Jitendra Putcha, Tredencen operatiivinen johtaja – Haastattelusarja

Jitendra Putcha, Tredencen operatiivinen johtaja, on kokenut teknologia- ja operatiivinen johtaja, jolla on lähes kolmen vuosikymmenen kokemus tekoälyn, data-analytiikan, digitaalisen transformaation, toimituksen ja yritysteknologiapalveluiden alalta. Ennen kuin hän liittyi Tredenceen huhtikuussa 2026, hän toimi Chief Delivery Officerina Mastech Digitalissa, jossa hän kuului johtoryhmään, joka valvoi strategiaa, transformaatiota, P&L‑vastuuta ja palvelutoimituksia. Hän vietti aiemmin useita vuosia LTIMindtreessä ja LTI:ssä, lopulta toimi Senior Vice President ja Global Head of Data & AI -roolissa, vastaten yritystason tekoälyn omaksumisesta, generatiivisesta tekoälystä, tekoälyagenteista, data‑ ja analytiikkapalveluista, tuoteinsinöörityöstä sekä alustan kehittämisestä. Aikaisemmin Putcha työskenteli lähes 18 vuotta Cognizantissa, edeten seniorijohdon tehtäviin, mukaan lukien tekoälyn ja analytiikan varatoimitusjohtaja sekä Hyderabad Centerin johtaja, jossa hänen työnsä kattoi globaalin data‑ ja analytiikkatoimituksen, tekoälypohjaisen transformaation ja analytiikkakyvykkyyksien skaalaamisen eri toimialoilla. Aikaisempi uransa sisälsi tehtäviä Wiprossa ja DSQ Software -yrityksessä, mikä antoi hänelle perustan, joka kattaa data‑warehousingin, liiketoimintatiedon, analytiikan ja laajamittaisen yritystoimituksen.

Tredence on globaali data‑tieteen ja tekoälyratkaisujen yritys, joka keskittyy ratkaisemaan sitä, mitä se kutsuu “last-mile” -ongelmaksi tekoälyssä — kuilua oivallusten tuottamisen ja niiden muuttamisen mitattaviksi liiketoimintatuloksiksi välillä. Vuonna 2013 perustettu yritys yhdistää toimialatuntemuksen data‑engineeringiin, data‑scienceen, koneoppimiseen, generatiiviseen tekoälyyn, tekoälyagenteihin, pilviteknologioihin ja omiin kiihdyttimiin auttaakseen yrityksiä operatiivistamaan tekoälyä mittakaavassa. Tredence kertoo työllistävänsä yli 4 200 työntekijää ja työskentelevänsä yritysten kanssa vähittäiskaupan, kuluttajatuotteiden, teknologian, televiestinnän, terveydenhuollon, matkailun, teollisuuden ja muiden alojen sektoreilla. Sen lähestymistapa korostaa analytiikan ja tekoälyn upottamista todellisiin liiketoimintaprosesseihin sen sijaan, että pysähtyisi malleihin tai hallintanäkymiin, ja se kattaa kyvyt, jotka ulottuvat yrityskelpoisesta generatiivisesta tekoälystä, multimodaaleista ja agenttisista järjestelmistä, vastuullisesta tekoälystä, datan modernisoinnista ja tekoälyn hallinnasta.

Sinulla on yli 28 vuoden kokemus yritysdatasta, analytiikasta, tekoälystä ja laajamittaisesta globaalista toimituksesta, mukaan lukien johtotehtävät Cognizantissa, LTIMindtreessä ja Mastech Digitalissa ennen kuin liityit Tredencen operatiiviseksi johtajaksi vuonna 2026. Mikä sinua houkutteli Tredenceen juuri tässä kasvuvaiheessa, ja mikä mielestäsi on suurin mahdollisuus muokata AI‑keskeisen palveluyrityksen toimintaa ja arvon tuottamista, kun yritykset siirtyvät kokeiluvaiheesta tekoälyn mittakaava‑käyttöönottoon?

Minua vetosi Tredencen maadoitettu lähestymistapa. Urallani olen nähnyt monia teknologisia muutoksia, mutta on harvinaista löytää organisaatio, joka yhdistää syvän tekoälyosaamisen suoraan todellisiin liiketoimintatuloksiin. Tredence ei puhu pelkästään tekoälystä sen vuoksi; se rakentaa ratkaisuja, jotka ratkaisevat todellisia yritysongelmia.

