Jitendra Putcha, COO von Tredence – Interviewreihe

Jitendra Putcha, COO von Tredence, ist ein erfahrener Technologie- und Operationsmanager mit fast drei Jahrzehnten Erfahrung in den Bereichen künstliche Intelligenz, Datenanalyse, digitale Transformation, Delivery und Unternehmens‑Technologiedienstleistungen. Vor seinem Eintritt bei Tredence im April 2026 war er Chief Delivery Officer bei Mastech Digital, wo er Teil des Führungsteams war und für Strategie, Transformation, P&L‑Verantwortlichkeiten und Service‑Delivery zuständig war. Zuvor verbrachte er mehrere Jahre bei LTIMindtree und LTI und war schließlich Senior Vice President und Global Head of Data & AI, mit Verantwortung für die unternehmensweite Einführung von KI, generative KI, KI‑Agenten, Daten‑ und Analysedienste, Produktentwicklung und Plattformentwicklung. Zuvor war Putcha fast 18 Jahre bei Cognizant tätig und durchlief dort Führungspositionen, darunter Vice President of AI & Analytics und Leiter des Hyderabad Centers, wo er globale Daten‑ und Analyse‑Delivery, KI‑gesteuerte Transformation und den Ausbau von Analysefähigkeiten über Branchen hinweg verantwortete. Seine frühere Laufbahn umfasste Rollen bei Wipro und DSQ Software, die ihm ein Fundament in Data Warehousing, Business Intelligence, Analytics und groß angelegter Unternehmens‑Delivery verschafften.

Tredence ist ein globales Data‑Science‑ und KI‑Lösungsunternehmen, das sich darauf konzentriert, das von ihm genannte „Last‑Mile“-Problem in der KI zu adressieren – die Lücke zwischen der Generierung von Erkenntnissen und deren Umsetzung in messbare Geschäftsergebnisse. Das Unternehmen wurde 2013 gegründet und kombiniert Branchenexpertise mit Daten‑Engineering, Data Science, Machine Learning, generativer KI, KI‑Agenten, Cloud‑Technologien und proprietären Beschleunigern, um Unternehmen zu helfen, KI in großem Maßstab zu operationalisieren. Tredence gibt an, mehr als 4.200 Mitarbeitende zu haben und mit Unternehmen aus den Bereichen Einzelhandel, Konsumgüter, Technologie, Telekommunikation, Gesundheitswesen, Reisen, Industrie und anderen Sektoren zusammenzuarbeiten. Sein Ansatz betont die Einbettung von Analytik und KI in reale Geschäftsprozesse, anstatt bei Modellen oder Dashboards zu stoppen, mit Fähigkeiten, die von unternehmensreifer generativer KI über multimodale und agentische Systeme bis hin zu verantwortungsvoller KI, Datenmodernisierung und KI‑Governance reichen.

Sie bringen mehr als 28 Jahre Erfahrung in den Bereichen Unternehmensdaten, Analytik, KI und groß angelegter globaler Delivery mit, einschließlich Führungspositionen bei Cognizant, LTIMindtree und Mastech Digital, bevor Sie 2026 als Chief Operating Officer zu Tredence kamen. Was hat Sie zu diesem Zeitpunkt besonders an Tredence gereizt, und welche größte Chance sehen Sie, die Arbeitsweise und den Mehrwert eines KI‑fokussierten Dienstleistungsunternehmens neu zu gestalten, wenn Unternehmen von Experimenten zu KI in großem Maßstab übergehen?

Was mich an Tredence angezogen hat, ist die Bodenständigkeit des Unternehmens. In meiner Laufbahn habe ich zahlreiche technologische Umbrüche erlebt, doch es ist selten, ein Unternehmen zu finden, das tiefgehende KI‑Expertise direkt mit realen Geschäftsergebnissen verknüpft. Tredence spricht nicht nur über KI um ihrer selbst willen; es entwickelt Lösungen, die tatsächliche Unternehmensprobleme lösen.

