Jitendra Putcha, COO di Tredence – Serie di Interviste

Jitendra Putcha, COO di Tredence, è un dirigente esperto di tecnologia e operazioni con quasi tre decenni di esperienza che coprono intelligenza artificiale, analisi dei dati, trasformazione digitale, delivery e servizi tecnologici per le imprese. Prima di entrare in Tredence nell’aprile 2026, è stato Chief Delivery Officer presso Mastech Digital, dove ha fatto parte del team di leadership esecutiva responsabile di strategia, trasformazione, responsabilità P&L e delivery dei servizi. In precedenza ha trascorso diversi anni in LTIMindtree e LTI, ricoprendo infine il ruolo di Senior Vice President e Responsabile globale di Data & AI, con la responsabilità dell’adozione dell’AI aziendale, AI generativa, agenti AI, servizi di dati e analisi, ingegneria dei prodotti e sviluppo della piattaforma. In passato, Putcha ha lavorato quasi 18 anni in Cognizant, avanzando attraverso posizioni di senior leadership tra cui Vice President di AI & Analytics e Responsabile del Centro di Hyderabad, dove il suo lavoro ha coperto la delivery globale di dati e analisi, la trasformazione guidata dall’AI e la scalabilità delle capacità analitiche in vari settori. La sua carriera iniziale comprende ruoli in Wipro e DSQ Software, fornendogli una base professionale che spazia dal data warehousing, business intelligence, analytics e delivery su larga scala per le imprese.

Tredence è una società globale di data science e soluzioni AI focalizzata sull’affrontare quello che definisce il problema della “last‑mile” nell’AI — il divario tra la generazione di insight e la loro trasformazione in risultati aziendali misurabili. Fondata nel 2013, l’azienda combina competenze di settore con data engineering, data science, machine learning, AI generativa, agenti AI, tecnologie cloud e acceleratori proprietari per aiutare le imprese a operazionalizzare l’AI su larga scala. Tredence afferma di avere più di 4.200 dipendenti e collabora con aziende nei settori retail, beni di consumo confezionati, tecnologia, telecomunicazioni, sanità, viaggi, industria e altri settori. Il suo approccio enfatizza l’integrazione di analytics e AI nei processi aziendali reali anziché fermarsi a modelli o dashboard, con capacità che spaziano dall’AI generativa pronta per l’impresa, sistemi multimodali e agentici, AI responsabile, modernizzazione dei dati e governance dell’AI.

Porti più di 28 anni di esperienza che coprono dati aziendali, analytics, AI e delivery globale su larga scala, includendo ruoli di leadership presso Cognizant, LTIMindtree e Mastech Digital prima di entrare in Tredence come Chief Operating Officer nel 2026. Cosa ti ha attratto di Tredence in questa fase particolare della sua crescita, e quale ritieni sia la più grande opportunità per rimodellare il modo in cui un’azienda di servizi focalizzata sull’AI opera e genera valore mentre le imprese passano dalla sperimentazione all’AI su larga scala?

Ciò che mi ha attratto di Tredence è la sua concretezza. Nella mia carriera ho assistito a numerosi cambiamenti tecnologici, ma è raro trovare un’organizzazione che colleghi una profonda competenza AI direttamente a risultati aziendali concreti. Tredence non si limita a parlare di AI per il gusto di farlo; costruisce soluzioni che risolvono problemi reali delle imprese.

In questo momento, il settore si trova a un punto di svolta straordinario. Sta superando la fase di test e si pone la difficile domanda: come integriamo l’AI nelle nostre operazioni quotidiane? Questo è ciò che definiamo la “last mile” dell’AI: colmare il divario tra la generazione di insight e l’assicurarsi che tali insight arrivino alla persona, al processo o alla decisione specifica dove possano produrre un risultato utile.

L’opportunità qui non riguarda solo il deployment di strumenti più avanzati. Si tratta di risolvere un problema di esecuzione, aiutare le organizzazioni a pensare diversamente e a vedere valore misurabile. Come COO, il mio compito è proteggere questo vantaggio. Voglio assicurarmi che ampliamo le nostre operazioni senza perdere agilità o attenzione al cliente, trasformando ambizioni AI di alto livello in ritorni concreti.

