Jitendra Putcha, COO de Tredence – Série d’interviews

Jitendra Putcha, COO de Tredence, est un cadre chevronné en technologie et opérations avec près de trois décennies d’expérience couvrant l’intelligence artificielle, l’analyse de données, la transformation numérique, la prestation de services et les services technologiques d’entreprise. Avant de rejoindre Tredence en avril 2026, il a occupé le poste de Directeur de la Livraison chez Mastech Digital, où il faisait partie de l’équipe de direction exécutive supervisant la stratégie, la transformation, les responsabilités P&L et la prestation de services. Il a auparavant passé plusieurs années chez LTIMindtree et LTI, terminant en tant que Vice-président principal et Responsable mondial des données & IA, avec la responsabilité de l’adoption de l’IA d’entreprise, de l’IA générative, des agents IA, des services de données et d’analytique, de l’ingénierie produit et du développement de plateformes. Auparavant, Putcha a passé près de 18 ans chez Cognizant, gravissant les échelons de direction, notamment en tant que Vice-président de l’IA & Analytique et Responsable du centre d’Hyderabad, où son travail englobait la prestation mondiale de données et d’analytique, la transformation pilotée par l’IA et le déploiement des capacités analytiques à travers les industries. Sa carrière antérieure comprenait des postes chez Wipro et DSQ Software, lui offrant une base couvrant l’entreposage de données, l’intelligence économique, l’analytique et la prestation d’entreprise à grande échelle.

Tredence est une société mondiale de science des données et de solutions d’IA axée sur la résolution de ce qu’elle appelle le problème du « dernier kilomètre » en IA — l’écart entre la génération d’insights et leur transformation en résultats commerciaux mesurables. Fondée en 2013, l’entreprise combine expertise sectorielle, ingénierie des données, science des données, apprentissage automatique, IA générative, agents IA, technologies cloud et accélérateurs propriétaires pour aider les entreprises à opérationnaliser l’IA à grande échelle. Tredence indique compter plus de 4 200 employés et travailler avec des sociétés dans le commerce de détail, les produits de grande consommation, la technologie, les télécommunications, la santé, le voyage, le secteur industriel et d’autres secteurs. Son approche met l’accent sur l’intégration de l’analytique et de l’IA dans les processus métier réels plutôt que de s’arrêter aux modèles ou aux tableaux de bord, avec des capacités couvrant l’IA générative prête à l’entreprise, les systèmes multimodaux et agentiques, l’IA responsable, la modernisation des données et la gouvernance de l’IA.

Vous apportez plus de 28 ans d’expérience couvrant les données d’entreprise, l’analytique, l’IA et la prestation globale à grande échelle, incluant des postes de direction chez Cognizant, LTIMindtree et Mastech Digital avant de rejoindre Tredence en tant que Directeur des Opérations en 2026. Qu’est-ce qui vous a attiré chez Tredence à ce stade particulier de sa croissance, et quelle est, selon vous, la plus grande opportunité de redéfinir la façon dont une société de services axée sur l’IA fonctionne et crée de la valeur alors que les entreprises passent de l’expérimentation à l’IA à grande échelle ?

Ce qui m’a attiré chez Tredence, c’est la solidité de l’entreprise. Au cours de ma carrière, j’ai observé de nombreux changements technologiques, mais il est rare de trouver une organisation qui relie une expertise approfondie en IA directement aux résultats commerciaux concrets. Tredence ne se contente pas de parler d’IA pour le plaisir ; elle conçoit des solutions qui résolvent de véritables problèmes d’entreprise.

Actuellement, l’industrie se trouve à un point d’inflexion remarquable. Elle dépasse la phase de test et se pose la question difficile : comment intégrer l’IA dans nos opérations quotidiennes ? C’est ce que nous appelons le « dernier kilomètre » de l’IA : combler le fossé entre la génération d’insights et le fait de s’assurer que ces insights atteignent la personne, le processus ou la décision spécifique où ils peuvent produire un résultat utile.

L’opportunité ici ne réside pas seulement dans le déploiement d’outils plus sophistiqués. Il s’agit de résoudre un problème d’exécution, d’aider les organisations à penser différemment et de constater une valeur mesurable. En tant que COO, ma mission est de préserver cet avantage. Je veux m’assurer que nous augmentons notre échelle opérationnelle sans perdre notre agilité ni notre orientation client, transformant les ambitions IA de haut niveau en retours concrets.