Derzeit befindet sich die Branche an einem bemerkenswerten Wendepunkt. Sie hat die Testphase hinter sich und stellt die schwierige Frage: Wie integrieren wir KI in unsere täglichen Abläufe? Das nennen wir die „Last‑Mile“ der KI: die Lücke zwischen der Generierung von Erkenntnissen und der Sicherstellung, dass diese Erkenntnisse die jeweilige Person, den Prozess oder die Entscheidung erreichen, wo sie ein nützliches Ergebnis liefern können.

Die Chance liegt hier nicht nur im Einsatz neuerer Werkzeuge. Es geht darum, ein Ausführungsproblem zu lösen, Unternehmen zu einem anderen Denken zu befähigen und messbaren Mehrwert zu erzielen. Als COO ist es meine Aufgabe, diesen Vorsprung zu bewahren. Ich möchte sicherstellen, dass wir unsere Operationen skalieren, ohne an Agilität oder Kundenfokus zu verlieren, und hochgesteckte KI‑Ambitionen in reale Renditen umwandeln.

Wir beobachten weiterhin, dass Unternehmen vielversprechende KI‑Pilotprojekte durchführen, die nie zu bedeutenden Produktionssystemen werden. Wenn man die Projekte betrachtet, die ins Stocken geraten, welche sind die häufigsten Fehlerquellen und welche dieser Probleme werden von Führungskräften nach wie vor unterschätzt?

Ehrlich gesagt scheitern die meisten KI‑Pilotprojekte nicht an der Technologie. Sie scheitern, weil wir KI wie einen leistungsstarken Motor behandeln, aber vergessen, das eigentliche Fahrzeug darum herum zu bauen. Denken Sie so: Ein erstklassiger Motor ist völlig nutzlos, wenn man ihm keinen sauberen Kraftstoff, ein Lenkrad und einen Fahrer gibt.

Ihr KI‑Modell wird genauso im Schuppen feststecken, wenn Sie drei Grundprinzipien unterschätzen. Vertrauenswürdige Daten sind Ihr sauberer Kraftstoff. Wenn Ihre Daten eine unordentliche, unstrukturierte Basis bilden, verstopft Ihr Motor und Ihr Modell liefert unzuverlässige Antworten. Starke Governance ist Ihr Lenkrad. Ohne klare Regeln und Sicherheits‑schranken haben Teams einfach zu viel Angst vor dem Risiko, das Fahrzeug auf die Straße zu bringen.

Schließlich ist klare geschäftliche Verantwortung Ihr Fahrer, und das ist der Aspekt, den Führungskräfte am meisten unterschätzen. Wenn ein Geschäftsleiter nicht das Steuer übernimmt, das Tool vorantreibt und es direkt in die täglichen Arbeitsabläufe seines Teams integriert, hat das Projekt Schwierigkeiten, Ergebnisse zu liefern. Wir müssen der „Demo‑Falle“ entkommen. Erfolg bedeutet nicht, zahlreiche Pilotprojekte zu starten oder Test‑Motoren zu sammeln. Es geht darum, Ihre Daten zu sichern, klare Leitplanken zu setzen, echte Verantwortlichkeit zuzuweisen und KI unauffällig in den täglichen Geschäftsablauf zu integrieren.

Tredence hat schon lange die “letzte Meile” der KI als die Verbindung von Erkenntnissen mit Handlungen beschrieben. Agentische KI kann das noch weiter gehen, indem sie Software ermöglicht, Entscheidungen auszuführen. Wie ändert sich das Last-Mile-Problem, wenn KI von der Empfehlung einer Handlung zur autonomen Ausführung dieser Handlung übergeht?

Früher war die Bewältigung der letzten Meile der KI sehr ähnlich wie das Fahren mit einem GPS. Der Bildschirm zeigte Ihnen genau, wo Sie abbiegen müssen, aber Sie mussten das Lenkrad noch selbst drehen. Agentische KI kehrt das völlig um. Jetzt fährt das Auto im Wesentlichen von selbst.

Das verändert das gesamte Gespräch. Wir versuchen nicht mehr nur, einen Manager davon zu überzeugen, einem Diagramm im Dashboard zu vertrauen; wir bauen Systeme, denen wir vertrauen können, Entscheidungen in unserem Namen zu treffen. Die eigentliche Herausforderung besteht nicht mehr darin, Menschen dazu zu bringen, Daten anzusehen; sie besteht darin, herauszufinden, wie viel Kontrolle wir bereit sind, an Software abzugeben.

