Jitendra Putcha, COO van Tredence – Interviewreeks

Jitendra Putcha, COO van Tredence, is een ervaren technologie- en operationeel executive met bijna drie decennia aan ervaring op het gebied van kunstmatige intelligentie, data‑analytics, digitale transformatie, levering en enterprise‑technologiediensten. Voor zijn komst naar Tredence in april 2026 was hij Chief Delivery Officer bij Mastech Digital, waar hij deel uitmaakte van het uitvoerend leiderschapsteam dat verantwoordelijk was voor strategie, transformatie, P&L‑verantwoordelijkheden en servicelevering. Hij heeft eerder enkele jaren bij LTIMindtree en LTI gewerkt, uiteindelijk als Senior Vice President en Global Head of Data & AI, met verantwoordelijkheid voor enterprise‑AI‑adoptie, generatieve AI, AI‑agents, data‑ en analytics‑diensten, productengineering en platformontwikkeling. Eerder bracht Putcha bijna 18 jaar door bij Cognizant, waar hij opklom via senior leiderschapsposities waaronder Vice President of AI & Analytics en hoofd van het Hyderabad‑centrum, waarbij zijn werk wereldwijde data‑ en analytics‑levering, AI‑gedreven transformatie en de opschaling van analytics‑capaciteiten over sectoren omvatte. Zijn eerdere loopbaan omvatte functies bij Wipro en DSQ Software, wat hem een basis gaf die zich uitstrekt over data‑warehousing, business intelligence, analytics en grootschalige enterprise‑levering.

Tredence is een wereldwijd data‑science‑ en AI‑oplossingsbedrijf dat zich richt op het aanpakken van wat het de “last‑mile”‑problematiek in AI noemt — de kloof tussen het genereren van inzichten en het omzetten daarvan in meetbare bedrijfsresultaten. Opgericht in 2013 combineert het bedrijf branche‑expertise met data‑engineering, data‑science, machine learning, generatieve AI, AI‑agents, cloudtechnologieën en eigen versnellers om ondernemingen te helpen AI op schaal operationeel te maken. Tredence meldt dat het meer dan 4,200 medewerkers heeft en samenwerkt met bedrijven in retail, consumentengoederen, technologie, telecommunicatie, gezondheidszorg, reizen, industrie en andere sectoren. De aanpak legt de nadruk op het integreren van analytics en AI in echte bedrijfsprocessen in plaats van te stoppen bij modellen of dashboards, met mogelijkheden die variëren van enterprise‑ready generatieve AI, multimodale en agentische systemen, verantwoorde AI, data‑modernisering en AI‑governance.

U brengt meer dan 28 jaar ervaring mee op het gebied van enterprise‑data, analytics, AI en grootschalige wereldwijde levering, inclusief leiderschapsrollen bij Cognizant, LTIMindtree en Mastech Digital voordat u in 2026 bij Tredence als Chief Operating Officer kwam. Wat trok u aan in Tredence op dit specifieke groeistadium, en wat ziet u als de grootste kans om de manier waarop een AI‑gerichte dienstverlener opereert en waarde levert te herdefiniëren nu ondernemingen van experimentatie naar AI op schaal gaan?

Wat mij aantrok in Tredence was hoe gegrond het bedrijf is. In mijn loopbaan heb ik veel technologische verschuivingen gezien, maar het is zeldzaam een organisatie te vinden die diepe AI‑expertise direct verbindt met echte bedrijfsresultaten. Tredence praat niet alleen over AI omwille van het woord; het bouwt oplossingen die daadwerkelijke enterprise‑problemen oplossen.

Op dit moment bevindt de industrie zich op een indrukwekkend keerpunt. Ze beweegt zich voorbij de testfase en stelt de moeilijke vraag: Hoe integreren we AI in onze dagelijkse operaties? Dit is wat wij de “last mile” van AI noemen: de kloof overbruggen tussen het genereren van inzichten en ervoor zorgen dat die inzichten de specifieke persoon, het proces of de beslissing bereiken waar ze een nuttig resultaat kunnen opleveren.

De kans hier gaat niet alleen over het inzetten van coolere tools. Het gaat om het oplossen van een uitvoeringsprobleem, organisaties anders laten denken en meetbare waarde realiseren. Als COO is het mijn taak die voorsprong te beschermen. Ik wil ervoor zorgen dat we onze operaties opschalen zonder onze wendbaarheid of klantfocus te verliezen, en high‑level AI‑ambities omzetten in tastbare resultaten.

