Jitendra Putcha, COO Tredence – Seri Wawancara

Jitendra Putcha, COO Tredence, adalah eksekutif teknologi dan operasi berpengalaman dengan hampir tiga dekade pengalaman yang mencakup kecerdasan buatan, analitik data, transformasi digital, pengiriman, dan layanan teknologi perusahaan. Sebelum bergabung dengan Tredence pada April 2026, ia menjabat sebagai Chief Delivery Officer di Mastech Digital, di mana ia menjadi bagian dari tim kepemimpinan eksekutif yang mengawasi strategi, transformasi, tanggung jawab P&L, dan penyampaian layanan. Sebelumnya ia menghabiskan beberapa tahun di LTIMindtree dan LTI, akhirnya menjabat sebagai Senior Vice President dan Kepala Global Data & AI, dengan tanggung jawab atas adopsi AI perusahaan, AI generatif, agen AI, layanan data dan analitik, rekayasa produk, serta pengembangan platform. Sebelumnya, Putcha menghabiskan hampir 18 tahun di Cognizant, naik melalui posisi kepemimpinan senior termasuk Vice President of AI & Analytics dan Kepala Pusat Hyderabad, di mana pekerjaannya mencakup pengiriman data dan analitik global, transformasi berbasis AI, dan penskalaan kapabilitas analitik di berbagai industri. Karir awalnya mencakup peran di Wipro dan DSQ Software, memberikan fondasi karir yang meliputi data warehousing, business intelligence, analitik, dan pengiriman perusahaan berskala besar.

Tredence adalah perusahaan global ilmu data dan solusi AI yang berfokus pada mengatasi apa yang mereka sebut sebagai masalah “last-mile” dalam AI—kesenjangan antara menghasilkan wawasan dan mengubahnya menjadi hasil bisnis yang terukur. Didirikan pada 2013, perusahaan ini menggabungkan keahlian industri dengan rekayasa data, ilmu data, pembelajaran mesin, AI generatif, agen AI, teknologi cloud, dan akselerator kepemilikan untuk membantu perusahaan mengoperasionalkan AI secara skala. Tredence mengatakan memiliki lebih dari 4.200 karyawan dan bekerja dengan perusahaan di sektor ritel, barang konsumen kemasan, teknologi, telekomunikasi, perawatan kesehatan, perjalanan, industri, dan sektor lainnya. Pendekatannya menekankan penyisipan analitik dan AI ke dalam proses bisnis nyata alih-alih berhenti pada model atau dasbor, dengan kapabilitas yang mencakup AI generatif siap perusahaan, sistem multimodal dan agen, AI yang bertanggung jawab, modernisasi data, dan tata kelola AI.

Anda membawa lebih dari 28 tahun pengalaman yang mencakup data perusahaan, analitik, AI, dan pengiriman global berskala besar, termasuk peran kepemimpinan di Cognizant, LTIMindtree, dan Mastech Digital sebelum bergabung dengan Tredence sebagai Chief Operating Officer pada 2026. Apa yang menarik Anda ke Tredence pada tahap pertumbuhan tertentu ini, dan apa yang Anda lihat sebagai peluang terbesar untuk mengubah cara perusahaan layanan yang berfokus pada AI beroperasi dan memberikan nilai saat perusahaan beralih dari eksperimen ke AI berskala besar?

Apa yang menarik saya ke Tredence adalah betapa berlandasnya perusahaan ini. Dalam karier saya, saya telah menyaksikan banyak pergeseran teknologi, tetapi jarang menemukan organisasi yang menghubungkan keahlian AI mendalam secara langsung dengan hasil bisnis yang nyata. Tredence tidak hanya membicarakan AI demi AI; mereka membangun solusi yang menyelesaikan masalah perusahaan yang sebenarnya.

Saat ini, industri berada pada titik balik yang menakjubkan. Ia melampaui fase pengujian dan mengajukan pertanyaan sulit: Bagaimana kita menyisipkan AI ke dalam operasi harian kita? Inilah yang kami sebut “last mile” AI: menjembatani kesenjangan antara menghasilkan wawasan dan memastikan wawasan tersebut sampai kepada orang, proses, atau keputusan spesifik yang dapat menghasilkan hasil yang berguna.

Peluang di sini bukan sekadar menerapkan alat yang lebih canggih. Ini tentang menyelesaikan masalah eksekusi, membantu organisasi berpikir berbeda, dan melihat nilai yang terukur. Sebagai COO, tugas saya adalah melindungi keunggulan itu. Saya ingin memastikan kami memperluas operasi tanpa kehilangan kelincahan atau fokus pada klien, mengubah ambisi AI tingkat tinggi menjadi hasil nyata.