Bei routinemäßigen, risikoarmen Aufgaben, wie dem Aktualisieren von Bestandsprotokollen oder dem Aufräumen von Daten­dateien, ist es selbstverständlich, einen Agenten im Autopilotmodus laufen zu lassen, weil er die üblichen Unternehmensverzögerungen eliminiert. Sobald jedoch eine Entscheidung eine bedeutende Finanztransaktion, eine sensible Kundenbeschwerde oder eine rechtliche Grenze betrifft, benötigen Sie einen Menschen, der eingreifen und bremsen kann.

Letztendlich werden die Unternehmen, die mit agentischer KI erfolgreich sind, nicht nur die sein, die die intelligenteste Technologie besitzen. Sie werden die Organisationen sein, die kristallklare Grenzen dafür ziehen, wo die Software eigenständig agieren darf und wo menschliches Urteilsvermögen das Steuer zurückerobern muss.

Sie haben argumentiert, dass ein agentisches Unternehmen Domänen‑Kontext, Governance und intelligente Ausführung zusammen benötigt. Warum reicht es nicht aus, dass Unternehmen einfach ein LLM oder einen KI‑Agenten auf ihren bestehenden Daten‑Stack legen, und welche architektonischen Änderungen sind dafür nötig?

Ein LLM auf Unternehmensdaten zu legen ist, als würde man einen intelligenten Mitarbeitenden einstellen und ihm am ersten Tag Zugriff auf jedes Dokument im Unternehmen geben. Sie sind klug und fähig, aber sie haben immer noch keine Vorstellung davon, wie Ihre Systeme, Prozesse, internen Regeln und Vorschriften funktionieren.

Unternehmen stehen vor einer ähnlichen Herausforderung, weil ihre Umgebungen von Natur aus komplex sind. Daten existieren über mehrere Systeme hinweg, und Geschäftsregeln haben sich über viele Jahre hinweg stillschweigend entwickelt. Darüber hinaus variieren Compliance‑Verpflichtungen je nach Branche und Region. Damit Agenten effektiv funktionieren, benötigen sie Kontext, nicht nur Informationen.

Deshalb betrachten wir Unternehmens‑KI als eine dreischichtige Architektur. Die erste Schicht ist eine vertrauenswürdige Datenbasis. Die zweite ist Domänen‑Intelligenz, die Geschäftskontext, Beziehungen, Definitionen und Workflows erfasst. Die dritte ist die Erlebnis‑Schicht und die geschlossene Schleifen‑Ausführung, in der Agenten innerhalb festgelegter Grenzen denken und handeln können.

Viele Organisationen haben stark in die erste Schicht investiert, und einige haben Elemente der zweiten aufgebaut. Die eigentliche Chance liegt jedoch darin, alle drei zu verbinden.

Ohne Kontext und Governance kann selbst das leistungsfähigste Modell plausible Antworten erzeugen, die einfach nicht mit der geschäftlichen Realität übereinstimmen. Unternehmens‑KI braucht nicht mehr Intelligenz. Sie braucht mehr Kontext.

„AI‑Agent“ hat sich schnell zu einem der am häufigsten überstrapazierten Begriffe in der Branche entwickelt. Aus technischer Sicht, was unterscheidet einen wirklich nützlichen Unternehmens‑Agenten von einem Chatbot, der nur an ein paar Werkzeuge und Workflows angebunden ist?

Ein wirklich nützlicher Unternehmens‑Agent wird weniger dadurch definiert, wie flüssig er spricht, sondern vielmehr durch das, was er verantwortungsbewusst erreichen kann. Derzeit sind viele der sogenannten „Agenten“ lediglich Chatbots, die an ein paar APIs angeschlossen sind. Sie können eine einfache Frage beantworten oder einen simplen, starren Workflow auslösen. Das ist praktisch, aber nicht transformativ.