We blijven zien dat ondernemingen veelbelovende AI‑pilots uitvoeren die nooit uitgroeien tot betekenisvolle productiesystemen. Als u kijkt naar de projecten die vastlopen, wat zijn dan de meest voorkomende faalpunten, en welke van die problemen blijven leidinggevenden onderschatten?

Eerlijk gezegd falen de meeste AI‑pilots niet doordat de technologie faalt. Ze falen omdat we AI behandelen als een krachtige motor, maar vergeten de daadwerkelijke auto eromheen te bouwen. Zie het zo: Een motor van wereldklasse is volkomen nutteloos als u er geen schone brandstof, een stuurwiel en een bestuurder aan geeft.

Uw AI‑model zal op dezelfde manier in de garage blijven staan als u drie fundamentele aspecten onderschat. Betrouwbare data is uw schone brandstof. Als uw data een rommelige, ongeorganiseerde basis is, raakt uw motor verstopt en levert uw model onbetrouwbare antwoorden. Sterk governance is uw stuurwiel. Zonder duidelijke regels en veiligheidsgrenzen zijn teams simpelweg te bang voor het risico om de auto op de weg te zetten.

Ten slotte is duidelijke zakelijke eigenaarschap uw bestuurder, en dat is het element dat leidinggevenden het meest onderschatten. Als een bedrijfsleider het stuur niet overneemt, het instrument niet promoot en het niet direct in de dagelijkse werkprocessen van zijn team integreert, zal het project moeite hebben om resultaten te leveren. We moeten de “demo‑val” ontlopen. Succes gaat niet over het lanceren van talloze pilots of het verzamelen van testmotoren. Het gaat om het vergrendelen van uw data, het stellen van duidelijke grenzen, het toewijzen van echte verantwoordelijkheid, en AI stilletjes integreren in de manier waarop uw bedrijf elke dag opereert.

Tredence heeft al lange tijd de “last mile” van AI beschreven als het verbinden van inzichten met actie. Agentic AI kan dat nog verder brengen door software beslissingen te laten uitvoeren. Hoe verandert het last‑mile‑probleem wanneer AI van het aanbevelen van een actie overgaat naar het autonoom uitvoeren van die actie?

In het verleden was het omgaan met de last mile van AI vergelijkbaar met rijden met een GPS. Het scherm vertelde je precies waar je moest afslaan, maar je moest nog steeds het stuur fysiek draaien. Agentic AI keert dat volledig om. Nu rijdt de auto in wezen zichzelf.

Dit verandert het hele gesprek. We proberen niet langer alleen een manager te overtuigen om een grafiek op een dashboard te vertrouwen; we bouwen systemen die we kunnen vertrouwen om namens ons beslissingen te nemen. De echte uitdaging is niet meer om mensen data te laten bekijken; het is om te bepalen hoeveel controle we bereid zijn aan software over te dragen.

Voor routinematige, laag‑risicotaken, zoals het bijwerken van voorraadlogboeken of het opruimen van data‑bestanden, is het laten draaien van een agent op autopilot een vanzelfsprekendheid omdat het de gebruikelijke bedrijfsvertragingen wegneemt. Maar zodra een beslissing een grote financiële transactie, een gevoelige klantklacht of een juridische grens raakt, heb je een mens nodig die klaarstaat om in te grijpen en op de rem te trappen.

Uiteindelijk zullen de bedrijven die winnen met agentic AI niet alleen die met de slimste technologie zijn. Het zullen de organisaties zijn die kristalheldere grenzen trekken rond waar de software zelfstandig kan opereren en waar menselijk oordeel het stuur moet terugnemen.

U heeft betoogd dat een agentic enterprise domeincontext, governance en intelligente uitvoering moet combineren. Waarom is het dan niet voldoende voor bedrijven om simpelweg een LLM of AI‑agent bovenop hun bestaande datastack te plaatsen, en welke architecturale veranderingen zijn daarvoor nodig?

Een LLM bovenop enterprise‑data plaatsen is als een intelligente medewerker aannemen en hem vanaf dag één toegang geven tot elk document in het bedrijf. Ze zijn slim en capabel, maar hebben nog geen idee hoe uw systemen, processen, interne regels en regelgeving werken.