Nous continuons à observer des entreprises lancer des projets pilotes d’IA prometteurs qui ne deviennent jamais des systèmes de production significatifs. Lorsque vous examinez les projets qui s’enlisent, quels sont les points d’échec les plus courants, et quels de ces problèmes les dirigeants sous‑estiment encore ?

Honnêtement, la plupart des projets pilotes d’IA ne échouent pas parce que la technologie échoue. Ils échouent parce que nous traitons l’IA comme un moteur puissant mais oublions de construire la voiture réelle autour de celui‑ci. Pensez-y ainsi : un moteur de classe mondiale est totalement inutile si vous ne lui fournissez pas de carburant propre, un volant et un conducteur.

Votre modèle d’IA restera bloqué dans le garage de la même façon si vous sous‑estimez trois fondamentaux. Des données fiables sont votre carburant propre. Si vos données constituent une base désordonnée et non organisée, votre moteur se bouche et votre modèle renvoie des réponses peu fiables. Une gouvernance solide est votre volant. Sans règles claires et garde‑fous de sécurité, les équipes sont tout simplement trop craintives face au risque pour mettre la voiture sur la route.

Enfin, une responsabilité commerciale claire est votre conducteur, et c’est l’élément que les dirigeants sous‑estiment le plus. Si un responsable d’entreprise ne prend pas le volant, ne défend l’outil et ne l’intègre directement dans les flux de travail quotidiens de son équipe, le projet aura du mal à produire des résultats. Nous devons échapper au « piège de la démonstration ». Le succès ne consiste pas à lancer de nombreux pilotes ou à accumuler des moteurs de test. Il s’agit de sécuriser vos données, de définir des garde‑fous clairs, d’attribuer une véritable responsabilité et d’intégrer discrètement l’IA dans le fonctionnement quotidien de votre entreprise.

Tredence a longtemps décrit le “last mile” de l’IA comme la connexion des insights à l’action. L’IA agentique pourrait aller bien plus loin en permettant aux logiciels d’exécuter des décisions. Comment le problème du last‑mile change-t-il lorsque l’IA passe de la recommandation d’une action à la prise autonome de cette action ?

Par le passé, gérer le dernier kilomètre de l’IA ressemblait beaucoup à conduire avec un GPS. L’écran vous indiquait exactement où tourner, mais vous deviez encore tourner physiquement le volant. L’IA agentique renverse complètement cela. Maintenant, la voiture se conduit essentiellement toute seule.

Cela change toute la conversation. Nous ne nous contentons plus d’essayer de convaincre un responsable de faire confiance à un graphique sur un tableau de bord ; nous construisons des systèmes en lesquels nous pouvons avoir confiance pour prendre des décisions à notre place. Le vrai défi n’est plus de faire regarder les gens aux données ; il s’agit de déterminer jusqu’où nous sommes prêts à confier le contrôle à un logiciel.

Pour les tâches routinières à faible risque, comme la mise à jour des journaux d’inventaire ou le nettoyage de fichiers de données, laisser un agent fonctionner en pilote automatique est évident car cela élimine les retards habituels en entreprise. Mais dès qu’une décision impacte une transaction financière majeure, une plainte client sensible ou une frontière juridique, il faut qu’un humain soit prêt à intervenir et à freiner.

En fin de compte, les entreprises qui réussiront avec l’IA agentique ne seront pas seulement celles qui possèdent la technologie la plus avancée. Ce seront les organisations qui définissent des limites cristallines entre les zones où le logiciel peut fonctionner de façon autonome et celles où le jugement humain doit reprendre le contrôle.

Vous avez soutenu qu’une entreprise agentique nécessite la combinaison du contexte métier, de la gouvernance et d’une exécution intelligente. Pourquoi ne suffit‑il pas aux entreprises de simplement placer un LLM ou un agent IA au-dessus de leur pile de données existante, et quels changements architecturaux sont nécessaires ?

