Jitendra Putcha, COO of Tredence – Σειρά Συνεντεύξεων

Jitendra Putcha, COO of Tredence, είναι ένας έμπειρος στελέχος τεχνολογίας και λειτουργιών με σχεδόν τρεις δεκαετίες εμπειρίας που καλύπτει την τεχνητή νοημοσύνη, την ανάλυση δεδομένων, τον ψηφιακό μετασχηματισμό, την παράδοση και τις επιχειρησιακές υπηρεσίες τεχνολογίας. Πριν ενταχθεί στην Tredence τον Απρίλιο του 2026, υπηρέτησε ως Chief Delivery Officer στη Mastech Digital, όπου ήταν μέλος της εκτελεστικής ηγετικής ομάδας που επιβλέπει τη στρατηγική, τον μετασχηματισμό, τις ευθύνες κερδών & ζημιών και την παράδοση υπηρεσιών. Πριν από αυτό πέρασε αρκετά χρόνια στη LTIMindtree και στην LTI, καταλήγοντας ως Senior Vice President και Global Head of Data & AI, με ευθύνη για την υιοθέτηση AI σε επιχειρήσεις, τη γενετική AI, τους πράκτορες AI, τις υπηρεσίες δεδομένων και αναλύσεων, την μηχανική προϊόντων και την ανάπτυξη πλατφόρμας. Νωρίτερα, ο Putcha πέρασε σχεδόν 18 χρόνια στη Cognizant, προοδεύοντας σε υψηλές ηγετικές θέσεις, συμπεριλαμβανομένου του Vice President of AI & Analytics και του επικεφαλής του κέντρου Hyderabad, όπου η δουλειά του κάλυπτε την παγκόσμια παράδοση δεδομένων και αναλύσεων, τον μετασχηματισμό με βάση την AI και την κλιμάκωση των δυνατοτήτων ανάλυσης σε διάφορους κλάδους. Η προηγούμενη καριέρα του περιελάμβανε ρόλους στη Wipro και στη DSQ Software, παρέχοντάς του μια βάση καριέρας που καλύπτει την αποθήκευση δεδομένων, την επιχειρησιακή νοημοσύνη, τις αναλύσεις και την εκτέλεση μεγάλων επιχειρησιακών έργων.

Tredence είναι μια παγκόσμια εταιρεία επιστήμης δεδομένων και λύσεων AI που εστιάζει στην αντιμετώπιση του προβλήματος που ονομάζει «τελευταίο μίλι» στην AI — το χάσμα μεταξύ της παραγωγής γνώσεων και της μετατροπής τους σε μετρήσιμα επιχειρηματικά αποτελέσματα. Ιδρυθείσα το 2013, η εταιρεία συνδυάζει την εξειδίκευση του κλάδου με την μηχανική δεδομένων, την επιστήμη δεδομένων, τη μηχανική μάθηση, τη γενετική AI, τους πράκτορες AI, τις τεχνολογίες cloud και ιδιόκτητους επιταχυντές για να βοηθήσει τις επιχειρήσεις να λειτουργικοποιήσουν την AI σε μεγάλη κλίμακα. Η Tredence αναφέρει ότι διαθέτει πάνω από 4,200 υπαλλήλους και συνεργάζεται με εταιρείες σε τομείς λιανικής, καταναλωτικών προιόντων σε συσκευασία, τεχνολογίας, τηλεπικοινωνιών, υγειονομικής περίθαλψης, ταξιδιών, βιομηχανίας και άλλους κλάδους. Η προσέγγισή της δίνει έμφαση στην ενσωμάτωση αναλυτικών στοιχείων και AI σε πραγματικές επιχειρησιακές διαδικασίες αντί να σταματάει στα μοντέλα ή τα ταμπλό, με δυνατότητες που καλύπτουν επιχειρησιακά έτοιμη γενετική AI, πολυμορφικά και πράκτορες συστήματα, υπεύθυνη AI, εκσυγχρονισμό δεδομένων και διακυβέρνηση AI.