Kami terus melihat perusahaan menjalankan pilot AI yang menjanjikan namun tidak pernah menjadi sistem produksi yang bermakna. Ketika Anda melihat proyek yang terhenti, apa saja titik kegagalan yang paling umum, dan masalah mana yang masih diremehkan oleh eksekutif?

Sejujurnya, kebanyakan pilot AI tidak gagal karena teknologinya gagal. Mereka gagal karena kami memperlakukan AI seperti mesin yang kuat tetapi lupa membangun mobil sebenarnya di sekelilingnya. Pikirkan seperti ini: Mesin kelas dunia sama sekali tidak berguna jika Anda tidak memberikannya bahan bakar bersih, setir, dan pengemudi.

Model AI Anda akan terdampar di garasi dengan cara yang sama jika Anda meremehkan tiga hal mendasar. Data yang terpercaya adalah bahan bakar bersih Anda. Jika data Anda berantakan dan tidak terorganisir, mesin Anda akan tersumbat dan model Anda memberikan jawaban yang tidak dapat diandalkan. Tata kelola yang kuat adalah setir Anda. Tanpa aturan yang jelas dan batasan keamanan, tim terlalu takut akan risiko untuk menempatkan mobil di jalan.

Akhirnya, kepemilikan bisnis yang jelas adalah pengemudi Anda, dan itu adalah aspek yang paling sering diremehkan oleh eksekutif. Jika seorang pemimpin bisnis tidak mengambil kendali, mendukung alat tersebut, dan menyisipkannya secara langsung ke dalam alur kerja harian timnya, proyek akan kesulitan menghasilkan hasil. Kita harus keluar dari “perangkap demo.” Keberhasilan bukan tentang meluncurkan banyak pilot atau mengumpulkan mesin uji. Itu tentang mengamankan data Anda, menetapkan batasan yang jelas, menugaskan akuntabilitas nyata, dan menyisipkan AI secara diam-diam ke dalam cara bisnis Anda beroperasi setiap hari.

Tredence telah lama menggambarkan “last mile” AI sebagai menghubungkan wawasan dengan tindakan. AI agen dapat membawa hal itu lebih jauh dengan memungkinkan perangkat lunak mengeksekusi keputusan. Bagaimana masalah last-mile berubah ketika AI beralih dari merekomendasikan suatu tindakan menjadi mengambil tindakan tersebut secara otonom?

Di masa lalu, menangani last mile AI sangat mirip dengan mengemudi dengan GPS. Layar memberi tahu Anda persis ke mana harus berbelok, tetapi Anda masih harus secara fisik memutar setir. AI agen sepenuhnya membalikkan hal itu. Sekarang, mobil pada dasarnya mengemudi sendiri.

Ini mengubah seluruh percakapan. Kami tidak lagi hanya berusaha meyakinkan seorang manajer untuk mempercayai sebuah grafik di dasbor; kami membangun sistem yang dapat kami percayai untuk membuat keputusan atas nama kami. Tantangan sebenarnya bukan lagi membuat orang melihat data; melainkan menentukan seberapa banyak kontrol yang kami nyaman serahkan kepada perangkat lunak.

Untuk tugas rutin dengan risiko rendah, seperti memperbarui log inventaris atau membersihkan berkas data, membiarkan agen beroperasi secara autopilot jelas tidak diragukan lagi karena menghilangkan penundaan korporat yang biasa. Namun begitu sebuah keputusan memengaruhi transaksi keuangan besar, keluhan pelanggan yang sensitif, atau batasan hukum, Anda memerlukan manusia yang siap turun tangan dan menekan rem.

Pada akhirnya, perusahaan yang berhasil dengan AI agen tidak hanya akan menjadi yang memiliki teknologi paling cerdas. Mereka akan menjadi organisasi yang menetapkan batasan yang sangat jelas mengenai dimana perangkat lunak dapat beroperasi sendiri dan dimana penilaian manusia harus mengambil alih kendali.

Anda berpendapat bahwa perusahaan agen memerlukan konteks domain, tata kelola, dan eksekusi cerdas yang bekerja bersama. Mengapa tidak cukup bagi perusahaan hanya menempatkan LLM atau agen AI di atas tumpukan data yang ada, dan perubahan arsitektur apa yang diperlukan?

Menempatkan LLM di atas data perusahaan ibarat mempekerjakan seorang karyawan cerdas dan memberinya akses ke setiap dokumen di perusahaan sejak hari pertama. Mereka pintar dan mampu, namun tetap tidak mengetahui cara kerja sistem, proses, aturan internal, dan regulasi Anda.