Continuiamo a osservare imprese che avviano promettenti pilot AI che non diventano mai sistemi di produzione significativi. Guardando ai progetti che si bloccano, quali sono i punti di fallimento più comuni e quali di questi problemi gli executive sottovalutano ancora?

Onestamente, la maggior parte dei pilot AI non fallisce a causa della tecnologia. Falliscono perché trattiamo l’AI come un motore potente ma dimentichiamo di costruire l’auto reale intorno ad esso. Pensateci così: un motore di classe mondiale è completamente inutile se non gli fornite carburante pulito, un volante e un conducente.

Il tuo modello AI rimarrà bloccato nel garage allo stesso modo se sottovaluti tre fondamentali. I dati affidabili sono il tuo carburante pulito. Se i tuoi dati sono una base disordinata e non organizzata, il motore si intasa e il modello restituisce risposte inaffidabili. Una governance solida è il tuo volante. Senza regole chiare e barriere di sicurezza, i team hanno semplicemente troppa paura del rischio per mettere l’auto sulla strada.

Infine, una chiara proprietà aziendale è il tuo conducente, ed è l’aspetto che gli executive sottovalutano di più. Se un leader aziendale non prende il volante, non promuove lo strumento e non lo integra direttamente nei flussi di lavoro quotidiani del suo team, il progetto fatica a produrre risultati. Dobbiamo sfuggire alla “trappola della demo”. Il successo non consiste nel lanciare numerosi pilot o nel raccogliere motori di prova. Riguarda consolidare i dati, definire barriere chiare, assegnare responsabilità reali e integrare l’AI in modo discreto nel modo in cui la tua azienda opera ogni giorno.

Tredence ha a lungo descritto l“ultimo miglio” dell’IA come il collegamento tra intuizioni e azioni. L’IA agentica può portare questo molto più avanti, consentendo al software di eseguire le decisioni. Come cambia il problema dell’ultimo miglio quando l’IA passa dal raccomandare un’azione al compierla autonomamente?

In passato, affrontare l’ultimo miglio dell’IA era molto simile a guidare con un GPS. Lo schermo ti indicava esattamente dove svoltare, ma dovevi comunque muovere fisicamente il volante. L’IA agentica ribalta completamente la situazione. Ora, l’auto si guida praticamente da sola.

Questo cambia l’intera conversazione. Non stiamo più solo cercando di convincere un manager a fidarsi di un grafico su una dashboard; stiamo costruendo sistemi di cui possiamo fidarci per prendere decisioni per nostro conto. La vera sfida non è più far guardare le persone ai dati; è capire quanta autonomia siamo disposti a cedere al software.

Per compiti di routine a basso rischio, come aggiornare i registri di inventario o ripulire i file di dati, far operare un agente in modalità autopilota è una scelta ovvia perché elimina i consueti ritardi aziendali. Tuttavia, non appena una decisione riguarda una transazione finanziaria importante, un reclamo cliente sensibile o un confine legale, è necessario che un umano sia pronto a intervenire e frenare.

In definitiva, le aziende che trarranno vantaggio dall’IA agentica non saranno solo quelle con la tecnologia più avanzata. Saranno le organizzazioni che stabiliscono confini cristallini su dove il software può operare autonomamente e dove il giudizio umano deve riprendere il controllo.

Hai sostenuto che un’impresa agentica richiede contesto di dominio, governance e esecuzione intelligente per funzionare insieme. Perché non basta alle aziende semplicemente posizionare un LLM o un agente IA sopra il loro stack dati esistente, e quali cambiamenti architettonici sono necessari?

Mettere un LLM sopra i dati aziendali è come assumere un dipendente intelligente e concedergli l’accesso a tutti i documenti dell’azienda fin dal primo giorno. È intelligente e capace, ma non ha ancora idea di come funzionino i tuoi sistemi, i processi, le regole interne e le normative.