Φέρνετε πάνω από 28 χρόνια εμπειρίας που καλύπτει δεδομένα επιχειρήσεων, αναλύσεις, AI και παγκόσμια παράδοση μεγάλης κλίμακας, συμπεριλαμβανομένων ηγετικών θέσεων στη Cognizant, LTIMindtree και Mastech Digital πριν ενταχθείτε στην Tredence ως Chief Operating Officer το 2026. Τι σας τράβηξε στην Tredence σε αυτό το συγκεκριμένο στάδιο της ανάπτυξής της, και ποια θεωρείτε ότι είναι η μεγαλύτερη ευκαιρία για να ξανασχηματίσετε τον τρόπο λειτουργίας και παροχής αξίας μιας εταιρείας υπηρεσιών με έμφαση στην AI, καθώς οι επιχειρήσεις μεταβαίνουν από πειραματισμό σε AI σε μεγάλη κλίμακα;

Αυτό που με τράβηξε στην Tredence ήταν το πόσο προσιτή είναι η εταιρεία. Στην καριέρα μου, έχω δει πολλούς τεχνολογικούς μετασχηματισμούς, αλλά είναι σπάνιο να βρεις έναν οργανισμό που συνδέει την βαθιά εξειδίκευση στην AI άμεσα με πραγματικά επιχειρηματικά αποτελέσματα. Η Tredence δεν μιλάει απλώς για AI για την ίδια τη λέξη· δημιουργεί λύσεις που λύνουν πραγματικά προβλήματα επιχειρήσεων.

Αυτή τη στιγμή, ο κλάδος βρίσκεται σε ένα εκπληκτικό σημείο καμπής. Προχωρά πέρα από τη φάση δοκιμών και θέτει το δύσκολο ερώτημα: Πώς ενσωματώνουμε την AI στις καθημερινές μας λειτουργίες; Αυτό είναι αυτό που αποκαλούμε το «τελευταίο μίλι» της AI: γεφυρώνοντας το χάσμα μεταξύ της παραγωγής γνώσεων και της διασφάλισης ότι αυτές οι γνώσεις φτάνουν στο συγκεκριμένο άτομο, διαδικασία ή απόφαση όπου μπορούν να αποδώσουν ένα χρήσιμο αποτέλεσμα.

Η ευκαιρία εδώ δεν αφορά μόνο την υλοποίηση πιο εντυπωσιακών εργαλείων. Πρόκειται για την επίλυση ενός προβλήματος εκτέλεσης, τη βοήθεια στους οργανισμούς να σκέφτονται διαφορετικά και την επίτευξη μετρήσιμης αξίας. Ως COO, η δουλειά μου είναι να προστατεύω αυτό το πλεονέκτημα. Θέλω να διασφαλίσω ότι θα επεκτείνουμε τις λειτουργίες μας χωρίς να χάσουμε την ευελιξία ή την εστίαση στον πελάτη, μετατρέποντας τις υψηλού επιπέδου φιλοδοξίες AI σε πραγματικά αποτελέσματα.

Συνεχίζουμε να βλέπουμε επιχειρήσεις να εκτελούν υποσχόμενα πιλοτικά προγράμματα AI που ποτέ δεν μετατρέπονται σε ουσιαστικά συστήματα παραγωγής. Όταν εξετάζετε τα έργα που σταματούν, ποια είναι τα πιο συχνά σημεία αποτυχίας και ποια από αυτά τα προβλήματα υποτιμούν ακόμη οι στελέχοι;

Ειλικρινά, τα περισσότερα πιλοτικά προγράμματα AI δεν αποτυγχάνουν επειδή η τεχνολογία αποτυγχάνει. Αποτυγχάνουν επειδή αντιμετωπίζουμε την AI ως ένα ισχυρό κινητήρα αλλά ξεχνάμε να χτίσουμε το πραγματικό αυτοκίνητο γύρω του. Σκεφτείτε το έτσι: Ένας κινητήρας παγκοσμίου κλάσης είναι εντελώς άχρηστος αν δεν του παρέχετε καθαρό καύσιμο, τιμόνι και οδηγό.

Το μοντέλο AI σας θα παραμείνει αδέσποτο στο γκαράζ με τον ίδιο τρόπο αν υποτιμήσετε τρία θεμελιώδη στοιχεία. Τα αξιόπιστα δεδομένα είναι το καθαρό καύσιμο σας. Αν τα δεδομένα σας είναι ακατάστατα, ακατάστατη βάση, ο κινητήρας σας φράζει και το μοντέλο σας παρέχει αναξιόπιστες απαντήσεις. Η ισχυρή διακυβέρνηση είναι το τιμόνι σας. Χωρίς σαφείς κανόνες και μέτρα ασφαλείας, οι ομάδες είναι απλώς πολύ φοβισμένες από τον κίνδυνο για να βάλουν το αυτοκίνητο στο δρόμο.