Superposer un LLM aux données d’entreprise revient à embaucher un employé intelligent et à lui donner accès à tous les documents de l’entreprise dès le premier jour. Il est intelligent et compétent, mais il n’a aucune idée du fonctionnement de vos systèmes, processus, règles internes et réglementations.

Les entreprises sont confrontées à un défi similaire parce que leurs environnements sont naturellement complexes. Les données sont réparties sur plusieurs systèmes, et les règles métier ont évolué discrètement pendant de nombreuses années. En outre, les obligations de conformité varient selon les secteurs et les zones géographiques. Pour que les agents fonctionnent efficacement, ils ont besoin de contexte, pas seulement d’informations.

C’est pourquoi nous concevons l’IA d’entreprise comme une architecture à trois niveaux. Le premier niveau est une base de données fiable. Le deuxième est l’intelligence sectorielle, qui saisit le contexte métier, les relations, les définitions et les flux de travail. Le troisième est la couche d’expérience et l’exécution en boucle fermée, où les agents peuvent raisonner et agir dans des limites gouvernées.

De nombreuses organisations ont fortement investi dans le premier niveau, et certaines ont construit des éléments du deuxième. Cependant, la véritable opportunité réside dans la connexion des trois niveaux.

Sans contexte ni gouvernance, même le modèle le plus performant peut générer des réponses plausibles qui ne correspondent tout simplement pas à la réalité métier. L’IA d’entreprise n’a pas besoin de plus d’intelligence. Elle a besoin de plus de contexte.

« AI agent » est rapidement devenu l’un des termes les plus surfaits du secteur. D’un point de vue technique, qu’est‑ce qui distingue un véritable agent d’entreprise utile d’un chatbot relié à quelques outils et flux de travail ?

Un agent d’entreprise véritablement utile se définit moins par la fluidité de son discours que par ce qu’il peut accomplir de manière responsable. Aujourd’hui, beaucoup de ce que les gens appellent « agents » ne sont que des chatbots branchés à quelques API. Ils peuvent répondre à une question basique ou déclencher un flux de travail simple et rigide. C’est pratique, mais ce n’est pas transformateur.

Un véritable agent d’entreprise ne se contente pas de suivre un script ; il comprend un objectif final, raisonne parmi différentes options, fonctionne à travers plusieurs systèmes hérités, s’adapte aux changements et reste strictement dans les limites de votre gouvernance d’entreprise. Je le vois comme la différence entre un moteur de recherche et un responsable des opérations de confiance. L’un vous fournit de l’information ; l’autre assume la responsabilité d’accomplir la tâche.

Pour cela, les agents ont besoin d’un contexte métier approfondi. Un agent d’inventaire dans le commerce de détail, par exemple, ne peut pas simplement consulter une feuille de calcul ; il doit comprendre les cycles de réapprovisionnement, les modèles de demande, les niveaux de service et les implications de marge simultanément. Ce qui distingue un véritable agent d’un chatbot sophistiqué n’est pas l’interface de discussion. C’est la compréhension du domaine, la mémoire, le raisonnement, l’orchestration back‑end et la responsabilité intégrée. En fin de compte, les entreprises n’ont pas besoin d’une autre interface à consulter. Nous avons besoin de systèmes capables d’exécuter le travail de façon fiable et à grande échelle.

Tredence accorde une importance particulière à l’IA sectorielle, notamment dans les domaines du commerce de détail et des biens de consommation. À mesure que les modèles de base deviennent plus performants, où l’expertise métier continue‑t‑elle d’offrir un avantage, et dans quelle mesure l’intelligence doit‑elle finalement provenir de la compréhension des flux de travail, de la terminologie, des contraintes et de l’économie d’un secteur donné ?

Les modèles de fondation sont devenus incroyablement puissants, mais l’expertise sectorielle reste la différence entre une intelligence brute et une utilité réelle. C’est comme remettre le même manuel médical très complet à un chirurgien, à un avocat d’entreprise et à un responsable du commerce de détail. L’information du livre est identique, mais elle n’est précieuse que pour la personne qui comprend réellement le patient, la salle d’opération et les enjeux du poste. 

Chaque secteur possède ses propres règles invisibles, son économie unique, ses réglementations strictes et ses contraintes opérationnelles quotidiennes. Dans le commerce de détail, par exemple, une recommandation d’IA qui améliore techniquement la précision de vos prévisions mais provoque accidentellement d’énormes ruptures de stock en rayon n’est pas utile – c’est une responsabilité.

