Jitendra Putcha, COO de Tredence – Serie de entrevistas

Jitendra Putcha, COO de Tredence, es un ejecutivo experimentado en tecnología y operaciones con casi tres décadas de experiencia que abarca inteligencia artificial, análisis de datos, transformación digital, entrega y servicios de tecnología empresarial. Antes de unirse a Tredence en abril de 2026, se desempeñó como Director de Entregas en Mastech Digital, donde formó parte del equipo de liderazgo ejecutivo supervisando la estrategia, la transformación, las responsabilidades de P&L y la entrega de servicios. Anteriormente pasó varios años en LTIMindtree y LTI, llegando a ser Vicepresidente Senior y Jefe Global de Datos & IA, con responsabilidad por la adopción de IA empresarial, IA generativa, agentes de IA, servicios de datos y análisis, ingeniería de productos y desarrollo de plataformas. Antes, Putcha trabajó casi 18 años en Cognizant, ascendiendo a puestos de alta dirección, incluido Vicepresidente de IA y Analítica y Director del Centro de Hyderabad, donde su labor abarcó la entrega global de datos y analítica, la transformación impulsada por IA y la ampliación de capacidades analíticas en diversas industrias. Su carrera anterior incluyó roles en Wipro y DSQ Software, lo que le proporcionó una base profesional que abarca almacenamiento de datos, inteligencia de negocios, analítica y entrega a gran escala en entornos empresariales.

Tredence es una empresa global de ciencia de datos y soluciones de IA centrada en abordar lo que denomina el problema de la “última milla” en IA: la brecha entre generar ideas y convertirlas en resultados comerciales medibles. Fundada en 2013, la compañía combina experiencia sectorial con ingeniería de datos, ciencia de datos, aprendizaje automático, IA generativa, agentes de IA, tecnologías en la nube y aceleradores propietarios para ayudar a las empresas a operacionalizar la IA a gran escala. Tredence afirma contar con más de 4.200 empleados y colabora con compañías de los sectores minorista, bienes de consumo empaquetados, tecnología, telecomunicaciones, salud, viajes, industria y otros. Su enfoque enfatiza la integración de análisis e IA en procesos empresariales reales en lugar de detenerse en modelos o paneles, con capacidades que abarcan IA generativa lista para la empresa, sistemas multimodales y agentes, IA responsable, modernización de datos y gobernanza de IA.

Usted aporta más de 28 años de experiencia que abarcan datos empresariales, análisis, IA y entrega global a gran escala, incluidos roles de liderazgo en Cognizant, LTIMindtree y Mastech Digital antes de unirse a Tredence como Director de Operaciones en 2026. ¿Qué le atrajo de Tredence en esta etapa particular de su crecimiento, y cuál ve como la mayor oportunidad para redefinir cómo una empresa de servicios centrada en IA opera y entrega valor a medida que las organizaciones pasan de la experimentación a la IA a gran escala?

Lo que me atrajo a Tredence fue lo arraigada que está la empresa. En mi carrera, he visto muchos cambios tecnológicos, pero es raro encontrar una organización que conecte una profunda experiencia en IA directamente con resultados comerciales reales. Tredence no solo habla de IA por decirlo; construye soluciones que resuelven problemas empresariales reales.

En este momento, la industria se encuentra en un punto de inflexión asombroso. Está superando la fase de pruebas y planteándose la pregunta difícil: ¿Cómo incorporamos la IA en nuestras operaciones diarias? A esto lo llamamos la “última milla” de la IA: cerrar la brecha entre generar ideas y asegurarnos de que esas ideas lleguen a la persona, proceso o decisión específicos donde puedan producir un resultado útil.

La oportunidad aquí no se trata solo de desplegar herramientas más llamativas. Se trata de resolver un problema de ejecución, ayudar a las organizaciones a pensar de manera diferente y ver un valor medible. Como COO, mi trabajo es proteger esa ventaja. Quiero asegurarme de que ampliemos nuestras operaciones sin perder agilidad ni enfoque en el cliente, convirtiendo ambiciones de IA de alto nivel en retornos reales.