Τέλος, η σαφής επιχειρησιακή ιδιοκτησία είναι ο οδηγός σας, και είναι το στοιχείο που οι στελέχοι υποτιμούν περισσότερο. Αν ένας επιχειρησιακός ηγέτης δεν πάρει το τιμόνι, δεν προωθήσει το εργαλείο και δεν το ενσωματώσει άμεσα στις καθημερινές ροές εργασίας της ομάδας του, το έργο δυσκολεύεται να αποδώσει αποτελέσματα. Πρέπει να ξεφύγουμε από την «παγίδα της παρουσίασης». Η επιτυχία δεν αφορά την εκκίνηση πολλών πιλοτικών ή τη συγκέντρωση δοκιμαστικών κινητήρων. Αφορά την ασφάλιση των δεδομένων σας, τον καθορισμό σαφών ορίων, την ανάθεση πραγματικής ευθύνης και την ήσυχη ενσωμάτωση της AI στον τρόπο που η επιχείρησή σας λειτουργεί καθημερινά.

Η Tredence έχει περιγράψει εδώ και πολύ καιρό το «τελευταίο μίλι» της AI ως τη σύνδεση των εννοιών με τη δράση. Η Agentic AI ενδέχεται να το προωθήσει πολύ πιο μακριά, επιτρέποντας στο λογισμικό να εκτελεί αποφάσεις. Πώς αλλάζει το πρόβλημα του τελευταίου μιλίου όταν η AI περνά από το να προτείνει μια ενέργεια στο να την εκτελεί αυτόνομα;

Στο παρελθόν, η αντιμετώπιση του τελευταίου μιλίου της AI ήταν πολύ παρόμοια με την οδήγηση με GPS. Η οθόνη έδειχνε ακριβώς πού να στρίψετε, αλλά έπρεπε ακόμη να κινήσετε το τιμόνι. Η Agentic AI αλλάζει εντελώς αυτό. Τώρα, το αυτοκίνητο ουσιαστικά οδηγεί μόνο του.

Αυτό αλλάζει ολόκληρη τη συζήτηση. Δεν προσπαθούμε πια μόνο να πείσουμε έναν διευθυντή να εμπιστευτεί ένα γράφημα σε έναν πίνακα ελέγχου· χτίζουμε συστήματα που μπορούμε να εμπιστευτούμε να λαμβάνουν αποφάσεις εκ μέρους μας. Η πραγματική πρόκληση δεν είναι πλέον να κάνουμε τους ανθρώπους να κοιτάζουν τα δεδομένα· είναι να καταλάβουμε πόσο έλεγχο είμαστε διατεθειμένοι να παραχωρήσουμε στο λογισμικό.

Για ρουτίνες, χαμηλού κινδύνου εργασίες, όπως η ενημέρωση των αποθεμάτων ή ο καθαρισμός αρχείων δεδομένων, η αυτόματη λειτουργία ενός πράκτορα είναι προφανής, επειδή εξαλείφει τις συνήθεις εταιρικές καθυστερήσεις. Αλλά τη στιγμή που μια απόφαση επηρεάζει μια σημαντική χρηματοοικονομική συναλλαγή, ένα ευαίσθητο παράπονο πελάτη ή ένα νομικό όριο, χρειάζεται ένας άνθρωπος να παρεμβεί και να πατήσει το φρένο.

Στο τέλος της ημέρας, οι εταιρείες που θα νικήσουν με την Agentic AI δεν θα είναι μόνο αυτές με την πιο έξυπνη τεχνολογία. Θα είναι οι οργανισμοί που θα θέσουν κρυστάλλινα όρια στο πού το λογισμικό μπορεί να λειτουργήσει αυτόνομα και πού η ανθρώπινη κρίση πρέπει να επαναλάβει το τιμόνι.