Le aziende affrontano una sfida simile perché i loro ambienti sono naturalmente complessi. I dati sono distribuiti su più sistemi e le regole aziendali si sono evolute silenziosamente nel corso di molti anni. Inoltre, gli obblighi di conformità variano a seconda del settore e della geografia. Perché gli agenti funzionino efficacemente, hanno bisogno di contesto, non solo di informazioni.

Ecco perché concepiamo l’IA aziendale come un’architettura a tre livelli. Il primo livello è una base dati affidabile. Il secondo è l’intelligenza di dominio, che cattura il contesto aziendale, le relazioni, le definizioni e i flussi di lavoro. Il terzo è lo strato esperienziale e l’esecuzione a ciclo chiuso, dove gli agenti possono ragionare e agire entro confini governati.

Molte organizzazioni hanno investito molto nel primo livello, e alcune hanno costruito elementi del secondo. Tuttavia, la vera opportunità risiede nel collegare tutti e tre i livelli.

Senza contesto e governance, anche il modello più capace può generare risposte plausibili che semplicemente non si allineano alla realtà aziendale. L’IA aziendale non ha bisogno di più intelligenza. Ha bisogno di più contesto.

“AI agent” è rapidamente diventato uno dei termini più abusati nel settore. Da un punto di vista tecnico, cosa distingue un vero agente aziendale utile da un chatbot collegato a pochi strumenti e flussi di lavoro?

Un agente aziendale veramente utile è definito più da ciò che può realizzare responsabilmente che da quanto scorrevole sia il suo linguaggio. Attualmente, gran parte di ciò che le persone chiamano “agenti” sono semplici chatbot collegati a un paio di API. Possono rispondere a una domanda di base o avviare un flusso di lavoro semplice e rigido. È comodo, ma non è trasformativo.

Un vero agente aziendale non si limita a seguire uno script; comprende un obiettivo finale, ragiona tra diverse opzioni, opera su più sistemi legacy, si adatta quando le cose cambiano e rimane rigorosamente entro le linee della tua governance aziendale. Lo vedo come la differenza tra un motore di ricerca e un responsabile operativo di fiducia. Uno ti fornisce informazioni; l’altro si assume la responsabilità di portare a termine il lavoro.

Per farlo, gli agenti hanno bisogno di un profondo contesto di dominio. Un agente di inventario al dettaglio, ad esempio, non può limitarsi a guardare un foglio di calcolo; deve comprendere i cicli di rifornimento, i modelli di domanda, i livelli di servizio e le implicazioni sui margini, tutto in una volta. Ciò che distingue un vero agente da un chatbot sofisticato non è l’interfaccia di chat. È la comprensione del dominio, la memoria, il ragionamento, l’orchestrazione back‑end e la responsabilità integrata. In definitiva, le aziende non hanno bisogno di un’altra interfaccia da osservare. Abbiamo bisogno di sistemi che possano eseguire il lavoro in modo affidabile e su larga scala.

Tredence attribuisce grande importanza all’IA specifica per settore, in particolare nei settori retail e beni di consumo. Man mano che i modelli di base diventano più capaci, dove l’expertise di dominio continua a creare un vantaggio, e quanto dell’intelligenza deve alla fine derivare dalla comprensione dei flussi di lavoro, della terminologia, delle restrizioni e dell’economia di un determinato settore?

I modelli di base sono diventati incredibilmente potenti, ma l’expertise di dominio rimane la differenza tra intelligenza grezza e reale utilità. È come consegnare lo stesso manuale medico ad alte prestazioni a un chirurgo, a un avvocato d’impresa e a un responsabile retail. Le informazioni nel libro sono identiche, ma sono preziose solo per la persona che comprende realmente il paziente, la sala operatoria e le poste in gioco del lavoro. 

Ogni settore ha le proprie regole invisibili, economie uniche, normative rigide e vincoli operativi quotidiani. Nel retail, ad esempio, una raccomandazione AI che tecnicamente migliora la precisione delle previsioni ma provoca accidentalmente enormi situazioni di esaurimento scorte sugli scaffali non è utile — è una responsabilità.