Seguimos viendo que las empresas ejecutan pilotos de IA prometedores que nunca se convierten en sistemas de producción significativos. Cuando observamos los proyectos que se estancan, ¿cuáles son los puntos de falla más comunes y cuáles de esos problemas siguen subestimando los ejecutivos?

Honestamente, la mayoría de los pilotos de IA no fallan porque la tecnología falle. Fallan porque tratamos la IA como un motor potente pero nos olvidamos de construir el coche real a su alrededor. Piense en ello de esta manera: un motor de clase mundial es completamente inútil si no le proporciona combustible limpio, un volante y un conductor.

Su modelo de IA quedará varado en el garaje de la misma manera si subestima tres fundamentos. Los datos confiables son su combustible limpio. Si sus datos son una base desordenada y desorganizada, su motor se obstruye y su modelo ofrece respuestas poco fiables. Una gobernanza sólida es su volante. Sin reglas claras y barreras de seguridad, los equipos simplemente tienen demasiado miedo al riesgo para poner el coche en la carretera.

Finalmente, la clara titularidad del negocio es su conductor, y es el aspecto que los ejecutivos subestiman más. Si un líder empresarial no toma el control, no promueve la herramienta y no la integra directamente en los flujos de trabajo diarios de su equipo, el proyecto tendrá dificultades para entregar resultados. Debemos escapar de la “trampa de la demostración”. El éxito no consiste en lanzar muchos pilotos o recopilar motores de prueba. Se trata de asegurar sus datos, establecer barreras claras, asignar una responsabilidad real e integrar la IA discretamente en la forma en que su negocio opera cada día.

Tredence ha descrito durante mucho tiempo la “última milla” de la IA como la conexión de ideas a la acción. La IA agente potencialmente lleva eso mucho más lejos al permitir que el software ejecute decisiones. ¿Cómo cambia el problema de la última milla cuando la IA pasa de recomendar una acción a tomarla de forma autónoma?

En el pasado, abordar la última milla de la IA era muy parecido a conducir con un GPS. La pantalla te indicaba exactamente dónde girar, pero aún tenías que mover el volante físicamente. La IA agente invierte eso por completo. Ahora, el coche se conduce esencialmente por sí mismo.

Esto cambia toda la conversación. Ya no se trata solo de convencer a un gerente de que confíe en un gráfico en un panel; estamos construyendo sistemas en los que podemos confiar para que tomen decisiones en nuestro nombre. El verdadero desafío ya no es lograr que la gente mire los datos; es determinar cuánta autoridad estamos dispuestos a ceder al software.

Para tareas rutinarias y de bajo riesgo, como actualizar los registros de inventario o limpiar archivos de datos, dejar que un agente opere en piloto automático es una obviedad porque elimina los habituales retrasos corporativos. Pero en el momento en que una decisión afecta una transacción financiera importante, una queja sensible de un cliente o un límite legal, se necesita a un humano listo para intervenir y frenar.

Al final, las empresas que triunfen con IA agente no serán solo las que cuenten con la tecnología más avanzada. Serán las organizaciones que establezcan límites cristalinos sobre dónde el software puede operar de forma autónoma y dónde el juicio humano debe retomar el control.

Has argumentado que una empresa agente requiere contexto de dominio, gobernanza y ejecución inteligente trabajando en conjunto. ¿Por qué no basta que las compañías simplemente coloquen un LLM o agente de IA sobre su pila de datos existente, y qué cambios arquitectónicos son necesarios?

Colocar un LLM sobre los datos empresariales es como contratar a un empleado inteligente y darle acceso a todos los documentos de la compañía desde el primer día. Es inteligente y capaz, pero aún no tiene idea de cómo funcionan tus sistemas, procesos, normas internas y regulaciones.