Έχετε υποστηρίξει ότι μια Agentic επιχείρηση απαιτεί τοπικό πλαίσιο, διακυβέρνηση και έξυπνη εκτέλεση για να λειτουργήσουν μαζί. Γιατί δεν αρκεί απλώς να τοποθετήσουν οι εταιρείες ένα LLM ή έναν AI πράκτορα πάνω στο υπάρχον σύστημα δεδομένων τους, και ποιες αρχιτεκτονικές αλλαγές απαιτούνται;

Η τοποθέτηση ενός LLM πάνω στα επιχειρησιακά δεδομένα είναι σαν να προσλαμβάνετε έναν έξυπνο υπάλληλο και του δίνετε πρόσβαση σε κάθε έγγραφο της εταιρείας από την πρώτη μέρα. Είναι έξυπνος και ικανός, αλλά δεν έχει ιδέα πώς λειτουργούν τα συστήματά σας, οι διαδικασίες, οι εσωτερικοί κανόνες και οι κανονισμοί.

Οι επιχειρήσεις αντιμετωπίζουν παρόμοια πρόκληση επειδή τα περιβάλλοντά τους είναι φυσικά πολύπλοκα. Τα δεδομένα υπάρχουν σε πολλαπλά συστήματα και οι επιχειρησιακοί κανόνες έχουν εξελιχθεί σιωπηρά σε πολλά χρόνια. Επιπλέον, οι υποχρεώσεις συμμόρφωσης διαφέρουν ανά κλάδο και γεωγραφία. Για να λειτουργήσουν αποτελεσματικά οι πράκτορες, χρειάζονται πλαίσιο, όχι μόνο πληροφορίες.

Γι’ αυτό σκεφτόμαστε την επιχειρησιακή AI ως αρχιτεκτονική τριών επιπέδων. Το πρώτο επίπεδο είναι μια αξιόπιστη βάση δεδομένων. Το δεύτερο είναι η επιχειρησιακή νοημοσύνη, η οποία καταγράφει το πλαίσιο, τις σχέσεις, τους ορισμούς και τις ροές εργασίας. Το τρίτο είναι το επίπεδο εμπειρίας και η εκτέλεση κλειστού βρόχου, όπου οι πράκτορες μπορούν να λογίζονται και να ενεργούν εντός των καθορισμένων ορίων.

Πολλοί οργανισμοί έχουν επενδύσει βαριά στο πρώτο επίπεδο και κάποιοι έχουν χτίσει στοιχεία του δεύτερου. Ωστόσο, η πραγματική ευκαιρία βρίσκεται στη σύνδεση και των τριών.

Χωρίς πλαίσιο και διακυβέρνηση, ακόμη και το πιο ικανό μοντέλο μπορεί να παράγει λογικές απαντήσεις που απλώς δεν ευθυγραμμίζονται με την επιχειρησιακή πραγματικότητα. Η επιχειρησιακή AI δεν χρειάζεται περισσότερη νοημοσύνη. Χρειάζεται περισσότερο πλαίσιο.

Ο όρος «AI agent» έχει γρήγορα γίνει ένας από τους πιο υπερβολικά χρησιμοποιημένους στην βιομηχανία. Από τεχνική άποψη, τι διαχωρίζει έναν πραγματικά χρήσιμο επιχειρησιακό πράκτορα από ένα chatbot συνδεδεμένο σε λίγα εργαλεία και ροές εργασίας;

Ένας πραγματικά χρήσιμος επιχειρησιακός πράκτορας ορίζεται περισσότερο από το πόσο ομαλά μιλάει και λιγότερο από το τι μπορεί να επιτύχει υπεύθυνα. Αυτή τη στιγμή, πολλά από όσα οι άνθρωποι αποκαλούν «πράκτορες» είναι απλώς chatbots συνδεδεμένα σε μερικά API. Μπορούν να απαντήσουν σε μια βασική ερώτηση ή να ενεργοποιήσουν μια απλή, άκαμπτη ροή εργασίας. Αυτό είναι χρήσιμο, αλλά δεν είναι μετασχηματιστικό.