Ein echter Unternehmens‑Agent folgt nicht nur einem Skript; er versteht ein Endziel, wägt verschiedene Optionen ab, arbeitet über mehrere Altsysteme hinweg, passt sich an, wenn sich Dinge ändern, und bleibt strikt innerhalb Ihrer Unternehmens‑Governance‑Richtlinien. Ich sehe den Unterschied zwischen einer Suchmaschine und einem vertrauenswürdigen Betriebsleiter. Die eine liefert Ihnen Informationen; die andere übernimmt die Verantwortung, die Aufgabe zu erledigen.

Dafür benötigen Agenten tiefen Domänen‑Kontext. Ein Einzelhandels‑Bestands‑Agent kann beispielsweise nicht nur eine Tabelle ansehen; er muss gleichzeitig Nachschubzyklen, Nachfragemuster, Service‑Levels und Margenauswirkungen verstehen. Was einen echten Agenten von einem ausgefeilten Chatbot unterscheidet, ist nicht die Chat‑Oberfläche. Es ist das Domänenverständnis, das Gedächtnis, das Schließen, die Backend‑Orchestrierung und die integrierte Verantwortlichkeit. Letztlich benötigen Unternehmen nicht ein weiteres Interface zum Anschauen. Wir brauchen Systeme, die Arbeit zuverlässig und skalierbar ausführen können.

Tredence legt großen Wert auf branchenspezifische KI, insbesondere in Bereichen wie Einzelhandel und Konsumgüter. Während Grundmodelle immer leistungsfähiger werden, wo schafft Domänen‑Expertise noch einen Vorteil, und wie viel der Intelligenz muss letztlich aus dem Verständnis der Arbeitsabläufe, Terminologie, Einschränkungen und Wirtschaftlichkeit einer bestimmten Branche stammen?

Foundation-Modelle sind unglaublich leistungsfähig geworden, aber Fachwissen bleibt der Unterschied zwischen roher Intelligenz und tatsächlicher Nützlichkeit. Es ist, als würde man dasselbe hochkarätige medizinische Lehrbuch einem Chirurgen, einem Unternehmensjuristen und einem Einzelhandelsmanager geben. Der Inhalt des Buches ist identisch, aber er ist nur für die Person wertvoll, die den Patienten, den Operationssaal und die Anforderungen des Jobs wirklich versteht.

Jede Branche hat ihre eigenen unsichtbaren Regeln, einzigartige Wirtschaftlichkeit, strenge Vorschriften und tägliche operative Zwänge. Im Einzelhandel zum Beispiel ist eine KI-Empfehlung, die technisch die Prognosegenauigkeit verbessert, aber versehentlich massive Out-of-Stock‑Situationen im Regal verursacht, nicht hilfreich – sie ist eine Haftungsquelle.

Wenn wir tiefes Domänenwissen auf generische Modelle anwenden, sind die geschäftlichen Ergebnisse enorm. Zum Beispiel haben wir bei Tredence domänenspezifische Lösungen implementiert, die für unsere Kunden unglaubliche, verifizierte Resultate lieferten. Ein Prognoseprogramm für Supermärkte erzeugte fast 200 Millionen $ an Wert und steigerte die Übereinstimmungsrate bei Nachbestückungen auf über 90 Prozent. Eine Lieferkettenplattform im Fertigungsbereich erzielte im ersten Jahr Einsparungen von 10 Millionen $. Eine Modernisierung von Einzelhandels‑Workflows reduzierte den Analystenaufwand um 70 Prozent, während ein weiteres Programm eine Verlustreduktion von 100 Millionen $ erreichte.

Wenn Foundation-Modelle zu einer standardisierten Dienstleistung werden, ähnlich wie Strom, verlagert sich der eigentliche Wettbewerbsvorteil vollständig zu dem Unternehmen, das das beste proprietäre Kontext‑ und Workflow‑Verständnis besitzt, um generische Intelligenz in präzise geschäftliche Ergebnisse zu übersetzen.

Es besteht ein Spannungsfeld zwischen dem Aufbau wiederverwendbarer KI‑Plattformen und der Anpassung von Systemen an die spezifischen Daten und Prozesse jedes Unternehmens. Wie bestimmen Sie, was standardisiert und was individuell angepasst werden sollte, und kann übermäßige Individualisierung letztlich zur eigenen Hürde für die Skalierung von KI werden?