Bisnis menghadapi tantangan serupa karena lingkungan mereka secara alami kompleks. Data tersebar di berbagai sistem, dan aturan bisnis telah berkembang secara diam-diam selama bertahun‑tahun. Selain itu, kewajiban kepatuhan bervariasi menurut industri dan wilayah geografis. Agar agen berfungsi secara efektif, mereka memerlukan konteks, bukan sekadar informasi.

Itulah mengapa kami memandang AI perusahaan sebagai arsitektur tiga lapisan. Lapisan pertama adalah fondasi data yang tepercaya. Lapisan kedua adalah intelijen domain, yang menangkap konteks bisnis, hubungan, definisi, dan alur kerja. Lapisan ketiga adalah lapisan pengalaman dan eksekusi loop tertutup, di mana agen dapat berpikir dan bertindak dalam batasan yang diatur.

Banyak organisasi telah berinvestasi besar pada lapisan pertama, dan sebagian telah membangun elemen pada lapisan kedua. Namun, peluang sebenarnya terletak pada menghubungkan ketiganya.

Tanpa konteks dan tata kelola, bahkan model paling canggih sekalipun dapat menghasilkan jawaban yang masuk akal namun tidak selaras dengan realitas bisnis. AI perusahaan tidak memerlukan kecerdasan lebih. Ia memerlukan konteks lebih.

“AI agent” dengan cepat menjadi salah satu istilah yang paling berlebihan penggunaannya di industri. Dari perspektif teknis, apa yang membedakan agen perusahaan yang benar‑benar berguna dari chatbot yang terhubung ke beberapa alat dan alur kerja?

Agen perusahaan yang benar‑benar berguna didefinisikan lebih sedikit oleh seberapa lancar ia berbicara dan lebih banyak oleh apa yang dapat ia capai secara bertanggung jawab. Saat ini, banyak yang disebut “agents” hanyalah chatbot yang terhubung ke beberapa API. Mereka dapat menjawab pertanyaan dasar atau memicu alur kerja sederhana yang kaku. Itu berguna, tetapi tidak transformatif.

Agen perusahaan yang sesungguhnya tidak hanya mengikuti skrip; ia memahami tujuan akhir, menalar melalui berbagai opsi, bekerja lintas banyak sistem warisan, beradaptasi ketika keadaan berubah, dan tetap ketat dalam batasan tata kelola perusahaan Anda. Saya melihatnya sebagai perbedaan antara mesin pencari dan manajer operasi yang tepercaya. Yang satu memberi Anda informasi; yang lain mengambil tanggung jawab untuk menyelesaikan pekerjaan.

Untuk melakukannya, agen memerlukan konteks domain yang mendalam. Misalnya, agen inventaris ritel tidak dapat hanya melihat spreadsheet; ia harus memahami siklus pengisian kembali, pola permintaan, tingkat layanan, dan implikasi margin secara bersamaan. Apa yang membedakan agen nyata dari chatbot canggih bukanlah antarmuka percakapan. Itu adalah pemahaman domain, memori, penalaran, orkestrasi backend, dan akuntabilitas bawaan. Pada akhirnya, bisnis tidak membutuhkan antarmuka lain untuk dilihat. Kami membutuhkan sistem yang dapat mengeksekusi pekerjaan secara andal dan berskala.

Tredence menempatkan penekanan signifikan pada AI yang spesifik industri, terutama di bidang ritel dan barang konsumen. Seiring model fondasi menjadi lebih mampu, di mana keahlian domain masih memberikan keunggulan, dan seberapa banyak kecerdasan pada akhirnya harus berasal dari pemahaman alur kerja, terminologi, kendala, dan ekonomi suatu industri tertentu?

Model fondasi telah menjadi sangat kuat, tetapi keahlian domain tetap menjadi perbedaan antara kecerdasan mentah dan kegunaan sebenarnya. Ini seperti memberikan buku teks medis berdaya tinggi yang sama persis kepada seorang ahli bedah, seorang pengacara korporat, dan seorang manajer ritel. Informasi dalam buku itu identik, tetapi hanya berharga bagi orang yang benar-benar memahami pasien, ruang operasi, dan kepentingan pekerjaan tersebut. 

Setiap industri memiliki aturan tak terlihatnya sendiri, ekonomi yang unik, regulasi yang ketat, dan kendala operasional harian. Dalam ritel, misalnya, rekomendasi AI yang secara teknis meningkatkan akurasi perkiraan Anda tetapi secara tidak sengaja menyebabkan situasi kehabisan stok secara massal di rak tidak membantu—justru menjadi beban.