Ένας αληθινός επιχειρησιακός πράκτορας δεν ακολουθεί απλώς ένα σενάριο· κατανοεί έναν τελικό στόχο, λογίζει διαφορετικές επιλογές, λειτουργεί σε πολλαπλά παλαιά συστήματα, προσαρμόζεται όταν αλλάζουν οι συνθήκες και παραμένει αυστηρά εντός των εταιρικών γραμμών διακυβέρνησης. Το βλέπω ως τη διαφορά μεταξύ μιας μηχανής αναζήτησης και ενός αξιόπιστου διευθυντή λειτουργιών. Η μία σας δίνει πληροφορίες· η άλλη αναλαμβάνει την ευθύνη να ολοκληρώσει τη δουλειά.

Για να το πετύχει αυτό, οι πράκτορες χρειάζονται βαθύ επιχειρησιακό πλαίσιο. Ένας πράκτορας αποθεμάτων λιανικής, για παράδειγμα, δεν μπορεί απλώς να κοιτάξει ένα φύλλο εργασίας· πρέπει να κατανοεί τους κύκλους αναπλήρωσης, τα πρότυπα ζήτησης, τα επίπεδα εξυπηρέτησης και τις επιπτώσεις στο περιθώριο κερδών ταυτόχρονα. Αυτό που διαχωρίζει έναν πραγματικό πράκτορα από ένα εξελιγμένο chatbot δεν είναι η διεπαφή συνομιλίας. Είναι η κατανόηση του τομέα, η μνήμη, η λογική, η ορχήστρωση του back‑end και η ενσωματωμένη λογοδοσία. Τελικά, οι επιχειρήσεις δεν χρειάζονται άλλο ένα περιβάλλον για να βλέπουν. Χρειαζόμαστε συστήματα που μπορούν να εκτελούν εργασία αξιόπιστα και σε κλίμακα.

Η Tredence δίνει μεγάλη έμφαση στην AI ειδικά για κλάδους, ιδιαίτερα σε τομείς όπως η λιανική και τα καταναλωτικά αγαθά. Καθώς τα foundation models γίνονται πιο ικανοί, πού παραμένει το πλεονέκτημα της εξειδίκευσης και πόσο από την ευφυΐα πρέπει τελικά να προέρχεται από την κατανόηση των ροών εργασίας, της ορολογίας, των περιορισμών και της οικονομίας ενός συγκεκριμένου κλάδου;

Τα μοντέλα βάσης έχουν γίνει εξαιρετικά ισχυρά, αλλά η εξειδίκευση τομέα παραμένει η διαφορά μεταξύ ακατέργαστης νοημοσύνης και πραγματικής χρησιμότητας. Είναι σαν να δίνετε το ίδιο ακριβώς υψηλής ισχύος ιατρικό εγχειρίδιο σε έναν χειρουργό, έναν εταιρικό δικηγόρο και έναν διευθυντή λιανικής. Η πληροφορία στο βιβλίο είναι ίδια, αλλά είναι πολύτιμη μόνο για το άτομο που πραγματικά κατανοεί τον ασθενή, το λειτουργικό δωμάτιο και τα ζητήματα της εργασίας.

Κάθε κλάδος έχει τους δικούς του αόρατους κανόνες, μοναδική οικονομική λογική, αυστηρούς κανονισμούς και καθημερινές λειτουργικές περιορισμούς. Στη λιανική, για παράδειγμα, μια πρόταση AI που τεχνικά βελτιώνει την ακρίβεια των προβλέψεών σας αλλά τυχαία προκαλεί μαζικές ελλείψεις προϊόντων στα ράφια δεν είναι χρήσιμη — είναι μια ευθύνη.

Όταν εφαρμόζουμε βαθιά εξειδικευμένη νοημοσύνη σε γενικά μοντέλα, τα επιχειρηματικά αποτελέσματα είναι τεράστια. Για παράδειγμα, στη Tredence, έχουμε υλοποιήσει λύσεις ειδικές για κλάδους που παρείχαν απίστευτα, επαληθευμένα αποτελέσματα για τους πελάτες μας. Ένα πρόγραμμα πρόβλεψης για σούπερ μάρκετ παρήγαγε αξία κοντά στα 200 εκατομμύρια δολάρια και έβαλε τα ποσοστά αντιστοίχισης επαναπληρώσεων πάνω από το 90 τοις εκατό. Μια πλατφόρμα εφοδιαστικής αλυσίδας βιομηχανίας απέφερε 10 εκατομμύρια δολάρια εξοικονόμησης στον πρώτο χρόνο. Μια εκσυγχρονισμός ροής εργασίας λιανικής μείωσε την προσπάθεια των αναλυτών κατά 70 τοις εκατό, ενώ ένα άλλο πρόγραμμα πέτυχε μείωση ζημιών ύψους 100 εκατομμυρίων δολαρίων.