Das richtige Gleichgewicht zwischen einer Standardplattform und individuellen Funktionen zu finden, ist stets eine schwierige Entscheidung. Persönlich betrachte ich das wie Stadtplanung. Man muss selbstverständlich Straßen, Stromnetze und Wasserleitungen standardisieren, das bedeutet jedoch nicht, dass jedes einzelne Haus in der Nachbarschaft eine exakte Kopie sein muss.

Dieselbe Regel gilt für KI. Dinge wie Datensicherheit, Governance und Monitoring müssen vollständig standardisiert werden. Sie sollten im Grunde zu einer unsichtbaren Unternehmensinfrastruktur werden. Um dies effizient zu gestalten, empfehle ich Unternehmen, einen internen Marktplatz für wiederverwendbare Agenten aufzubauen, damit Teams das Rad nicht ständig neu erfinden.

Ihre tatsächlichen Geschäfts‑Workflows müssen jedoch flexibel bleiben, denn dort liegt Ihr einzigartiger Wettbewerbsvorteil. Derzeit besteht das größte Risiko nicht in Unter‑Individualisierung, sondern in Über‑Individualisierung. Wenn jede einzelne KI‑Einführung zu einem hochgradig einzigartigen, isolierten Engineering‑Projekt wird, wird die Skalierung zum Albtraum und die Wartungskosten schießen in die Höhe. Das Ziel sollte sein, eine wiederholbare Fähigkeit aufzubauen. Sie standardisieren ein rock‑solides Fundament und geben Ihren Teams dann die Bausteine, die sie benötigen, um es schnell an ihre eigenen Bedürfnisse anzupassen. Die Fähigkeit, KI‑Fähigkeiten zu nutzen und wiederzuverwenden, wird zum entscheidenden Differenzierungsmerkmal, beschleunigt die Einführung und liefert schnellere Time‑to‑Value sowie stärkere ROI.

Wenn Agenten die Fähigkeit erhalten, Entscheidungen zu treffen und Aufgaben auszuführen, wie sollten Unternehmen bestimmen, wo Autonomie angemessen ist und wo menschliche Genehmigung weiterhin zwingend erforderlich bleibt? Gibt es bestimmte Geschäftsbereiche, in denen Sie glauben, dass Organisationen zu schnell oder zu vorsichtig vorgehen?

Bei der Gewährung von KI‑Autonomie sollte das Risiko stets die Regeln bestimmen, nicht nur das, was die Technologie bewältigen kann. Nur weil ein Agent einen Prozess von Anfang bis Ende ausführen kann, bedeutet das nicht, dass man das Sicherheitsseil vollständig löst. Routinemäßige, alltägliche Aufgaben wie das Erfassen von Inventar oder das Synchronisieren von Back‑Office‑Dateien eignen sich perfekt für vollständige Automatisierung, weil sie massive operative Engpässe beseitigen. Sobald jedoch eine Entscheidung strenge Vorschriften, erhebliche finanzielle Ausgaben oder kritische Kundenfragen betrifft, ist ein Mensch im Prozess unverzichtbar.

Derzeit sehe ich, dass Unternehmen im Bereich Lieferkette und Back‑Office‑Operationen viel zu vorsichtig sind. Sie zögern bei der Automatisierung routinemäßiger Beschaffungs‑ und Rechnungsabgleichprozesse, bei denen Agenten heute sicher Zeit sparen könnten. Auf der anderen Seite gehen sie im Kundenservice und bei der rechtlichen Compliance viel zu schnell vor, indem sie autonome Agenten in unvorhersehbare Kundenstreitigkeiten oder automatisierte Vertragsprüfungen ohne echte Schutzmechanismen einbinden. Das Ziel hier ist verantwortungsvolle Automatisierung, nicht maximale Automatisierung.

Wenn Frontier‑Modelle günstiger und leistungsfähiger werden, wird sich die Rolle von KI‑Dienstleistungsunternehmen wahrscheinlich ändern. Verlagert sich der Mehrwert zunehmend vom Modell‑Bau hin zu Datenarchitektur, Integration, Bewertung, Orchestrierung, Governance und der Neugestaltung von Geschäftsprozessen rund um KI? Was wird die KI‑Dienstleister, die weiterhin wertvoll bleiben, differenzieren?

