Jitendra Putcha、TredenceのCOO – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者 Jitendra Putcha、TredenceのCOOは、人工知能、データ分析、デジタルトランスフォーメーション、デリバリー、エンタープライズテクノロジーサービスにわたるほぼ30年の経験を持つ熟練のテクノロジー・オペレーション幹部です。2026年4月にTredenceに入社する前は、Mastech DigitalでChief Delivery Officerを務め、戦略、トランスフォーメーション、P&Lの責任、サービスデリバリーを監督するエグゼクティブリーダーシップチームの一員でした。以前はLTIMindtreeおよびLTIで数年勤務し、最終的にSenior Vice President兼Global Head of Data & AIとして、エンタープライズAI導入、生成AI、AIエージェント、データ・分析サービス、プロダクトエンジニアリング、プラットフォーム開発を担当しました。さらに、PutchaはCognizantでほぼ18年間勤務し、Vice President of AI & AnalyticsやHyderabad Center Headなどの上級リーダーシップポジションを歴任し、グローバルなデータ・分析デリバリー、AI主導のトランスフォーメーション、産業横断的な分析能力のスケーリングに取り組みました。キャリア初期はWiproとDSQ Softwareでの役割を経験し、データウェアハウジング、ビジネスインテリジェンス、分析、 大規模エンタープライズデリバリーにわたる基盤を築きました。Tredenceは、AIにおける「ラストマイル」問題—インサイトを生成することと、それを測定可能なビジネス成果に変換することとのギャップ—に取り組むことに注力する、グローバルなデータサイエンス・AIソリューション企業です。2013年に設立された同社は、業界専門知識とデータエンジニアリング、データサイエンス、機械学習、生成AI、AIエージェント、クラウド技術、独自のアクセラレータを組み合わせ、企業がAIを大規模に運用できるよう支援します。Tredenceによると、従業員は4,200人以上で、小売、消費財、テクノロジー、通信、ヘルスケア、旅行、産業など幅広いセクターの企業と取引しています。同社のアプローチは、モデルやダッシュボードで止まらず、分析とAIを実際のビジネスプロセスに組み込むことを重視しており、エンタープライズ対応の生成AI、マルチモーダル・エージェントシステム、責任あるAI、データモダナイゼーション、AIガバナンスといった機能を提供します。あなたは、Cognizant、LTIMindtree、Mastech Digitalでのリーダーシップ経験を含め、エンタープライズデータ、分析、AI、そして大規模グローバルデリバリーにわたる28年以上の経験を持っています。2026年にTredenceの最高執行責任者（COO）に就任する前のことです。この成長段階でTredenceに惹かれた理由は何ですか？また、企業が実験段階からスケールしたAIへ移行する中で、AI特化型サービス会社の運営方法と価値提供を再構築する最大の機会は何だと考えますか？私がTredenceに惹かれたのは、会社が非常に実務志向である点です。これまでのキャリアで多くの技術変革を目の当たりにしてきましたが、深いAI専門知識を実際のビジネス成果に直接結びつける組織は稀です。Tredenceは単にAIを語るだけでなく、実際のエンタープライズ課題を解決するソリューションを構築しています。現在、業界は驚くべき転換点にあります。テスト段階を超えて、次の難しい問いに直面しています：AIを日々の業務にどう組み込むか？これこそが私たちが「AIのラストマイル」と呼ぶもので、インサイトを生成することと、そのインサイトが具体的な人物、プロセス、または意思決定に届き、実用的な成果を生むこととのギャップを埋めることを意味します。ここでの機会は、単に最新ツールを導入することだけではありません。実行上の課題を解決し、組織が新たな考え方を取り入れ、測定可能な価値を実感できるようにすることです。COOとして、私の役割はその優位性を守ることです。