Las empresas enfrentan un desafío similar porque sus entornos son naturalmente complejos. Los datos existen en múltiples sistemas, y las reglas de negocio han evolucionado silenciosamente durante muchos años. Además, las obligaciones de cumplimiento varían según la industria y la geografía. Para que los agentes funcionen eficazmente, necesitan contexto, no solo información.

Por eso concebimos la IA empresarial como una arquitectura de tres capas. La primera capa es una base de datos confiable. La segunda es la inteligencia de dominio, que captura el contexto empresarial, relaciones, definiciones y flujos de trabajo. La tercera es la capa de experiencia y la ejecución en bucle cerrado, donde los agentes pueden razonar y actuar dentro de límites gobernados.

Muchas organizaciones han invertido fuertemente en la primera capa, y algunas han construido elementos de la segunda. Sin embargo, la verdadera oportunidad reside en conectar las tres.

Sin contexto y gobernanza, incluso el modelo más capaz puede generar respuestas plausibles que simplemente no se alinean con la realidad empresarial. La IA empresarial no necesita más inteligencia. Necesita más contexto.

“Agente de IA” se ha convertido rápidamente en uno de los términos más sobreutilizados en la industria. Desde una perspectiva técnica, ¿qué diferencia a un agente empresarial verdaderamente útil de un chatbot conectado a unas pocas herramientas y flujos de trabajo?

Un agente empresarial genuinamente útil se define menos por la fluidez con la que habla y más por lo que puede lograr de manera responsable. En la actualidad, gran parte de lo que la gente llama “agentes” son simplemente chatbots conectados a un par de API. Pueden responder una pregunta básica o activar un flujo de trabajo simple y rígido. Eso es útil, pero no es transformador.

Un verdadero agente empresarial no solo sigue un guion; comprende un objetivo final, razona entre distintas opciones, opera a través de múltiples sistemas heredados, se adapta cuando las cosas cambian y se mantiene estrictamente dentro de las líneas de gobernanza corporativa. Lo veo como la diferencia entre un motor de búsqueda y un gerente de operaciones de confianza. Uno te brinda información; el otro asume la responsabilidad de cumplir la tarea.

Para lograr eso, los agentes necesitan un profundo contexto de dominio. Un agente de inventario minorista, por ejemplo, no puede limitarse a mirar una hoja de cálculo; debe entender los ciclos de reposición, los patrones de demanda, los niveles de servicio y las implicaciones de margen simultáneamente. Lo que separa a un agente real de un chatbot sofisticado no es la interfaz de chat. Es la comprensión del dominio, la memoria, el razonamiento, la orquestación de back‑end y la responsabilidad incorporada. En última instancia, las empresas no necesitan otra interfaz para observar. Necesitamos sistemas que puedan ejecutar trabajo de forma fiable y a escala.

Tredence otorga una gran importancia a la IA específica de la industria, particularmente en sectores como el retail y los bienes de consumo. A medida que los modelos de base se vuelven más capaces, ¿dónde sigue la experiencia de dominio creando una ventaja, y cuánto de la inteligencia debe provenir finalmente de la comprensión de los flujos de trabajo, la terminología, las limitaciones y la economía de una industria particular?

Los modelos de base se han vuelto increíblemente poderosos, pero la experiencia sectorial sigue siendo la diferencia entre inteligencia cruda y utilidad real. Es como entregar el mismo libro de texto médico de alto nivel a un cirujano, a un abogado corporativo y a un gerente de ventas minoristas. La información del libro es idéntica, pero solo es valiosa para la persona que realmente comprende al paciente, el quirófano y los riesgos del trabajo. 

Cada industria tiene sus propias reglas invisibles, economías únicas, regulaciones estrictas y limitaciones operativas diarias. En el comercio minorista, por ejemplo, una recomendación de IA que técnicamente mejora la precisión de sus pronósticos pero que accidentalmente provoca situaciones masivas de agotamiento de stock en los estantes no es útil; es una responsabilidad.