Quando applichiamo una profonda intelligenza di dominio a modelli generici, i risultati aziendali sono enormi. Per esempio, in Tredence, abbiamo implementato soluzioni specifiche per settore che hanno fornito risultati incredibili e verificati per i nostri clienti. Un programma di previsione per supermercati ha generato quasi 200 milioni di dollari di valore e ha spinto i tassi di corrispondenza del rifornimento oltre il 90 percento. Una piattaforma di supply chain manifatturiera ha prodotto 10 milioni di dollari di risparmi nel primo anno. Una modernizzazione del flusso di lavoro retail ha ridotto lo sforzo degli analisti del 70 percento, mentre un altro programma ha ottenuto una riduzione delle perdite di 100 milioni di dollari.

Man mano che i modelli di base diventano un’utilità commoditizzata, come l’elettricità, il vero vantaggio competitivo si sposta interamente verso chi possiede il miglior contesto proprietario e la migliore comprensione dei flussi di lavoro per trasformare l’intelligenza generica in risultati aziendali precisi.

Esiste una tensione tra la costruzione di piattaforme AI riutilizzabili e la personalizzazione dei sistemi ai dati e ai processi specifici di ciascuna impresa. Come si determina cosa debba essere standardizzato rispetto a ciò che deve essere personalizzato, e una personalizzazione eccessiva può diventare alla fine una barriera alla scalabilità dell’AI?

Trovare il giusto equilibrio tra una piattaforma standard e funzionalità personalizzate è sempre una decisione difficile. Personalmente, lo vedo come pianificazione urbana. Ovviamente bisogna standardizzare strade, reti elettriche e condutture idriche, ma ciò non significa che ogni singola casa nel quartiere debba essere una copia carbone.

La stessa regola vale per l’AI. Aspetti come la sicurezza dei dati, la governance e il monitoraggio devono essere completamente standardizzati. Dovrebbero fondamentalmente diventare un’infrastruttura aziendale invisibile. Per rendere ciò efficiente, consiglierei alle aziende di creare un marketplace interno per agenti riutilizzabili, così i team non dovranno reinventare continuamente la ruota.

Tuttavia, i vostri flussi di lavoro aziendali reali devono rimanere flessibili, perché è lì che risiede il vostro vantaggio competitivo unico. Al momento, il rischio più grande non è la sotto‑personalizzazione, ma la sovra‑personalizzazione. Quando ogni singola implementazione AI si trasforma in un progetto di ingegneria altamente unico e isolato, la scalabilità diventa un incubo e i costi di manutenzione schizzano alle stelle. L’obiettivo dovrebbe essere costruire una capacità ripetibile. Si standardizza una base solida e poi si forniscono ai team i blocchi necessari per adattarla rapidamente alle proprie esigenze. La capacità di sfruttare e riutilizzare le funzionalità AI diventa un differenziatore chiave, accelerando l’adozione e garantendo tempi di valore più rapidi e un ROI più forte.

Man mano che gli agenti acquisiscono la capacità di prendere decisioni ed eseguire compiti, come dovrebbero le imprese determinare dove l’autonomia è appropriata e dove l’approvazione umana deve rimanere obbligatoria? Ci sono particolari funzioni aziendali in cui ritenete che le organizzazioni si stiano muovendo troppo rapidamente o troppo cautamente?

Quando si tratta di concedere autonomia all’AI, il rischio dovrebbe sempre dettare le regole, non solo ciò che la tecnologia è in grado di gestire. Il semplice fatto che un agente possa eseguire un processo dall’inizio alla fine non significa che si debba tagliare completamente la corda di sicurezza. Compiti di routine, quotidiani, come la registrazione dell’inventario o la sincronizzazione dei file back‑office, sono perfetti per un’automazione totale perché eliminano enormi colli operativi. Ma non appena una decisione coinvolge normative rigide, spese finanziarie importanti o questioni critiche per i clienti, è assolutamente necessario un umano nel ciclo.

Al momento, vedo le aziende essere troppo caute nella supply chain e nelle operazioni back‑office. Stanno trascinando i piedi sull’automazione degli acquisti di routine e del matching delle fatture, dove gli agenti potrebbero già risparmiare tempo in modo sicuro. D’altro canto, stanno procedendo troppo velocemente nel servizio clienti e nella conformità legale, spingendo agenti autonomi in dispute clienti imprevedibili o revisioni contrattuali automatizzate senza adeguate salvaguardie. L’obiettivo qui è un’automazione responsabile, non la massima automazione.