機敏さやクライアント志向を失わずにオペレーションを拡大し、高度なAI志向を実際の成果に変換したいと考えています。企業が有望なAIパイロットを実施しても、実際の本格的なプロダクションシステムに至らないケースが依然として見受けられます。停滞するプロジェクトを見たとき、最も一般的な失敗要因は何か、そしてそのうちどの問題を経営層がまだ過小評価しているのでしょうか？正直に言うと、ほとんどのAIパイロットが失敗するのは技術が原因ではありません。AIを強力なエンジンとして扱いながら、その周囲の車体を構築し忘れることが原因です。こう考えてみてください：最高級のエンジンでも、クリーンな燃料、ステアリングホイール、そしてドライバーがなければ全く役に立たないのです。3つの基本要素を過小評価すれば、AIモデルはガレージに放置されたままになります。信頼できるデータはクリーンな燃料です。データが乱雑で整理されていないと、エンジンが詰まり、モデルは信頼性の低い回答を返します。強固なガバナンスはステアリングホイールです。明確なルールや安全ガードレールがなければ、チームはリスクを恐れて車を道路に出すことができません。最後に、明確なビジネスオーナーシップがドライバーであり、経営層が最も過小評価している要素です。ビジネスリーダーが舵を取らず、ツールを推進せず、チームの日常業務に直接組み込まなければ、プロジェクトは成果を出すのに苦労します。「デモ罠」から脱出しなければなりません。成功は多数のパイロットを立ち上げたり、テストエンジンを集めることではなく、データを確実に管理し、明確なガードレールを設定し、実際の責任を割り当て、AIを日々のビジネス運営に静かに組み込むことにあります。Tredenceは長らくAIの「ラストマイル」を、インサイトを行動に結びつけることと説明してきました。エージェントAIは、ソフトウェアが意思決定を実行できるようにすることで、さらに先へ進める可能性があります。AIがアクションを推奨する段階から自律的にそのアクションを実行する段階へ移行したとき、ラストマイルの課題はどのように変わるのでしょうか？過去にAIのラストマイルに取り組むことは、GPSで運転するようなものです。画面は正確に次の曲がり角を示しますが、ハンドルは自分で回さなければなりませんでした。エージェントAIはそれを完全に逆転させます。今や車は実質的に自律走行しています。これにより会話全体が変わります。もはやマネージャーにダッシュボード上のチャートを信頼させようとするだけではなく、私たちに代わって意思決定を行うシステムを構築しています。真の課題は、データを見るよう人々に促すことではなく、どれだけの制御をソフトウェアに委ねることに快適さを感じるかを見極めることです。在庫ログの更新やデータファイルのクリーンアップといった日常的で低リスクなタスクに関しては、エージェントを自動運転させるのは当然の選択です。なぜなら、通常の企業内の遅延を排除できるからです。しかし、意思決定が大規模な金融取引、機密性の高い顧客クレーム、あるいは法的境界に関わる場合は、人間が介入してブレーキをかけられる体制が必要です。最終的に、エージェントAIで成功する企業は、最も高度な技術を持つ企業だけではありません。ソフトウェアが単独で動作できる範囲と、人間の判断がハンドルを取り戻すべき範囲を、クリアに区切る組織が勝者となります。エージェント型エンタープライズには、ドメインコンテキスト、ガバナンス、インテリジェントな実行が連携して必要だと主張されています。なぜ単にLLMやAIエージェントを既存のデータスタック上に置くだけでは不十分で、どのようなアーキテクチャ変更が求められるのでしょうか？エンタープライズデータの上にLLMを配置することは、インテリジェントな従業員を雇用し、入社初日から社内のすべての文書へのアクセス権を与えるようなものです。彼らは賢く有能ですが、貴社のシステム、プロセス、内部規則、法規制がどのように機能しているかは全く把握していません。企業は環境が自然に複雑であるため、同様の課題に直面します。データは複数のシステムにまたがって存在し、ビジネスルールは長年にわたり静かに進化してきました。その上、コンプライアンス要件は業界や地域によって異なります。エージェントが効果的に機能するためには、単なる情報ではなくコンテキストが必要です。そのため、エンタープライズAIは3層のアーキテクチャとして考えます。