Tällä hetkellä ala on uskomattoman merkittävän käännekohdan äärellä. Se siirtyy testausvaiheesta ja esittää vaikean kysymyksen: Kuinka upotamme tekoälyn päivittäiseen toimintaamme? Tätä kutsumme “last mile” -tekoälyksi: kuilun siltaamisesta oivallusten tuottamisen ja sen varmistamisen välillä, että oivallukset saavuttavat oikean henkilön, prosessin tai päätöksen, jossa ne voivat tuottaa hyödyllisen tuloksen.

Tämä mahdollisuus ei koske pelkästään hienompien työkalujen käyttöönottoa. Kyse on toteutuksen ongelmasta, organisaatioiden ajattelutavan muuttamisesta ja mitattavan arvon näkemisestä. Operatiivisena johtajana tehtäväni on suojella tätä etumatkaa. Haluan varmistaa, että skaalautamme toimintaamme menettämättä ketteryyttä tai asiakaslähtöisyyttä, muuttaen korkean tason tekoälyambitiot todellisiksi tuotoiksi.

Havaitsemme yhä, että yritykset toteuttavat lupaavia tekoälypilotteja, jotka eivät koskaan muutu merkityksellisiksi tuotantojärjestelmiksi. Kun tarkastelet pysähtyneitä projekteja, mitkä ovat yleisimmät epäonnistumispisteet, ja mitkä näistä ongelmista johtajat edelleen aliarvioivat?

Rehellisesti sanottuna useimmat tekoälypilotit eivät epäonnistu teknologian takia. Ne epäonnistuvat, koska käsittelemme tekoälyä voimakkaana moottorina, mutta unohdamme rakentaa varsinaisen auton sen ympärille. Ajattele näin: Maailmanluokan moottori on täysin hyödytön, jos et anna sille puhdasta polttoainetta, ohjauspyörää ja kuljettajaa.

Tekoälymallisi jää samoin kuin se olisi jumiutunut autotalliin, jos aliarvioit kolme perusasiaa. Luotettava data on puhdas polttoaineesi. Jos datasi on sotkuinen, järjestämätön perusta, moottorisi tukkeutuu ja mallisi antaa epäluotettavia vastauksia. Vahva hallinto on ohjauspyöräsi. Ilman selkeitä sääntöjä ja turvallisuusrajoja tiimit pelkäävät liian paljon riskiä, eikä autoa voida laittaa tielle.

Lopuksi selkeä liiketoiminnan omistajuus on kuljettajasi, ja se on se osa, jota johtajat aliarvioivat eniten. Jos liiketoimintajohtaja ei ota ohjausta, puolusta työkalua ja upota sitä suoraan tiiminsä päivittäisiin työnkulkuihin, projekti kamppailee tulosten tuottamisessa. Meidän on vältettävä “demo ansaa”. Menestys ei ole monien pilottien käynnistämistä tai testimoottoreiden keräämistä. Se on datan lukitseminen, selkeiden rajojen asettaminen, todellisen vastuullisuuden määrittäminen ja tekoälyn hiljainen upottaminen siihen, miten liiketoimintasi toimii joka päivä.

Tredence on pitkään kuvannut tekoälyn “viimeistä mailia” yhteytenä oivallusten ja toiminnan välillä. Agenttipohjainen tekoäly voi viedä tämän paljon pidemmälle antamalla ohjelmiston toteuttaa päätökset. Miten viimeisen mailin ongelma muuttuu, kun tekoäly siirtyy suosittelemaan toimintaa sen sijaan, että se toteuttaisi toiminnon itsenäisesti?

Aikaisemmin tekoälyn viimeisen mailin käsittely oli paljon kuin ajaminen GPS:n kanssa. Näyttö kertoi tarkalleen, mihin kääntyä, mutta sinun täytyi silti fyysisesti kääntää ohjauspyörää. Agenttipohjainen tekoäly kääntää tämän täysin. Nyt auto ajaa itse.