Καθώς τα μοντέλα βάσης γίνονται μια εμπορευματοποιημένη υπηρεσία, όπως το ηλεκτρικό ρεύμα, το πραγματικό ανταγωνιστικό πλεονέκτημα μετατοπίζεται εντελώς προς εκείνους που διαθέτουν το καλύτερο ιδιόκτητο πλαίσιο και κατανόηση των ροών εργασίας, ώστε να μετατρέψουν τη γενική νοημοσύνη σε ακριβή επιχειρηματικά αποτελέσματα.

Υπάρχει μια ένταση μεταξύ της δημιουργίας επαναχρησιμοποιήσιμων πλατφορμών AI και της προσαρμογής των συστημάτων στα συγκεκριμένα δεδομένα και διαδικασίες κάθε επιχείρησης. Πώς καθορίζετε τι πρέπει να τυποποιηθεί και τι να προσαρμοστεί, και μπορεί η υπερβολική προσαρμογή τελικά να γίνει το δικό της εμπόδιο στην κλιμάκωση της AI;

Η εύρεση της σωστής ισορροπίας μεταξύ μιας τυποποιημένης πλατφόρμας και προσαρμοσμένων λειτουργιών είναι πάντα δύσκολη απόφαση. Προσωπικά, το βλέπω σαν αστικό σχεδιασμό. Προφανώς πρέπει να τυποποιήσετε τους δρόμους, τα δίκτυα ηλεκτρικής ενέργειας και τις υδραυλικές γραμμές, αλλά αυτό δεν σημαίνει ότι κάθε σπίτι στη γειτονιά πρέπει να είναι ακριβές αντίγραφο.

Ο ίδιος κανόνας ισχύει για την AI. Θέματα όπως η ασφάλεια δεδομένων, η διακυβέρνηση και η παρακολούθηση πρέπει να τυποποιηθούν πλήρως. Θα πρέπει ουσιαστικά να γίνουν αόρατη υποδομή της επιχείρησης. Για να γίνει αυτό αποδοτικό, θα πρότεινα στις εταιρείες να δημιουργήσουν μια εσωτερική αγορά επαναχρησιμοποιήσιμων πρακτόρων ώστε οι ομάδες να μην επανεφευρίσκουν συνεχώς τον τροχό.

Οι πραγματικές επιχειρηματικές ροές εργασίας, ωστόσο, πρέπει να παραμείνουν ευέλικτες, επειδή εκεί κρύβεται το μοναδικό σας ανταγωνιστικό πλεονέκτημα. Αυτή τη στιγμή, ο μεγαλύτερος κίνδυνος δεν είναι η υποπροσαρμογή, αλλά η υπερπροσαρμογή. Όταν κάθε υλοποίηση AI μετατρέπεται σε εξαιρετικά μοναδικό, απομονωμένο έργο μηχανικής, η κλιμάκωση γίνεται εφιάλτης και τα κόστη συντήρησης εκτοξεύονται. Ο στόχος πρέπει να είναι η δημιουργία μιας επαναλήψιμης ικανότητας. Τυποποιείτε μια στέρεη βάση και στη συνέχεια παρέχετε στις ομάδες τα δομικά στοιχεία που χρειάζονται για να την προσαρμόσουν γρήγορα στις δικές τους ανάγκες. Η δυνατότητα αξιοποίησης και επαναχρησιμοποίησης των δυνατοτήτων AI γίνεται καθοριστικός διαχωριστικός παράγοντας, επιταχύνοντας την υιοθέτηση και παρέχοντας ταχύτερο χρόνο-προς-αξία και ισχυρότερο ROI.