第一層は信頼できるデータ基盤です。第二層はドメインインテリジェンスで、ビジネスコンテキスト、関係性、定義、ワークフローを捉えます。第三層はエクスペリエンス層とクローズドループ実行で、エージェントがガバナンスされた境界内で推論し行動できるようにします。多くの組織が第一層に多額の投資を行い、第二層の要素を構築しているものの、真の機会は3層すべてを結びつけることにあります。コンテキストとガバナンスがなければ、最も有能なモデルでもビジネスの現実と合致しない妥当な回答を生成してしまいます。エンタープライズAIに必要なのは、より高度なインテリジェンスではなく、より多くのコンテキストです。「AIエージェント」は業界で急速に使い過ぎられた用語の一つです。技術的観点から見て、実際に有用なエンタープライズエージェントと、いくつかのツールやワークフローに接続されたチャットボットとを分けるのは何でしょうか？実際に有用なエンタープライズエージェントは、会話の滑らかさよりも、責任を持って何ができるかで定義されます。現在、人々が「エージェント」と呼ぶ多くは、数個のAPIに接続されたチャットボットに過ぎません。基本的な質問に答えるか、単純で硬直したワークフローを起動するだけです。それは便利ですが、変革的ではありません。真のエンタープライズエージェントは単なるスクリプトに従うだけではなく、最終目標を理解し、さまざまな選択肢を検討し、複数のレガシーシステムを横断し、状況変化に適応し、企業のガバナンスライン内に厳格に留まります。私はこれを、検索エンジンと信頼できるオペレーションマネージャーの違いに例えます。前者は情報を提供し、後者は仕事を完遂する責任を負います。それを実現するには、エージェントに深いドメインコンテキストが必要です。たとえば小売在庫エージェントは、単にスプレッドシートを見るだけでなく、補充サイクル、需要パターン、サービスレベル、利益率への影響を同時に理解しなければなりません。実際のエージェントと高度なチャットボットを分けるのは、チャットインターフェースではなく、ドメイン理解、記憶、推論、バックエンドのオーケストレーション、組み込みのアカウンタビリティです。最終的に企業が必要なのは、別の閲覧インターフェースではなく、信頼性とスケールで作業を実行できるシステムです。Tredenceは小売や消費財といった業界特化型AIに大きな重点を置いています。基盤モデルがますます高性能になる中で、ドメイン専門知識が依然として優位性を生む領域はどこにあり、最終的にどれだけのインテリジェンスが特定業界のワークフロー、用語、制約、経済性の理解から生まれる必要があるのでしょうか？基盤モデルは驚異的に強力になっていますが、ドメイン専門知識こそが生の知能と実際の有用性の違いを生み出します。まるで同じ高性能医療教科書を外科医、企業弁護士、小売マネージャーに渡すようなものです。その本の情報は同一ですが、患者や手術室、仕事の重要性を実際に理解している人にしか価値がありません。 すべての業界には見えないルール、独自の経済性、厳格な規制、日々の運用制約があります。たとえば小売業では、予測精度を技術的に向上させるAIレコメンデーションが、棚の在庫切れを大量に引き起こすような場合、役に立つどころか負債になります。汎用モデルに深いドメイン知識を組み込むと、ビジネス成果は巨大になります。たとえば Tredence では、業界固有のソリューションを導入し、顧客に驚異的で検証済みの成果を提供しています。スーパーマーケットの予測プログラムは約2億ドルの価値を創出し、補充一致率を90％以上に押し上げました。製造業のサプライチェーンプラットフォームは初年度に1,000万ドルの節約を実現しました。小売業のワークフロー近代化はアナリストの作業負荷を70％削減し、別のプログラムは1億ドルの損失削減を達成しました。基盤モデルが電気のようなコモディティ化されたユーティリティになるにつれ、真の競争優位は、汎用的な知能を正確なビジネス成果に変換できる最適な独自コンテキストとワークフロー理解を持つ者へと完全にシフトします。再利用可能な AI プラットフォームを構築することと、各企業のデータやプロセスに合わせてシステムをカスタマイズすることの間には緊張関係があります。何を標準化すべきか、何をカスタマイズすべきかをどのように判断し、過度のカスタマイズが...