Ketika kami menerapkan intelijen domain mendalam pada model tujuan umum, hasil bisnisnya sangat besar. Misalnya, di Tredence, kami telah menerapkan solusi khusus domain yang memberikan hasil luar biasa dan terverifikasi bagi klien kami. Program perkiraan supermarket menghasilkan nilai mendekati $200 juta dan meningkatkan tingkat kecocokan pengisian kembali di atas 90 persen. Platform rantai pasokan manufaktur menghasilkan penghematan $10 juta pada tahun pertama. Modernisasi alur kerja ritel mengurangi upaya analis sebesar 70 persen, sementara program lain mencapai pengurangan kerugian sebesar $100 juta.

Seiring model fondasi menjadi utilitas komoditas, seperti listrik, keunggulan kompetitif yang sesungguhnya beralih sepenuhnya kepada siapa yang memiliki konteks kepemilikan dan pemahaman alur kerja terbaik untuk mengubah intelijen generik menjadi hasil bisnis yang tepat.

Ada ketegangan antara membangun platform AI yang dapat digunakan kembali dan menyesuaikan sistem dengan data serta proses spesifik setiap perusahaan. Bagaimana Anda menentukan apa yang harus distandarisasi versus yang harus disesuaikan, dan apakah kustomisasi berlebihan pada akhirnya dapat menjadi penghalang tersendiri bagi skala AI?

Menemukan keseimbangan yang tepat antara platform standar dan fitur khusus selalu menjadi keputusan yang sulit. Secara pribadi, saya melihatnya seperti perencanaan kota. Anda jelas harus menstandarisasi jalan, jaringan listrik, dan saluran air, tetapi itu tidak berarti setiap rumah di lingkungan tersebut harus menjadi salinan identik.

Aturan yang sama berlaku untuk AI. Hal-hal seperti keamanan data, tata kelola, dan pemantauan harus sepenuhnya distandarisasi. Mereka pada dasarnya harus menjadi infrastruktur perusahaan yang tidak terlihat. Agar ini efisien, saya menyarankan perusahaan membangun pasar internal untuk agen yang dapat digunakan kembali sehingga tim tidak terus-menerus menciptakan kembali solusi yang sama.

Namun, alur kerja bisnis Anda yang sebenarnya perlu tetap fleksibel, karena di situlah keunggulan kompetitif unik Anda berada. Saat ini, risiko terbesar bukan kurangnya kustomisasi, melainkan kustomisasi berlebih. Ketika setiap penerapan AI menjadi proyek rekayasa yang sangat unik dan terisolasi, skalabilitas menjadi mimpi buruk dan biaya pemeliharaan melambung. Tujuannya harus membangun kemampuan yang dapat diulang. Anda menstandarisasi fondasi yang kuat, lalu memberi tim Anda blok-blok yang diperlukan untuk menyesuaikannya dengan cepat sesuai kebutuhan mereka. Kemampuan untuk memanfaatkan dan menggunakan kembali kapabilitas AI menjadi pembeda utama, mempercepat adopsi serta memberikan waktu ke nilai yang lebih cepat dan ROI yang lebih kuat.

Seiring agen memperoleh kemampuan untuk membuat keputusan dan mengeksekusi tugas, bagaimana perusahaan harus menentukan di mana otonomi tepat dan di mana persetujuan manusia harus tetap wajib? Apakah ada fungsi bisnis tertentu yang Anda rasa organisasi bergerak terlalu cepat atau terlalu berhati-hati?

Ketika memberikan otonomi pada AI, risiko harus selalu menentukan aturan, bukan hanya apa yang dapat ditangani teknologi. Hanya karena sebuah agen dapat mengeksekusi proses dari awal hingga akhir tidak berarti Anda harus memutuskan tali pengaman sepenuhnya. Tugas rutin sehari-hari seperti mencatat inventaris atau menyinkronkan file back‑office sangat cocok untuk otomatisasi penuh karena mereka menghilangkan hambatan operasional yang besar. Namun begitu sebuah keputusan melibatkan regulasi ketat, pengeluaran keuangan besar, atau masalah pelanggan yang berisiko tinggi, Anda sangat membutuhkan manusia dalam prosesnya.