Bedrijven staan voor een vergelijkbare uitdaging omdat hun omgevingen van nature complex zijn. Data bestaat over meerdere systemen, en bedrijfsregels zijn in stilte geëvolueerd gedurende vele jaren. Bovendien variëren compliance‑verplichtingen per sector en geografie. Voor agents om effectief te functioneren, hebben ze context nodig, niet alleen informatie.

Daarom beschouwen we enterprise AI als een architectuur met drie lagen. De eerste laag is een vertrouwde data‑fundament. De tweede is domein‑intelligentie, die bedrijfscontext, relaties, definities en workflows vastlegt. De derde is de ervaringslaag en gesloten‑lus uitvoering, waar agents kunnen redeneren en handelen binnen beheerde grenzen.

Veel organisaties hebben zwaar geïnvesteerd in de eerste laag, en sommigen hebben elementen van de tweede gebouwd. De echte kans ligt echter in het verbinden van alle drie.

Zonder context en governance kan zelfs het meest capabele model plausibele antwoorden genereren die simpelweg niet overeenkomen met de zakelijke realiteit. Enterprise AI heeft niet meer intelligentie nodig. Het heeft meer context nodig.

“AI‑agent” is snel een van de meest overgebruikte termen in de industrie geworden. Vanuit technisch perspectief, wat onderscheidt een werkelijk nuttige enterprise‑agent van een chatbot die is gekoppeld aan een paar tools en workflows?

Een werkelijk nuttige enterprise‑agent wordt minder gedefinieerd door hoe vloeiend hij praat en meer door wat hij verantwoord kan bereiken. Op dit moment is veel van wat mensen “agents” noemen slechts chatbots die op een paar API’s zijn aangesloten. Ze kunnen een basisvraag beantwoorden of een eenvoudige, starre workflow activeren. Dat is handig, maar het is niet transformerend.

Een echte enterprise‑agent volgt niet alleen een script; hij begrijpt een einddoel, redeneert over verschillende opties, werkt over meerdere legacy‑systemen, past zich aan wanneer dingen veranderen, en blijft strikt binnen uw corporate governance‑lijnen. Ik zie het als het verschil tussen een zoekmachine en een vertrouwde operationele manager. De één geeft u informatie; de ander neemt de verantwoordelijkheid om een taak uit te voeren.

Om dat te doen, hebben agents diepe domeincontext nodig. Een retail‑inventaris‑agent kan bijvoorbeeld niet alleen naar een spreadsheet kijken; hij moet tegelijk de aanvulcycli, vraagpatronen, serviceniveaus en margesimplicaties begrijpen. Wat een echte agent onderscheidt van een geavanceerde chatbot is niet de chat‑interface. Het is het domeinbegrip, het geheugen, de redenering, de backend‑orchestratie en de ingebouwde verantwoordelijkheid. Uiteindelijk hebben bedrijven geen extra interface nodig om naar te kijken. We hebben systemen nodig die werk betrouwbaar en op schaal kunnen uitvoeren.

Tredence legt grote nadruk op branchespecifieke AI, met name in sectoren zoals retail en consumentengoederen. Naarmate foundation‑models capabeler worden, waar biedt domeinexpertise nog steeds een voordeel, en hoeveel van de intelligentie moet uiteindelijk voortkomen uit het begrijpen van de workflows, terminologie, beperkingen en economie van een specifieke industrie?

Foundation-modellen zijn ongelooflijk krachtig geworden, maar domeinspecialisatie blijft het verschil tussen ruwe intelligentie en daadwerkelijke bruikbaarheid. Het is alsof je exact hetzelfde high‑powered medische leerboek aan een chirurg, een bedrijfsjurist en een retailmanager geeft. De informatie in het boek is identiek, maar hij is alleen waardevol voor de persoon die de patiënt, de operatiekamer en de belangen van de functie echt begrijpt. 

Elke sector heeft zijn eigen onzichtbare regels, unieke economie, strikte regelgeving en dagelijkse operationele beperkingen. In de detailhandel, bijvoorbeeld, is een AI‑aanbeveling die technisch gezien de nauwkeurigheid van je prognoses verbetert maar per ongeluk enorme out‑of‑stock‑situaties op de schappen veroorzaakt, niet behulpzaam—het is een aansprakelijkheid.