Lorsque nous appliquons une intelligence sectorielle approfondie aux modèles à usage général, les résultats commerciaux sont énormes. Par exemple, chez Tredence, nous avons déployé des solutions spécifiques à un secteur qui ont fourni des résultats incroyables et vérifiés pour nos clients. Un programme de prévision pour supermarché a généré près de 200 millions de dollars de valeur et a porté les taux de correspondance de réapprovisionnement au‑delà de 90 pour cent. Une plateforme de chaîne d’approvisionnement manufacturière a permis d’économiser 10 millions de dollars la première année. Une modernisation des flux de travail dans le commerce de détail a réduit l’effort des analystes de 70 pour cent, tandis qu’un autre programme a permis de réduire les pertes de 100 millions de dollars.

À mesure que les modèles de fondation deviennent une utilité standardisée, comme l’électricité, le véritable avantage concurrentiel se déplace entièrement vers celui qui possède le meilleur contexte propriétaire et la meilleure compréhension des flux de travail pour transformer une intelligence générique en résultats commerciaux précis.

Il existe une tension entre la construction de plateformes d’IA réutilisables et l’adaptation des systèmes aux données et processus spécifiques de chaque entreprise. Comment déterminer ce qui doit être standardisé versus personnalisé, et une personnalisation excessive peut‑elle finalement devenir un obstacle à l’échelle de l’IA ?

Trouver le bon équilibre entre une plateforme standard et des fonctionnalités sur mesure est toujours une décision difficile. Personnellement, je le vois comme de l’urbanisme. Vous devez évidemment standardiser vos routes, réseaux électriques et canalisations, mais cela ne signifie pas que chaque maison du quartier doit être une copie carbone.

La même règle s’applique à l’IA. Des éléments comme la sécurité des données, la gouvernance et la surveillance doivent être entièrement standardisés. Ils devraient essentiellement devenir une infrastructure d’entreprise invisible. Pour rendre cela efficace, je recommanderais aux entreprises de créer un marché interne d’agents réutilisables afin que les équipes ne réinventent pas constamment la roue.

Vos flux de travail réels, cependant, doivent rester flexibles, car c’est là que réside votre avantage concurrentiel unique. Aujourd’hui, le plus grand risque n’est pas le sous‑personnalisation, mais la sur‑personnalisation. Lorsque chaque déploiement d’IA devient un projet d’ingénierie hautement unique et isolé, la mise à l’échelle devient un cauchemar et les coûts de maintenance explosent. L’objectif doit être de construire une capacité reproductible. Vous standardisez une base solide, puis vous donnez à vos équipes les blocs nécessaires pour l’adapter rapidement à leurs besoins. La capacité à exploiter et réutiliser les capacités d’IA devient un différenciateur clé, accélérant l’adoption et offrant un délai de valeur plus rapide ainsi qu’un ROI plus fort.

À mesure que les agents acquièrent la capacité de prendre des décisions et d’exécuter des tâches, comment les entreprises doivent‑elles déterminer où l’autonomie est appropriée et où l’approbation humaine doit rester obligatoire ? Existe‑t‑il des fonctions commerciales particulières où vous pensez que les organisations avancent trop rapidement ou trop prudemment ?

Lorsqu’il s’agit de donner de l’autonomie à l’IA, le risque doit toujours dicter les règles, pas seulement ce que la technologie est capable de gérer. Le fait qu’un agent puisse exécuter un processus de bout en bout ne signifie pas que vous devez couper complètement la corde de sécurité. Les tâches routinières quotidiennes comme la saisie d’inventaire ou la synchronisation des fichiers back‑office sont parfaites pour une automatisation totale car elles éliminent d’énormes goulets d’étranglement opérationnels. Mais dès qu’une décision implique des réglementations strictes, des dépenses financières majeures ou des enjeux clients critiques, il faut absolument un humain dans la boucle.