Tämä muuttaa koko keskustelun. Emme enää yritä vain vakuuttaa johtajaa luottamaan kojelaudan kaavioon; rakennamme järjestelmiä, joihin voimme luottaa tekemään päätöksiä puolestamme. Todellinen haaste ei enää ole saada ihmiset katsomaan dataa; se on selvittää, kuinka paljon hallintaa olemme valmiita luovuttamaan ohjelmistolle.

Rutiininomaisissa, vähäriskisissä tehtävissä, kuten varastolokien päivittämisessä tai datatiedostojen siivoamisessa, agentin ajaminen automaattitilassa on itsestäänselvyys, koska se poistaa tavalliset yritysviiveet. Mutta heti kun päätös koskee suurta taloudellista transaktiota, arkaluonteista asiakasvalitusta tai oikeudellista rajaa, tarvitaan ihminen valmiina astumaan mukaan ja painamaan jarrua.

Lopulta ne yritykset, jotka menestyvät agenttipohjaisessa tekoälyssä, eivät ole vain ne, joilla on älykkäin teknologia. Ne ovat organisaatioita, jotka piirtävät kristallinkirkkaita rajoja sille, missä ohjelmisto voi toimia itsenäisesti ja missä ihmisen harkinta tarvitsee ottaa ohjaus takaisin.

Olet väittänyt, että agenttipohjainen yritys vaatii toimialakohtaista kontekstia, hallintaa ja älykästä toteutusta toimimaan yhdessä. Miksi pelkkä LLM:n tai tekoälyagentin sijoittaminen olemassa olevaan datakerrokseen ei riitä, ja mitä arkkitehtonisia muutoksia tarvitaan?

LLM:n sijoittaminen yrityksen dataan on kuin palkkaisi älykkään työntekijän ja antaisi hänelle pääsyn kaikkiin yrityksen asiakirjoihin ensimmäisenä päivänä. He ovat älykkäitä ja kykeneviä, mutta heillä ei silti ole aavistustakaan siitä, miten järjestelmäsi, prosessisi, sisäiset säännöt ja määräykset toimivat.

Yritykset kohtaavat saman haasteen, koska niiden ympäristöt ovat luonnollisesti monimutkaisia. Dataa on useissa järjestelmissä, ja liiketoimintasäännöt ovat hiljaisesti kehittyneet vuosien aikana. Lisäksi noudattamisvelvoitteet vaihtelevat toimialoittain ja maantieteellisesti. Jotta agentit toimivat tehokkaasti, ne tarvitsevat kontekstia, eivät pelkästään tietoa.

Siksi ajattelemme yritystekoälyä kolmitasoisena arkkitehtuurina. Ensimmäinen taso on luotettava dataperusta. Toinen on toimialaintelligenssi, joka tallentaa liiketoimintakontekstin, suhteet, määritelmät ja työnkulut. Kolmas on käyttökokemustaso ja suljettu silmukka -suoritus, jossa agentit voivat järkeillä ja toimia hallittujen rajojen sisällä.

Monet organisaatiot ovat investoineet voimakkaasti ensimmäiseen tasoon, ja jotkut ovat rakentaneet elementtejä toisesta. Kuitenkin todellinen mahdollisuus piilee kaikkien kolmen yhdistämisessä.

Ilman kontekstia ja hallintaa jopa kykenevin malli voi tuottaa uskottavia vastauksia, jotka eivät yksinkertaisesti vastaa liiketoiminnan todellisuutta. Yritystekoäly ei tarvitse enemmän älykkyyttä. Se tarvitsee enemmän kontekstia.

“AI-agentti” on nopeasti noussut yhdeksi alan eniten ylikäytetyistä termeistä. Teknisen näkökulman kannalta, mikä erottaa aidosti hyödyllisen yritysagentin chatbotista, joka on kytketty muutamaan työkaluun ja työnkulkuun?

Aidosti hyödyllinen yritysagentti määritellään vähemmän sen puheen sujuvuuden perusteella ja enemmän sen vastuullisen toteutuksen perusteella. Tällä hetkellä paljon siitä, mitä ihmiset kutsuvat “agenteiksi”, ovat vain chatbotteja, jotka on liitetty muutamaan API:in. Ne voivat vastata peruskysymykseen tai käynnistää yksinkertaisen, jäykän työnkulun. Se on kätevää, mutta ei mullistavaa.