Wanneer we diepe domeinkennis toepassen op algemene modellen, zijn de zakelijke resultaten enorm. Bijvoorbeeld, bij Tredence hebben we domeinspecifieke oplossingen geïmplementeerd die ongelooflijke, geverifieerde resultaten voor onze klanten opleverden. Een supermarkt‑voorspellingsprogramma genereerde bijna $200 miljoen aan waarde en bracht de aanvul‑matchpercentages boven de 90 procent. Een productie‑supply‑chain‑platform leverde $10 miljoen aan besparingen in het eerste jaar op. Een modernisering van retail‑werkstromen verminderde de inspanning van analisten met 70 procent, terwijl een ander programma een verliesreductie van $100 miljoen realiseerde.

Naarmate foundation-modellen een gecommodificeerde utility worden, zoals elektriciteit, verschuift het echte concurrentievoordeel volledig naar wie de beste eigen context en workflow‑inzicht heeft om generieke intelligentie om te zetten in precieze zakelijke resultaten.

Er bestaat een spanning tussen het bouwen van herbruikbare AI‑platformen en het afstemmen van systemen op de specifieke data en processen van elk bedrijf. Hoe bepaal je wat gestandaardiseerd moet worden versus wat op maat moet worden gemaakt, en kan overmatige maatwerk uiteindelijk een eigen belemmering vormen voor het opschalen van AI?

Het vinden van de juiste balans tussen een standaardplatform en maatwerkfuncties is altijd een moeilijke beslissing. Persoonlijk bekijk ik het als stedelijke planning. Je moet uiteraard je wegen, elektriciteitsnetten en waterleidingen standaardiseren, maar dat betekent niet dat elk huis in de buurt een exacte kopie moet zijn.

Dezelfde regel geldt voor AI. Zaken als databeveiliging, governance en monitoring moeten volledig gestandaardiseerd worden. Ze zouden in feite een onzichtbare enterprise‑infrastructuur moeten worden. Om dit efficiënt te maken, zou ik bedrijven aanraden een interne marktplaats voor herbruikbare agents op te zetten, zodat teams niet voortdurend het wiel opnieuw hoeven uit te vinden.

Je daadwerkelijke bedrijfs‑werkstromen moeten echter flexibel blijven, want daar ligt je unieke concurrentievoordeel. Op dit moment is het grootste risico niet onder‑maatwerk, maar over‑maatwerk. Wanneer elke AI‑implementatie verandert in een sterk uniek, geïsoleerd engineering‑project, wordt opschalen een nachtmerrie en stijgen de onderhoudskosten tot ongekende hoogten. Het doel moet zijn om een herhaalbare capaciteit op te bouwen. Je standaardiseert een rotsvaste basis en geeft je teams vervolgens de bouwblokken die ze nodig hebben om deze snel aan hun eigen behoeften aan te passen. Het vermogen om AI‑capaciteiten te benutten en opnieuw te gebruiken wordt een cruciale onderscheidende factor, die adoptie versnelt en snellere time‑to‑value en een sterkere ROI oplevert.

Naarmate agents het vermogen krijgen om beslissingen te nemen en taken uit te voeren, hoe moeten bedrijven bepalen waar autonomie gepast is en waar menselijke goedkeuring verplicht moet blijven? Zijn er specifieke bedrijfsfuncties waarvan je denkt dat organisaties er te snel of juist te voorzichtig in handelen?

Als het gaat om het geven van AI‑autonomie, moet risico altijd de regels bepalen, niet alleen wat de technologie aankan. Alleen omdat een agent een proces van begin tot eind kan uitvoeren, betekent niet dat je de veiligheidslijn volledig moet doorsnijden. Routine‑taken zoals het bijhouden van voorraden of het synchroniseren van back‑office‑bestanden zijn perfect voor volledige automatisering omdat ze enorme operationele knelpunten wegnemen. Maar zodra een beslissing strikte regelgeving, grote financiële uitgaven of kritieke klantkwesties betreft, is een mens in de lus absoluut noodzakelijk.