Man mano che i modelli di frontiera diventano più economici e più capaci, il ruolo delle società di servizi AI probabilmente cambierà. Il valore si sposta sempre più dalla costruzione di modelli verso l’architettura dei dati, l’integrazione, la valutazione, l’orchestrazione, la governance e la riprogettazione dei processi aziendali attorno all’AI? Cosa differenzierà le società di servizi AI che rimarranno preziose?

Stiamo assistendo a uno spostamento naturale di dove viene creato il valore. Alcuni anni fa, l’infrastruttura di calcolo grezzo era un vantaggio competitivo importante. Oggi è in gran parte un’utilità, e i modelli AI stanno rapidamente dirigendosi nella stessa direzione.

Le imprese non cercano più modelli più grandi. Vogliono decisioni più rapide, maggiore produttività e risultati aziendali chiari. Per questo, il valore si è spostato interamente sull’ecosistema che circonda il modello—elementi come un’architettura dati pulita, una governance rigorosa, un’orchestrazione intelligente e una completa riprogettazione dei flussi di lavoro per rendere l’IA realmente pratica su larga scala. I vincitori non saranno necessariamente le aziende con la tecnologia più sofisticata, ma quelle che riescono a trasformare la tecnologia in risultati aziendali tangibili.

Stiamo anche osservando le imprese adottare un approccio di portafoglio all’IA. I modelli di frontiera, i modelli open-weight e i modelli specializzati più piccoli hanno tutti un ruolo da svolgere a seconda del caso d’uso, del costo, della latenza e dei requisiti di governance. Man mano che l’IA matura, il successo sarà determinato meno da chi costruisce il motore e più da chi sa come metterlo in pratica all’interno di un’azienda. Quello che chiamo “ritmo di esecuzione” alla fine distinguerà i vincitori dal resto.

Guardando a diversi anni di distanza, se le imprese riusciranno a superare i problemi odierni di dati, governance e integrazione, che aspetto avrà realmente una grande azienda nativa dell’IA? Si prevede che gli agenti rimarranno strumenti utilizzati dai dipendenti, o vedremo sempre più flussi di lavoro e funzioni aziendali gestiti da reti coordinate di agenti IA?

Un’impresa nativa dell’IA non sarà semplicemente un’azienda tradizionale con qualche strumento software in più. Sarà un’impresa fondamentalmente reinventata. Abbiamo osservato cambiamenti simili durante le ere di Internet e del digitale, quando la tecnologia ha modificato non solo il modo in cui le aziende operavano, ma anche la loro struttura. Queste aziende funzioneranno in modo molto diverso.

Oggi le aziende sono organizzate attorno a persone che svolgono compiti manuali supportati dal software. In futuro, interi flussi di lavoro potranno essere orchestrati da reti coordinate di agenti IA, con gli esseri umani che assumeranno un ruolo sempre più di supervisione e strategico. È molto simile a come l’elettricità ha trasformato le fabbriche. Non ha eliminato la fabbrica; ha completamente cambiato il suo design e il suo funzionamento.

In queste aziende future, gli agenti monitoreranno continuamente le operazioni, segnaleranno opportunità e gestiranno l’esecuzione di routine in diversi dipartimenti. Ciò non significa che gli esseri umani scompariranno; i nostri lavori diventeranno semplicemente molto più strategici, spostandosi interamente verso il giudizio, l’innovazione e la costruzione di relazioni.

I vincitori non saranno le aziende che dispongono del maggior numero di agenti. Saranno quelle che costruiscono la combinazione più solida di dati affidabili, intelligenza di dominio e supervisione umana. Il futuro non riguarda imprese completamente autonome; riguarda imprese orchestrate in modo intelligente, dove umani e agenti collaborano per raggiungere obiettivi che nessuno dei due potrebbe conseguire da solo.

Grazie per la splendida intervista, i lettori che desiderano saperne di più dovrebbero visitare Tredence.