Aito yritysagentti ei vain noudata käsikirjoitusta; se ymmärtää lopullisen tavoitteen, pohtii eri vaihtoehtoja, toimii useiden perintöjärjestelmien yli, mukautuu muutoksiin ja pysyy tiukasti yrityksesi hallintolinjojen sisällä. Näen sen erona hakukoneen ja luotetun operatiivisen johtajan välillä. Toinen antaa sinulle tietoa; toinen ottaa vastuun työn suorittamisesta.

Jotta se onnistuisi, agenttien täytyy omata syvä toimialakonteksti. Esimerkiksi vähittäiskaupan varastointia käsittelevä agentti ei voi vain tarkastella taulukkoa; sen on ymmärrettävä täydennyssyklit, kysyntäkuviot, palvelutason vaatimukset ja marginaalivaikutukset kerralla. Se, mikä erottaa todellisen agentin kehittyneestä chatbotista, ei ole chat-käyttöliittymä. Se on toimialan ymmärrys, muisti, päättelykyky, taustajärjestelmän orkestrointi ja sisäänrakennettu vastuullisuus. Lopulta yritykset eivät tarvitse toista käyttöliittymää katsottavaksi. Tarvitsemme järjestelmiä, jotka voivat toteuttaa työtä luotettavasti ja mittakaavassa.

Tredence panostaa merkittävästi toimialakohtaiseen tekoälyyn, erityisesti vähittäiskaupan ja kuluttajatuotteiden aloilla. Kun perustamismallit tulevat yhä kykenevämmiksi, missä toimialakohtainen asiantuntemus edelleen luo etua, ja kuinka paljon älykkyydestä lopulta täytyy perustua työnkulkujen, terminologian, rajoitteiden ja tietyn toimialan taloustieteen ymmärtämiseen?

Perusmallit ovat tulleet uskomattoman voimakkaiksi, mutta toimialakohtainen asiantuntemus on edelleen se ero raakaa älykkyyttä ja todellista hyödyllisyyttä välillä. Se on kuin antaisi täsmälleen saman korkean tehon lääketieteellisen oppikirjan kirurgille, yritysjuristille ja vähittäiskaupan johtajalle. Kirjan tiedot ovat identtisiä, mutta ne ovat arvokkaita vain henkilölle, joka todella ymmärtää potilaan, leikkaussalin ja työn panokset.

Jokaisella toimialalla on omat näkymättömät säännöt, ainutlaatuinen talous, tiukat säädökset ja päivittäiset operatiiviset rajoitteet. Vähittäiskaupassa esimerkiksi tekoälysuositus, joka teknisesti parantaa ennustetarkkuuttasi, mutta vahingossa aiheuttaa massiivisia loppuunmyyntitilanteita hyllyillä, ei ole hyödyllinen – se on velka.

Kun sovellamme syvällistä toimialakohtaista älykkyyttä yleiskäyttöisiin malleihin, liiketoimintatulokset ovat valtavia. Esimerkiksi Tredencessä olemme ottaneet käyttöön toimialakohtaisia ratkaisuja, jotka ovat tuottaneet uskomattomia, vahvistettuja tuloksia asiakkaillemme. Supermarketin ennusteenohjelma tuotti lähes 200 miljoonaa dollaria arvoa ja nosti täydennyksen osumaprosentin yli 90 prosenttiin. Valmistavan toimitusketjun alusta tuotti 10 miljoonaa dollaria ensimmäisen vuoden säästöjä. Vähittäiskaupan työnkulun modernisointi vähensi analyytikkojen työmäärää 70 prosentilla, kun taas toinen ohjelma saavutti 100 miljoonan dollarin tappioiden vähenemisen.

Kun perusmallit muuttuvat kaupallistuneeksi hyödykkeeksi, kuten sähkö, todellinen kilpailuetu siirtyy kokonaan sille, jolla on paras omaan kontekstiin ja työnkulkuun perustuva ymmärrys, jotta geneerinen älykkyys voidaan muuttaa tarkkoiksi liiketoimintatuloksiksi.