Καθώς οι πράκτορες αποκτούν τη δυνατότητα λήψης αποφάσεων και εκτέλεσης εργασιών, πώς πρέπει οι επιχειρήσεις να καθορίζουν πού είναι κατάλληλη η αυτονομία και πού η ανθρώπινη έγκριση πρέπει να παραμένει υποχρεωτική; Υπάρχουν συγκεκριμένες επιχειρηματικές λειτουργίες όπου πιστεύετε ότι οι οργανισμοί προχωρούν πολύ γρήγορα ή πολύ προσεκτικά;

Όσον αφορά την παροχή αυτονομίας στην AI, ο κίνδυνος πρέπει πάντα να καθορίζει τους κανόνες, όχι μόνο το τι μπορεί να διαχειριστεί η τεχνολογία. Το γεγονός ότι ένας πράκτορας μπορεί να εκτελέσει μια διαδικασία από την αρχή μέχρι το τέλος δεν σημαίνει ότι πρέπει να αφαιρέσετε εντελώς το ασφαλιστικό σχοινί. Ρουτινές, καθημερινές εργασίες όπως η καταγραφή αποθεμάτων ή ο συγχρονισμός αρχείων back‑office είναι ιδανικές για πλήρη αυτοματοποίηση, επειδή εξαλείφουν τεράστια λειτουργικά εμπόδια. Αλλά τη στιγμή που μια απόφαση αφορά αυστηρούς κανονισμούς, σημαντικές χρηματοοικονομικές δαπάνες ή ζητήματα πελατών υψηλού κινδύνου, χρειάζεται οπωσδήποτε ένας άνθρωπος στη διαδικασία.

Αυτή τη στιγμή, βλέπω τις εταιρείες να είναι υπερβολικά προσεκτικές στις λειτουργίες εφοδιαστικής αλυσίδας και back‑office. Συνεχίζουν να καθυστερούν στην αυτοματοποίηση της ρουτινής προμήθειας και του ταυτοποίησης τιμολογίων, όπου οι πράκτορες θα μπορούσαν σήμερα να εξοικονομήσουν χρόνο με ασφάλεια. Από την άλλη πλευρά, προχωρούν πάρα πολύ γρήγορα στην εξυπηρέτηση πελατών και τη νομική συμμόρφωση, βιάζοντας αυτόνομους πράκτορες σε απρόβλεπτες διαφορές με πελάτες ή αυτοματοποιημένες ανασκοπήσεις συμβάσεων χωρίς πραγματικά μέτρα ασφαλείας. Ο στόχος εδώ είναι η υπεύθυνη αυτοματοποίηση, όχι η μέγιστη αυτοματοποίηση.

Καθώς τα μοντέλα αιχμής γίνονται φθηνότερα και πιο ικανοί, ο ρόλος των εταιρειών παροχής υπηρεσιών AI πιθανότατα θα αλλάξει. Η αξία μετατοπίζεται όλο και περισσότερο από την κατασκευή μοντέλων προς την αρχιτεκτονική δεδομένων, την ενσωμάτωση, την αξιολόγηση, την ορχήστρωση, τη διακυβέρνηση και τον επανασχεδιασμό των επιχειρηματικών διαδικασιών γύρω από την AI; Τι θα διαφοροποιήσει τις εταιρείες υπηρεσιών AI που θα παραμείνουν πολύτιμες;

Παρακολουθούμε μια φυσική μετατόπιση στο σημείο όπου δημιουργείται η αξία. Πριν από λίγα χρόνια, η ακατέργαστη υπολογιστική υποδομή ήταν ένα σημαντικό ανταγωνιστικό πλεονέκτημα. Σήμερα, αποτελεί κυρίως μια υπηρεσία, και τα μοντέλα AI κινούνται γρήγορα προς την ίδια κατεύθυνση.

Οι επιχειρήσεις δεν αναζητούν πλέον μεγαλύτερα μοντέλα. Θέλουν πιο γρήγορες αποφάσεις, υψηλότερη παραγωγικότητα και σαφή επιχειρηματικά αποτελέσματα. Γι’ αυτό, η αξία έχει μετακινηθεί εντελώς στο οικοσύστημα που περιβάλλει το μοντέλο — στοιχεία όπως καθαρή αρχιτεκτονική δεδομένων, στενή διακυβέρνηση, έξυπνη ορχήστρωση και πλήρης επανασχεδιασμός των ροών εργασίας ώστε η AI να είναι πραγματικά πρακτική σε κλίμακα. Οι νικητές δεν θα είναι απαραίτητα οι εταιρείες με την πιο εξελιγμένη τεχνολογία, αλλά εκείνες που μπορούν να μετατρέψουν την τεχνολογία σε απτά επιχειρηματικά αποτελέσματα.