Saat ini, saya melihat perusahaan terlalu berhati-hati dalam operasi rantai pasokan dan back‑office. Mereka lambat dalam mengotomatisasi pengadaan rutin dan pencocokan faktur, padahal agen dapat dengan aman menghemat waktu hari ini. Sebaliknya, mereka bergerak terlalu cepat dalam layanan pelanggan dan kepatuhan hukum, meluncurkan agen otonom ke dalam sengketa pelanggan yang tidak dapat diprediksi atau peninjauan kontrak otomatis tanpa pengaman yang nyata. Tujuannya di sini adalah otomatisasi yang bertanggung jawab, bukan otomatisasi maksimum.

Seiring model frontier menjadi lebih murah dan lebih mampu, peran perusahaan layanan AI kemungkinan akan berubah. Apakah nilai semakin beralih dari membangun model ke arsitektur data, integrasi, evaluasi, orkestrasi, tata kelola, dan merancang ulang proses bisnis di sekitar AI? Apa yang akan membedakan perusahaan layanan AI yang tetap bernilai?

Kami menyaksikan pergeseran alami dalam tempat nilai diciptakan. Beberapa tahun yang lalu, infrastruktur komputasi mentah merupakan keunggulan kompetitif utama. Saat ini, itu sebagian besar menjadi utilitas, dan model AI dengan cepat bergerak ke arah yang sama.

Perusahaan tidak lagi mencari model yang lebih besar. Mereka menginginkan keputusan yang lebih cepat, produktivitas yang lebih tinggi, dan hasil bisnis yang jelas. Karena itu, nilai telah berpindah sepenuhnya ke ekosistem yang mengelilingi model—hal-hal seperti arsitektur data yang bersih, tata kelola yang ketat, orkestrasi cerdas, dan sepenuhnya memikirkan kembali alur kerja untuk membuat AI benar‑benar praktis dalam skala besar. Pemenang belum tentu perusahaan dengan teknologi paling canggih, melainkan mereka yang dapat mengubah teknologi menjadi hasil bisnis yang nyata.

Kami juga melihat perusahaan mengambil pendekatan portofolio terhadap AI. Model frontier, model open-weight, dan model khusus yang lebih kecil semuanya memiliki peran tergantung pada kasus penggunaan, biaya, latensi, dan persyaratan tata kelola. Seiring AI matang, keberhasilan akan ditentukan lebih sedikit oleh siapa yang membangun mesin dan lebih banyak oleh siapa yang tahu cara mengaplikasikannya dalam bisnis. Apa yang saya sebut \”execution rhythm\” pada akhirnya akan memisahkan para pemenang dari yang lainnya.

Melihat beberapa tahun ke depan, jika perusahaan berhasil mengatasi masalah data, tata kelola, dan integrasi saat ini, seperti apa sebenarnya perusahaan besar yang AI‑native? Apakah Anda mengharapkan agen tetap menjadi alat yang digunakan karyawan, atau kita akan semakin melihat seluruh alur kerja dan fungsi bisnis dioperasikan oleh jaringan terkoordinasi agen AI?

Perusahaan AI‑native tidak akan sekadar menjadi perusahaan tradisional dengan beberapa tambahan alat perangkat lunak. Itu akan menjadi perusahaan yang secara fundamental dibayangkan kembali. Kami telah melihat pergeseran serupa selama era Internet dan digital, ketika teknologi tidak hanya mengubah cara bisnis beroperasi, tetapi juga cara mereka terstruktur. Perusahaan-perusahaan ini akan berfungsi sangat berbeda.

Saat ini, bisnis diatur di sekitar orang yang melakukan tugas manual yang didukung oleh perangkat lunak. Di masa depan, seluruh alur kerja dapat diorkestrasi oleh jaringan terkoordinasi agen AI, dengan manusia mengambil peran yang semakin mengawasi dan strategis. Ini sangat mirip dengan bagaimana listrik mengubah pabrik. Listrik tidak menghilangkan pabrik; ia sepenuhnya mengubah cara pabrik dirancang dan dioperasikan.

Di perusahaan masa depan ini, agen akan terus memantau operasi, menandai peluang, dan menangani pelaksanaan rutin di berbagai departemen. Ini tidak berarti manusia menghilang, pekerjaan kami hanya menjadi jauh lebih strategis, beralih sepenuhnya ke penilaian, inovasi, dan pembangunan hubungan.

Para pemenang bukanlah perusahaan yang menyebarkan paling banyak agen. Mereka adalah yang membangun kombinasi terkuat antara data terpercaya, intelijen domain, dan pengawasan manusia. Masa depan bukan tentang perusahaan yang sepenuhnya otonom; melainkan tentang perusahaan yang diorkestrasi secara cerdas di mana manusia dan agen bekerja bersama untuk mencapai tujuan yang tidak dapat dicapai masing‑masing secara tunggal.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut sebaiknya mengunjungi Tredence.