Rakentamisen ja uudelleenkäytettävien tekoälyalustojen sekä kunkin yrityksen erityisiin tietoihin ja prosesseihin räätälöityjen järjestelmien välillä on jännite. Miten määritetään, mikä tulisi standardoida ja mikä räätälöidä, ja voiko liiallinen räätälöinti lopulta muodostua omaksi esteekseen tekoälyn skaalaamiselle?

Oikean tasapainon löytäminen vakioalustan ja räätälöityjen ominaisuuksien välillä on aina vaikea päätös. Henkilökohtaisesti näen sen kuin kaupunkisuunnitteluna. Tietysti täytyy standardoida tiet, sähköverkot ja vesijohtoverkot, mutta se ei tarkoita, että jokaisen naapuruston kodin täytyy olla tarkka kopio.

Sama sääntö pätee tekoälyyn. Tietoturva, hallinto ja valvonta on täysin standardoitava. Niiden tulisi käytännössä muuttua näkymättömäksi yritysinfrastruktuuriksi. Tehokkuuden lisäämiseksi suosittelisin yritysten rakentavan sisäisen markkinapaikan uudelleenkäytettäville agenteille, jotta tiimit eivät jatkuvasti keksi pyörää uudelleen.

Kuitenkin todelliset liiketoimintatyönkulusi on pidettävä joustavina, koska juuri siellä piilee ainutlaatuinen kilpailuetusi. Tällä hetkellä suurin riski ei ole aliräätälöinti, vaan yliräätälöinti. Kun jokainen tekoälyasennus muuttuu erittäin ainutlaatuiseksi, eristetyksi insinööriprojektiksi, skaalaus muuttuu painajaiseksi ja ylläpitokustannukset nousevat taivaalle. Tavoitteena tulisi rakentaa toistettavissa oleva kyvykkyys. Standardoit vahvan perustan ja annat tiimeillesi ne rakennuspalikat, joilla he voivat nopeasti mukauttaa sen omiin tarpeisiinsa. Kyky hyödyntää ja uudelleenkäyttää tekoälyominaisuuksia tulee keskeiseksi erottajaksi, nopeuttaen omaksumista ja tuoden nopeamman arvon tuottamisen sekä vahvemman ROI:n.

Kun agenteilla on kyky tehdä päätöksiä ja suorittaa tehtäviä, miten yritysten tulisi määrittää, missä autonomia on sopivaa ja missä ihmisen hyväksyntä on edelleen pakollista? Onko olemassa erityisiä liiketoimintafunktioita, joissa mielestäsi organisaatiot liikkuvat liian nopeasti tai liian varovaisesti?

Kun kyse on tekoälyn antamisesta autonomialle, riskin tulisi aina määrätä säännöt, ei pelkästään teknologian kykyjen perusteella. Se, että agentti voi suorittaa prosessin alusta loppuun, ei tarkoita, että turvavyö tulisi katkaista kokonaan. Rutiininomaiset, jokapäiväiset tehtävät, kuten varaston kirjaaminen tai taustatoimiston tiedostojen synkronointi, soveltuvat täydelliseen automaatioon, koska ne poistavat massiivisia operatiivisia pullonkauloja. Mutta heti kun päätös koskee tiukkoja säädöksiä, suuria taloudellisia menoja tai korkean panoksen asiakasongelmia, ihmisen on ehdottomasti oltava mukana.

Tällä hetkellä näen yritysten olevan aivan liian varovaisia toimitusketju- ja taustatoimintojen osalta. Ne viivyttävät rutiininomaisen hankinnan ja laskujen täsmäytyksen automatisointia, vaikka agentit voisivat tänään turvallisesti säästää aikaa. Toisaalta ne etenevät aivan liian nopeasti asiakaspalvelussa ja oikeudellisessa noudattamisessa, kiirehtiäen autonomisia agenteja ennakoimattomiin asiakasriitoihin tai automatisoituihin sopimusten tarkastuksiin ilman todellisia turvatoimia. Tavoitteena on vastuullinen automaatio, ei maksimaalinen automaatio.

Kun reunamallit tulevat halvemmiksi ja kykenevämmiksi, tekoälypalveluyritysten rooli todennäköisesti muuttuu. Siirtyykö arvo yhä enemmän mallien rakentamisesta kohti data-arkkitehtuuria, integraatiota, arviointia, orkestrointia, hallintoa ja liiketoimintaprosessien uudelleensuunnittelua tekoälyn ympärille? Mikä erottaa ne tekoälypalveluyritykset, jotka pysyvät arvokkaina?