Cuando aplicamos una profunda inteligencia sectorial a modelos de propósito general, los resultados empresariales son enormes. Por ejemplo, en Tredence, hemos implementado soluciones específicas de dominio que entregaron resultados increíbles y verificados para nuestros clientes. Un programa de pronóstico para supermercados generó cerca de 200 millones de dólares en valor y elevó las tasas de coincidencia de reposición por encima del 90 por ciento. Una plataforma de cadena de suministro manufacturera generó 10 millones de dólares en ahorros durante el primer año. Una modernización de flujos de trabajo minoristas redujo el esfuerzo de los analistas en un 70 por ciento, mientras que otro programa logró una reducción de pérdidas de 100 millones de dólares.

A medida que los modelos de base se convierten en una utilidad commoditizada, como la electricidad, la verdadera ventaja competitiva se traslada por completo a quien posee el mejor contexto propietario y comprensión de los flujos de trabajo para transformar la inteligencia genérica en resultados empresariales precisos.

Existe una tensión entre construir plataformas de IA reutilizables y adaptar los sistemas a los datos y procesos específicos de cada empresa. ¿Cómo determinar qué debe estandarizarse y qué debe personalizarse, y puede la personalización excesiva convertirse eventualmente en una barrera para escalar la IA?

Encontrar el equilibrio adecuado entre una plataforma estándar y funciones personalizadas siempre es una decisión difícil. Personalmente, lo veo como planificación urbana. Evidentemente, hay que estandarizar sus carreteras, redes eléctricas y líneas de agua, pero eso no significa que cada casa del vecindario deba ser una copia idéntica.

La misma regla se aplica a la IA. Aspectos como la seguridad de los datos, la gobernanza y la monitorización deben estar completamente estandarizados. Básicamente, deberían convertirse en una infraestructura empresarial invisible. Para lograr eficiencia, recomendaría a las empresas crear un mercado interno de agentes reutilizables, de modo que los equipos no tengan que reinventar la rueda constantemente.

Sin embargo, sus flujos de trabajo empresariales reales deben permanecer flexibles, porque allí es donde reside su ventaja competitiva única. En este momento, el mayor riesgo no es la falta de personalización, sino la sobrepersonalización. Cuando cada implementación de IA se convierte en un proyecto de ingeniería altamente único y aislado, escalar se vuelve una pesadilla y los costos de mantenimiento se disparan. El objetivo debe ser construir una capacidad repetible. Se estandariza una base sólida y luego se brinda a los equipos los bloques que necesitan para adaptarla rápidamente a sus propias necesidades. La capacidad de aprovechar y reutilizar las capacidades de IA se vuelve un diferenciador clave, acelerando la adopción y entregando un tiempo de valor más rápido y un ROI más sólido.

A medida que los agentes adquieren la capacidad de tomar decisiones y ejecutar tareas, ¿cómo deben las empresas determinar dónde es apropiada la autonomía y dónde debe seguir siendo obligatoria la aprobación humana? ¿Existen funciones empresariales particulares en las que usted cree que las organizaciones están avanzando demasiado rápido o demasiado cautelosamente?

Cuando se trata de otorgar autonomía a la IA, el riesgo siempre debe dictar las reglas, no solo lo que la tecnología es capaz de manejar. El hecho de que un agente pueda ejecutar un proceso de principio a fin no significa que deba eliminarse por completo la cuerda de seguridad. Tareas rutinarias y cotidianas, como registrar inventario o sincronizar archivos de back‑office, son perfectas para una automatización total porque eliminan cuellos de botella operacionales masivos. Pero en el momento en que una decisión involucra regulaciones estrictas, gastos financieros importantes o problemas críticos de clientes, es absolutamente necesario contar con un humano en el proceso.

En la actualidad, veo que las empresas son demasiado cautelosas en la cadena de suministro y en las operaciones de back‑office. Arrastran la automatización de la adquisición rutinaria y la conciliación de facturas, donde los agentes podrían ahorrar tiempo de forma segura hoy. Por otro lado, avanzan demasiado rápido en servicio al cliente y cumplimiento legal, introduciendo agentes autónomos en disputas de clientes impredecibles o revisiones automáticas de contratos sin verdaderas salvaguardas. El objetivo aquí es una automatización responsable, no la máxima automatización.