Βλέπουμε επίσης τις επιχειρήσεις να υιοθετούν μια προσέγγιση χαρτοφυλακίου στην AI. Τα μοντέλα frontier, τα open-weight μοντέλα και τα μικρότερα εξειδικευμένα μοντέλα έχουν όλοι ρόλο ανάλογα με τη χρήση, το κόστος, τη λανθάνοντα χρόνο και τις απαιτήσεις διακυβέρνησης. Καθώς η AI ωριμάζει, η επιτυχία θα καθορίζεται λιγότερο από το ποιος κατασκευάζει τη μηχανή και περισσότερο από το ποιος ξέρει πώς να την αξιοποιήσει μέσα σε μια επιχείρηση. Αυτό που αποκαλώ «ρυθμός εκτέλεσης» θα διαχωρίσει τελικά τους νικητές από τους υπόλοιπους.

Κοιτάζοντας μερικά χρόνια μπροστά, εάν οι επιχειρήσεις ξεπεράσουν επιτυχώς τα σημερινά προβλήματα δεδομένων, διακυβέρνησης και ενσωμάτωσης, πώς θα μοιάζει μια AI-φυσική μεγάλη εταιρεία; Αναμένετε οι πράκτορες να παραμείνουν εργαλεία που χρησιμοποιούν οι υπάλληλοι, ή θα δούμε όλο και πιο συχνά ολόκληρες ροές εργασίας και επιχειρηματικές λειτουργίες να λειτουργούν από συντονισμένα δίκτυα πρακτόρων AI;

Μια AI-φυσική επιχείρηση δεν θα είναι απλώς μια παραδοσιακή εταιρεία με λίγα επιπλέον λογισμικά εργαλεία. Θα είναι μια θεμελιωδώς επανασχεδιασμένη επιχείρηση. Έχουμε δει παρόμοιες μεταβολές κατά τις εποχές του Internet και της ψηφιακής εποχής, όταν η τεχνολογία άλλαξε όχι μόνο τον τρόπο λειτουργίας των επιχειρήσεων, αλλά και τη δομή τους. Αυτές οι εταιρείες θα λειτουργούν πολύ διαφορετικά.

Σήμερα, οι επιχειρήσεις οργανώνονται γύρω από ανθρώπους που εκτελούν χειροκίνητες εργασίες με τη στήριξη λογισμικού. Στο μέλλον, ολόκληρες ροές εργασίας μπορεί να ορχηστρώνονται από συντονισμένα δίκτυα πρακτόρων AI, με τους ανθρώπους να αναλαμβάνουν έναν όλο και πιο εποπτικό και στρατηγικό ρόλο. Είναι κάτι παρόμοιο με το πώς η ηλεκτρισμός μεταμόρφωσε τα εργοστάσια. Δεν εξάλειψε το εργοστάσιο· το άλλαξε εντελώς ως προς το σχεδιασμό και τη λειτουργία του.

Σε αυτές τις μελλοντικές εταιρείες, οι πράκτορες θα παρακολουθούν συνεχώς τις λειτουργίες, θα επισημαίνουν ευκαιρίες και θα διαχειρίζονται την καθημερινή εκτέλεση σε διάφορα τμήματα. Αυτό δεν σημαίνει ότι οι άνθρωποι εξαφανίζονται· οι δουλειές μας γίνονται πολύ πιο στρατηγικές, μετατοπιζόμενες εξ ολοκλήρου στην κρίση, την καινοτομία και τη δημιουργία σχέσεων.

Οι νικητές δεν θα είναι οι εταιρείες που θα αναπτύξουν τους περισσότερους πράκτορες. Θα είναι αυτές που θα δημιουργήσουν το ισχυρότερο μείγμα αξιόπιστων δεδομένων, γνώσης τομέα και ανθρώπινης επίβλεψης. Το μέλλον δεν αφορά πλήρως αυτόνομες επιχειρήσεις· αφορά έξυπνα ορχηστρωμένες επιχειρήσεις όπου άνθρωποι και πράκτορες συνεργάζονται για να πετύχουν στόχους που κανένας από τους δύο δεν θα μπορούσε να επιτύχει μόνος του.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη· οι αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν το Tredence.