil jeg anbefale, at virksomheder opbygger en intern markedsplads for genanvendelige agenter, så teams ikke konstant genopfinder hjulet.

Dine faktiske forretningsarbejdsprocesser skal dog forblive fleksible, fordi det er her din unikke konkurrencefordel ligger. Lige nu er den største risiko ikke under‑tilpasning, men over‑tilpasning. Når hver eneste AI-implementering bliver til et højt unikt, isoleret ingeniørprojekt, bliver skalering til et mareridt, og vedligeholdelsesomkostningerne skyder i vejret. Målet bør være at opbygge en gentagelig kapabilitet. Du standardiserer et solidt fundament og giver derefter dine teams de byggesten, de har brug for, for hurtigt at tilpasse det til deres egne behov. Evnen til at udnytte og genbruge AI‑kapabiliteter bliver en nøgledifferentierende faktor, som accelererer adoptionen og leverer hurtigere tid‑til‑værdi samt stærkere ROI.

Efterhånden som agenter får evnen til at træffe beslutninger og udføre opgaver, hvordan skal virksomheder afgøre, hvor autonomi er passende, og hvor menneskelig godkendelse skal forblive obligatorisk? Er der specifikke forretningsfunktioner, hvor du mener, at organisationer bevæger sig for hurtigt eller for forsigtigt?

Når det gælder at give AI autonomi, bør risiko altid bestemme reglerne, ikke blot hvad teknologien er i stand til at håndtere. Bare fordi en agent kan udføre en proces fra start til slut, betyder det ikke, at du skal fjerne sikkerhedsnøglen helt. Rutinemæssige, daglige opgaver som at registrere lagerbeholdning eller synkronisere back‑office‑filer er perfekte til fuld automatisering, fordi de eliminerer massive operationelle flaskehalse. Men så snart en beslutning involverer strenge reguleringer, store finansielle udgifter eller kritiske kundespørgsmål, har du absolut brug for et menneske i kredsløbet.

Lige nu ser jeg, at virksomheder er alt for forsigtige i forsyningskæde‑ og back‑office‑operationer. De trækker i langdrag med at automatisere rutinemæssig indkøb og fakturamatching, hvor agenter i dag kunne spare tid sikkert. På den anden side går de alt for hurtigt frem i kundeservice og juridisk compliance, hvor de skubber autonome agenter ind i uforudsigelige kundekonflikter eller automatiserede kontraktgennemgange uden reelle sikkerhedsforanstaltninger. Målet her er ansvarlig automatisering, ikke maksimal automatisering.

Efterhånden som frontier‑modeller bliver billigere og mere kapable, vil rollen for AI‑servicevirksomheder sandsynligvis ændre sig. Flytter værdien i stigende grad væk fra at bygge modeller og hen imod dataarkitektur, integration, evaluering, orkestrering, governance og redesign af forretningsprocesser omkring AI? Hvad vil differentiere de AI‑servicefirmaer, der forbliver værdifulde?

Vi er vidne til et naturligt skift i, hvor værdien skabes. For et par år siden var rå computerinfrastruktur en stor konkurrencefordel. I dag er den stort set en nytte, og AI‑modeller er hurtigt på vej i samme retning.

Virksomheder søger ikke længere efter større modeller. De ønsker hurtigere beslutninger, højere produktivitet og klare forretningsresultater. På grund af dette er værdien flyttet helt til økosystemet omkring modellen – ting som ren dataarkitektur, stram styring, intelligent orkestrering og en fuldstændig revurdering af arbejdsprocesser for at gøre AI praktisk i stor skala. Vinderne vil ikke nødvendigvis være de virksomheder, der har den mest sofistikerede teknologi, men snarere dem, der kan omsætte teknologien til håndgribelige forretningsresultater.

Vi ser også, at virksomheder tager en portefølje‑tilgang til AI. Frontier‑modeller, open‑weight‑modeller og mindre specialiserede modeller har alle en rolle afhængig af anvendelsestilfælde, omkostninger, latenstid og styringskrav. Efterhånden som AI modnes, vil succes i højere grad bestemmes af, hvem der ved, hvordan man får den til at arbejde i en virksomhed, snarere end af, hvem der bygger motoren. Det, jeg kalder “execution rhythm” vil i sidste ende adskille vinderne fra resten.

Ser man flere år frem, og virksomheder formår at overvinde dagens data‑, styrings‑ og integrationsproblemer, hvordan ser så en AI‑native stor virksomhed egentlig ud? Forventer du, at agenter forbliver værktøjer, som medarbejdere bruger, eller vil vi i stigende grad se hele arbejdsprocesser og forretningsfunktioner drives af koordinerede netværk af AI‑agenter?

En AI‑native virksomhed vil ikke blot være en traditionel virksomhed med et par ekstra softwareværktøjer. Den vil være en grundlæggende omdefineret virksomhed. Vi har set lignende skift i internet‑ og digitalæraerne, hvor teknologien ændrede ikke kun, hvordan virksomheder opererede, men også hvordan de var struktureret. Disse virksomheder vil fungere meget anderledes.

I dag er virksomheder organiseret omkring mennesker, der udfører manuelle opgaver understøttet af software. I fremtiden kan hele arbejdsprocesser orkestreres af koordinerede netværk af AI‑agenter, mens mennesker får en stadig mere tilsynsførende og strategisk rolle. Det er meget ligesom, hvordan elektricitet transformerede fabrikker. Det fjernede ikke fabrikken; det ændrede fuldstændigt, hvordan den blev designet og drevet.

I disse fremtidige virksomheder vil agenter løbende overvåge driften, påpege muligheder og håndtere rutineudførelse på tværs af forskellige afdelinger. Det betyder ikke, at mennesker forsvinder; vores job bliver blot langt mere strategiske og skifter fuldstændigt til dømmekraft, innovation og opbygning af relationer.

Vinderne vil ikke være de virksomheder, der implementerer flest agenter. Det vil være dem, der opbygger den stærkeste kombination af pålidelige data, domæne‑intelligens og menneskelig kontrol. Fremtiden handler ikke om fuldstændig autonome virksomheder; den handler om intelligent orkestrerede virksomheder, hvor mennesker og agenter samarbejder om at nå mål, som ingen af dem kan opnå alene.

Tak for det gode interview, læsere der ønsker at lære mere, bør besøge Tredence.