Wir beobachten einen natürlichen Wandel dort, wo Wert geschaffen wird. Vor einigen Jahren war die reine Computing‑Infrastruktur ein bedeutender Wettbewerbsvorteil. Heute ist sie weitgehend eine Dienstleistung, und KI‑Modelle bewegen sich schnell in dieselbe Richtung.

Unternehmen suchen nicht mehr nach größeren Modellen. Sie wollen schnellere Entscheidungen, höhere Produktivität und klare Geschäftsergebnisse. Deshalb hat sich der Wert vollständig auf das Ökosystem rund um das Modell verlagert – Dinge wie saubere Datenarchitektur, strenge Governance, intelligente Orchestrierung und ein vollständiges Neudenken von Arbeitsabläufen, um KI in großem Maßstab praktisch einsetzbar zu machen. Die Gewinner werden nicht unbedingt die Unternehmen mit der fortschrittlichsten Technologie sein, sondern diejenigen, die Technologie in greifbare Geschäftsergebnisse umsetzen können.

Wir beobachten außerdem, dass Unternehmen einen Portfolio-Ansatz für KI verfolgen. Frontier-Modelle, Open-Weight-Modelle und kleinere spezialisierte Modelle haben je nach Anwendungsfall, Kosten, Latenz und Governance-Anforderungen jeweils ihre Rolle. Wenn KI reift, wird der Erfolg weniger davon abhängen, wer die Engine baut, sondern davon, wer weiß, wie man sie im Unternehmen einsetzt. Was ich „Ausführungsrhythmus“ nenne, wird letztlich die Gewinner von den anderen unterscheiden.

Wenn wir einige Jahre vorausblicken und Unternehmen die heutigen Daten-, Governance- und Integrationsprobleme erfolgreich überwinden, wie sieht ein KI-natives Großunternehmen dann tatsächlich aus? Erwarten Sie, dass Agenten weiterhin Werkzeuge bleiben, die von Mitarbeitenden genutzt werden, oder werden wir zunehmend ganze Arbeitsabläufe und Geschäftsbereiche sehen, die von koordinierten Netzwerken von KI‑Agenten betrieben werden?

Ein KI-natives Unternehmen wird nicht einfach ein traditionelles Unternehmen mit ein paar zusätzlichen Software‑Tools sein. Es wird ein grundlegend neu gestaltetes Unternehmen sein. Ähnliche Veränderungen haben wir bereits in den Internet‑ und Digitalära erlebt, als Technologie nicht nur die Arbeitsweise von Unternehmen, sondern auch deren Struktur veränderte. Diese Unternehmen werden sehr unterschiedlich funktionieren.

Heute sind Unternehmen um Menschen herum organisiert, die manuelle Aufgaben mit Unterstützung von Software erledigen. In Zukunft könnten ganze Arbeitsabläufe von koordinierten Netzwerken von KI‑Agenten orchestriert werden, wobei Menschen zunehmend eine überwachende und strategische Rolle übernehmen. Das ist vergleichbar damit, wie Elektrizität Fabriken transformierte. Sie hat die Fabrik nicht abgeschafft; sie hat völlig verändert, wie sie gestaltet und betrieben wird.

In diesen zukünftigen Unternehmen werden Agenten kontinuierlich die Abläufe überwachen, Chancen kennzeichnen und die routinemäßige Ausführung in verschiedenen Abteilungen übernehmen. Das bedeutet nicht, dass Menschen verschwinden; unsere Aufgaben werden lediglich deutlich strategischer und verlagern sich vollständig auf Urteilsvermögen, Innovation und Beziehungsaufbau.

Die Gewinner werden nicht die Unternehmen sein, die die meisten Agenten einsetzen. Sie werden diejenigen sein, die die stärkste Kombination aus vertrauenswürdigen Daten, domänenspezifischer Intelligenz und menschlicher Aufsicht aufbauen. Die Zukunft dreht sich nicht um vollständig autonome Unternehmen; sie geht um intelligent orchestrierte Unternehmen, in denen Menschen und Agenten zusammenarbeiten, um Ziele zu erreichen, die keiner von beiden allein erreichen könnte.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Tredence besuchen.