Op dit moment zie ik dat bedrijven veel te voorzichtig zijn in de supply‑chain en back‑office‑processen. Ze slepen het automatiseren van routinematige inkoop en factuurmatching uit, terwijl agents vandaag nog veilig tijd kunnen besparen. Aan de andere kant gaan ze veel te snel in klantenservice en juridische compliance, waarbij autonome agents in onvoorspelbare klantgeschillen of geautomatiseerde contractbeoordelingen worden geduwd zonder echte waarborgen. Het doel hier is verantwoorde automatisering, niet maximale automatisering.

Naarmate frontier‑modellen goedkoper en capabeler worden, zal de rol van AI‑servicebedrijven waarschijnlijk veranderen. Verschuift de waarde steeds meer van het bouwen van modellen naar data‑architectuur, integratie, evaluatie, orkestratie, governance en het herontwerpen van bedrijfsprocessen rond AI? Wat zal de AI‑servicebedrijven die waardevol blijven onderscheiden?

We zien een natuurlijke verschuiving in waar waarde wordt gecreëerd. Een paar jaar geleden was ruwe rekeninfrastructuur een belangrijk concurrentievoordeel. Vandaag is het grotendeels een utility, en AI‑modellen bewegen zich snel in dezelfde richting.

Bedrijven zoeken niet langer naar grotere modellen. Ze willen snellere beslissingen, hogere productiviteit en duidelijke bedrijfsresultaten. Daardoor is de waarde volledig verschoven naar het ecosysteem rond het model—dingen zoals een schone data‑architectuur, strakke governance, slimme orkestratie en het volledig heroverwegen van workflows om AI op schaal echt praktisch te maken. De winnaars zullen niet per se de bedrijven zijn met de meest geavanceerde technologie, maar eerder diegenen die technologie kunnen omzetten in tastbare bedrijfsresultaten.

We zien ook dat bedrijven een portfolio‑benadering van AI hanteren. Frontier‑modellen, open‑weight‑modellen en kleinere gespecialiseerde modellen hebben allemaal een rol, afhankelijk van het gebruiksscenario, de kosten, de latentie en de governance‑eisen. Naarmate AI volwassen wordt, zal succes minder bepaald worden door wie de motor bouwt en meer door wie weet hoe hij in een bedrijf moet worden ingezet. Wat ik “executieritme” noem, zal uiteindelijk de winnaars van de rest scheiden.

Kijken we enkele jaren vooruit, en slagen bedrijven erin de huidige data‑, governance‑ en integratieproblemen te overwinnen, hoe ziet een AI‑native grote onderneming er dan werkelijk uit? Verwacht je dat agents blijven fungeren als tools die door medewerkers worden gebruikt, of zullen we steeds vaker volledige workflows en bedrijfsfuncties zien die worden beheerd door gecoördineerde netwerken van AI‑agents?

Een AI‑native onderneming zal niet simpelweg een traditioneel bedrijf zijn met een paar extra software‑tools. Het zal een fundamenteel opnieuw vormgegeven onderneming zijn. We hebben vergelijkbare verschuivingen gezien tijdens de internet‑ en digitale era, toen technologie niet alleen de manier waarop bedrijven opereerden veranderde, maar ook hun structuur. Deze bedrijven zullen heel anders functioneren. 

Vandaag zijn bedrijven georganiseerd rond mensen die handmatige taken uitvoeren ondersteund door software. In de toekomst kunnen volledige workflows worden georkestreerd door gecoördineerde netwerken van AI‑agents, waarbij mensen een steeds meer toezichthoudende en strategische rol op zich nemen. Het is vergelijkbaar met hoe elektriciteit fabrieken heeft getransformeerd. Het heeft de fabriek niet afgeschaft; het heeft volledig veranderd hoe deze werd ontworpen en geëxploiteerd.

In deze toekomstige bedrijven zullen agents continu de operaties monitoren, kansen signaleren en routinematige uitvoering over verschillende afdelingen afhandelen. Dit betekent niet dat mensen verdwijnen; onze taken worden gewoon veel strategischer, volledig verschuivend naar oordeel, innovatie en relatie‑opbouw. 

De winnaars zullen niet de bedrijven zijn die de meeste agents inzetten. Het zullen diegenen zijn die de sterkste mix van betrouwbare data, domein‑intelligentie en menselijk toezicht opbouwen. De toekomst draait niet om volledig autonome ondernemingen; het gaat om intelligent georkestreerde ondernemingen waarin mensen en agents samenwerken om doelen te bereiken die geen van beiden alleen kan realiseren.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht op Tredence.