Näemme luonnollisen siirtymän siinä, missä arvo syntyy. Muutama vuosi sitten raaka laskentainfrastruktuuri oli merkittävä kilpailuetu. Tänään se on pitkälti hyödyke, ja tekoälymallit suuntaavat nopeasti samaan suuntaan.

Yritykset eivät enää etsi suurempia malleja. Ne haluavat nopeampia päätöksiä, korkeampaa tuottavuutta ja selkeitä liiketoimintatuloksia. Tämän vuoksi arvo on siirtynyt kokonaan mallin ympärille olevaan ekosysteemiin – asioihin kuten puhdas data‑arkkitehtuuri, tiukka hallinto, älykäs orkestrointi ja työnkulkujen täysin uudelleenarviointi, jotta tekoäly olisi käytännössä skaalautuva. Voittajat eivät välttämättä ole ne yritykset, joilla on kehittyneintä teknologiaa, vaan ne, jotka pystyvät muuttamaan teknologian konkreettisiksi liiketoimintatuloksiksi.

Havaitsemme myös, että yritykset omaksuvat tekoälyyn portfoliopohjaisen lähestymistavan. Frontier-mallit, avoimen painon mallit ja pienemmät erikoismallit kaikki näyttelevät roolia käyttötapauksen, kustannusten, viiveen ja hallintavaatimusten mukaan. Kun tekoäly kehittyy, menestys määräytyy vähemmän sen perusteella, kuka rakentaa moottorin, ja enemmän sen perusteella, kuka osaa ottaa sen käyttöön liiketoiminnassa. Suoritusrytmi, jonka kutsun suoritusrytmi-terminä, erottaa lopulta voittajat muista.

Kun tarkastelemme muutamaa vuotta eteenpäin, jos yritykset onnistuvat voittamaan nykyiset data-, hallinto- ja integraatio-ongelmat, miltä tekoälyyn perustuva suuri yritys todellisuudessa näyttää? Odotatko, että agentit pysyvät työntekijöiden käyttämänä työkaluna, vai näemmekö yhä useammin koko työnkulut ja liiketoimintatoiminnot koordinoitujen tekoälyagenttien verkostojen hallinnoimana?

Tekoälyyn perustuva yritys ei ole vain perinteinen yritys, johon on lisätty muutama ohjelmistotyökalu. Se on radikaalisti uudistettu yritys. Olemme nähneet vastaavia muutoksia internetin ja digitaalisen aikakauden aikana, jolloin teknologia muutti paitsi yritysten toimintatapoja, myös niiden rakenteita. Nämä yritykset toimivat hyvin eri tavalla.

Nykyään yritykset organisoidaan ihmisten ympärille, jotka suorittavat manuaalisia tehtäviä ohjelmistojen tukemina. Tulevaisuudessa koko työnkulut voidaan orkestrointia koordinoitujen tekoälyagenttien verkostojen avulla, ja ihmiset ottavat yhä enemmän valvova- ja strateginen rooli. Se on samankaltaista kuin se, miten sähkö mullisti tehtaat. Se ei poistanut tehtaita; se muutti täysin niiden suunnittelua ja toimintaa.

Näissä tulevaisuuden yrityksissä agentit valvovat jatkuvasti toimintoja, merkitsevät mahdollisuuksia ja hoitavat rutiininomaisen toteutuksen eri osastojen välillä. Tämä ei tarkoita, että ihmiset katoaisivat; työnkuvamme muuttuvat paljon strategisemmiksi, siirtyen kokonaan harkintaan, innovointiin ja suhteiden rakentamiseen.

Voittajat eivät ole ne yritykset, jotka ottavat käyttöön eniten agenteja. Ne ovat ne, jotka rakentavat vahvimman yhdistelmän luotettavaa dataa, toimialatietämystä ja ihmisen valvontaa. Tulevaisuus ei ole täysin autonomisista yrityksistä, vaan älykkäästi orkestroiduista yrityksistä, joissa ihmiset ja agentit työskentelevät yhdessä saavuttaakseen tavoitteita, joita kumpikaan ei pysty saavuttamaan yksin.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Tredence.