A medida que los modelos de frontera se vuelven más baratos y capaces, es probable que el papel de las empresas de servicios de IA cambie. ¿Se desplaza cada vez más el valor de la construcción de modelos hacia la arquitectura de datos, la integración, la evaluación, la orquestación, la gobernanza y el rediseño de procesos empresariales alrededor de la IA? ¿Qué diferenciará a las firmas de servicios de IA que seguirán siendo valiosas?

Estamos presenciando un cambio natural en dónde se crea el valor. Hace unos años, la infraestructura informática bruta era una ventaja competitiva importante. Hoy, es en gran medida una utilidad, y los modelos de IA se dirigen rápidamente en la misma dirección.

Las empresas ya no buscan modelos más grandes. Quieren decisiones más rápidas, mayor productividad y resultados comerciales claros. Por eso, el valor se ha trasladado por completo al ecosistema que rodea al modelo: cosas como una arquitectura de datos limpia, una gobernanza estricta, una orquestación inteligente y la reinvención total de los flujos de trabajo para que la IA sea realmente práctica a gran escala. Los ganadores no serán necesariamente las compañías con la tecnología más sofisticada, sino aquellas que puedan convertir la tecnología en resultados comerciales tangibles.

También estamos viendo que las empresas adoptan un enfoque de cartera para la IA. Los modelos de frontera, los modelos de peso abierto y los modelos especializados más pequeños tienen todos un papel según el caso de uso, el costo, la latencia y los requisitos de gobernanza. A medida que la IA madura, el éxito dependerá menos de quién construye el motor y más de quién sabe cómo ponerlo en funcionamiento dentro de una empresa. Lo que yo llamo “ritmo de ejecución” será, en última instancia, lo que separará a los ganadores del resto.

Mirando varios años hacia adelante, si las empresas superan con éxito los problemas actuales de datos, gobernanza e integración, ¿cómo se ve realmente una gran compañía nativa de IA? ¿Esperas que los agentes sigan siendo herramientas utilizadas por los empleados, o veremos cada vez más flujos de trabajo y funciones empresariales operados por redes coordinadas de agentes de IA?

Una empresa nativa de IA no será simplemente una compañía tradicional con unas cuantas herramientas de software adicionales. Será una empresa fundamentalmente reinventada. Hemos visto cambios similares durante las eras de Internet y digital, cuando la tecnología modificó no solo la forma en que operaban los negocios, sino también su estructura. Estas compañías funcionarán de manera muy diferente.

Hoy, las empresas están organizadas alrededor de personas que realizan tareas manuales respaldadas por software. En el futuro, flujos de trabajo completos podrían ser orquestados por redes coordinadas de agentes de IA, con los humanos asumiendo un papel cada vez más supervisivo y estratégico. Es similar a cómo la electricidad transformó las fábricas. No eliminó la fábrica; cambió por completo su diseño y funcionamiento.

En estas compañías del futuro, los agentes monitorizarán continuamente las operaciones, señalarán oportunidades y gestionarán la ejecución rutinaria en diferentes departamentos. Eso no significa que los humanos desaparezcan; nuestros trabajos simplemente se volverán mucho más estratégicos, pasando totalmente al juicio, la innovación y la construcción de relaciones.

Los ganadores no serán las compañías que desplieguen la mayor cantidad de agentes. Serán aquellas que construyan la combinación más sólida de datos confiables, inteligencia de dominio y supervisión humana. El futuro no se trata de empresas totalmente autónomas; se trata de empresas orquestadas inteligentemente donde humanos y agentes trabajan juntos para alcanzar metas que ninguno podría lograr por sí solo.

Gracias por la excelente entrevista, los lectores que deseen obtener más información deberían visitar Tredence.