Aujourd’hui, je constate que les entreprises sont beaucoup trop prudentes dans la chaîne d’approvisionnement et les opérations back‑office. Elles traînent les pieds à automatiser les achats de routine et la correspondance des factures, où les agents pourraient déjà économiser du temps en toute sécurité. En revanche, elles avancent beaucoup trop vite dans le service client et la conformité juridique, en précipitant des agents autonomes dans des litiges clients imprévisibles ou des revues de contrats automatisées sans véritables garde‑fous. L’objectif ici est une automatisation responsable, pas une automatisation maximale.

À mesure que les modèles de pointe deviennent moins chers et plus performants, le rôle des sociétés de services IA est susceptible de changer. La valeur se déplace‑t‑elle de plus en plus de la construction de modèles vers l’architecture des données, l’intégration, l’évaluation, l’orchestration, la gouvernance et la refonte des processus métier autour de l’IA ? Qu’est‑ce qui différenciera les sociétés de services IA qui resteront utiles ?

Nous assistons à un déplacement naturel de la création de valeur. Il y a quelques années, l’infrastructure informatique brute était un avantage concurrentiel majeur. Aujourd’hui, elle est largement une utilité, et les modèles d’IA se dirigent rapidement dans la même direction.

Les entreprises ne recherchent plus des modèles plus grands. Elles veulent des décisions plus rapides, une productivité accrue et des résultats commerciaux clairs. À cause de cela, la valeur s’est déplacée entièrement vers l’écosystème entourant le modèle — des éléments tels qu’une architecture de données propre, une gouvernance stricte, une orchestration intelligente et une refonte complète des flux de travail pour rendre l’IA réellement pratique à grande échelle. Les gagnants ne seront pas nécessairement les entreprises disposant de la technologie la plus sophistiquée, mais plutôt celles qui savent transformer la technologie en résultats commerciaux tangibles.

Nous constatons également que les entreprises adoptent une approche de portefeuille en matière d’IA. Les modèles de pointe, les modèles à poids ouvert et les modèles spécialisés plus petits ont tous un rôle à jouer selon le cas d’usage, le coût, la latence et les exigences de gouvernance. À mesure que l’IA mûrit, le succès sera déterminé moins par qui construit le moteur et davantage par qui sait le mettre en œuvre au sein d’une entreprise. Ce que j’appelle le “rythme d’exécution” finira par séparer les gagnants du reste.

En regardant plusieurs années en avant, si les entreprises parviennent à surmonter aujourd’hui les problèmes de données, de gouvernance et d’intégration, à quoi ressemble réellement une grande société native de l’IA ? Pensez‑vous que les agents resteront des outils utilisés par les employés, ou verrons‑nous de plus en plus des flux de travail et des fonctions commerciales entiers gérés par des réseaux coordonnés d’agents d’IA ?

Une entreprise native de l’IA ne sera pas simplement une société traditionnelle avec quelques outils logiciels supplémentaires. Elle sera une entreprise fondamentalement réinventée. Nous avons observé des changements similaires durant les ères d’Internet et du numérique, lorsque la technologie a modifié non seulement la façon dont les entreprises fonctionnaient, mais aussi leur structure. Ces sociétés fonctionneront très différemment.

Aujourd’hui, les entreprises sont organisées autour de personnes effectuant des tâches manuelles soutenues par des logiciels. À l’avenir, des flux de travail entiers pourraient être orchestrés par des réseaux coordonnés d’agents d’IA, les humains assumant un rôle de plus en plus supervisoire et stratégique. C’est comparable à la façon dont l’électricité a transformé les usines. Elle n’a pas éliminé les usines ; elle a complètement changé leur conception et leur fonctionnement.

Dans ces entreprises futures, les agents surveilleront en continu les opérations, signaleront les opportunités et géreront l’exécution routinière à travers différents services. Cela ne signifie pas que les humains disparaissent ; nos emplois deviendront simplement beaucoup plus stratégiques, se concentrant entièrement sur le jugement, l’innovation et le développement des relations.

Les gagnants ne seront pas les entreprises qui déploient le plus d’agents. Ce seront celles qui construisent le meilleur mélange de données fiables, d’intelligence sectorielle et de supervision humaine. L’avenir ne consiste pas à créer des entreprises entièrement autonomes ; il s’agit d’entreprises intelligemment orchestrées où humains et agents collaborent pour atteindre des objectifs qu’aucun d’eux ne pourrait atteindre seul.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Tredence.