Jitendra Putcha, COO i Tredence – Intervjuserie

Jitendra Putcha, COO i Tredence, er en erfaren leder innen teknologi og drift med nesten tre tiår med erfaring som spenner over kunstig intelligens, dataanalyse, digital transformasjon, leveranse og bedrifts‑teknologitjenester. Før han begynte i Tredence i april 2026, fungerte han som Chief Delivery Officer i Mastech Digital, hvor han var en del av lederteamet med ansvar for strategi, transformasjon, P&L‑ansvar og tjenesteleveranse. Han tilbrakte deretter flere år i LTIMindtree og LTI, og endte som Senior Vice President og Global Head of Data & AI, med ansvar for bedrifts‑AI‑adopsjon, generativ AI, AI‑agenter, data‑ og analysetjenester, produktutvikling og plattformutvikling. Tidligere tilbrakte Putcha nesten 18 år i Cognizant, hvor han avanserte gjennom seniorlederstillinger inkludert Vice President of AI & Analytics og leder for Hyderabad‑senteret, med arbeid som dekket global data‑ og analysetjeneste, AI‑drevet transformasjon og skalering av analysekapasiteter på tvers av bransjer. Hans tidlige karriere inkluderte roller i Wipro og DSQ Software, som ga ham et grunnlag som spenner over datalagring, forretningsintelligens, analyse og storskala bedriftsleveranser.

Tredence er et globalt data‑science‑ og AI‑løsningsselskap som fokuserer på å løse det de kaller “last‑mile”-problemet i AI—gapet mellom å generere innsikt og omdanne den til målbare forretningsresultater. Selskapet ble grunnlagt i 2013 og kombinerer bransjeekspertise med data‑engineering, data‑science, maskinlæring, generativ AI, AI‑agenter, skyteknologier og proprietære akseleratorer for å hjelpe virksomheter med å operasjonalisere AI i stor skala. Tredence oppgir at de har mer enn 4 200 ansatte og samarbeider med selskaper innen detaljhandel, forbrukerpakkevarer, teknologi, telekommunikasjon, helsevesen, reiseliv, industri og andre sektorer. Tilnærmingen deres legger vekt på å integrere analyse og AI i faktiske forretningsprosesser i stedet for å stoppe ved modeller eller dashbord, med evner som spenner fra bedriftsklar generativ AI, multimodale og agentbaserte systemer, ansvarlig AI, datamodernisering og AI‑styring.

Du har mer enn 28 års erfaring som spenner over bedriftsdata, analyse, AI og storskala global leveranse, inkludert lederroller i Cognizant, LTIMindtree og Mastech Digital før du ble med i Tredence som Chief Operating Officer i 2026. Hva tiltrakk deg ved Tredence på dette tidspunktet i selskapets vekst, og hva ser du som den største muligheten til å omforme hvordan et AI‑fokusert tjenesteselskap opererer og leverer verdi når virksomheter går fra eksperimentering til AI i stor skala?

Det som trakk meg til Tredence var hvor jordnært selskapet er. I min karriere har jeg sett mange teknologiske skifter, men det er sjelden å finne en organisasjon som kobler dyp AI‑ekspertise direkte til reelle forretningsresultater. Tredence snakker ikke bare om AI for å snakke om det; de bygger løsninger som løser faktiske bedriftsproblemer.

Akkurat nå befinner bransjen seg i et fantastisk vendepunkt. Den beveger seg forbi testfasen og stiller det vanskelige spørsmålet: Hvordan integrerer vi AI i vår daglige drift? Dette er det vi kaller “last‑mile” av AI: å bygge bro over gapet mellom å generere innsikt og sikre at innsikten når den spesifikke personen, prosessen eller beslutningen hvor den kan gi et nyttig resultat.

Muligheten her handler ikke bare om å implementere kulere verktøy. Det handler om å løse et utførelsesproblem, hjelpe organisasjoner med å tenke annerledes, og oppnå målbar verdi. Som COO er min oppgave å beskytte dette fortrinnet. Jeg vil sikre at vi skalerer driften vår uten å miste smidigheten eller kundefokuset, og omdanne høyt nivå AI‑ambisjoner til reelle avkastninger.

Vi ser fortsatt at virksomheter kjører lovende AI‑piloter som aldri blir til meningsfulle produksjonssystemer. Når du ser på prosjektene som stopper opp, hva er de vanligste feilpunktene, og hvilke av disse problemene undervurderer ledere fortsatt?

Ærlig talt mislykkes de fleste AI‑piloter ikke fordi teknologien svikter. De mislykkes fordi vi behandler AI som en kraftig motor, men glemmer å bygge selve bilen rundt den. Tenk på det slik: En motor i verdensklasse er helt ubrukelig hvis du ikke gir den ren drivstoff, et ratt og en sjåfør.

AI‑modellen din vil sitte strandet i garasjen på samme måte hvis du undervurderer tre grunnleggende faktorer. Pålitelig data er ditt rene drivstoff. Hvis dataene dine er rotete og uorganiserte, tetter motoren seg og modellen din gir upålitelige svar. Sterk styring er ditt ratt. Uten klare regler og sikkerhetsrammer er teamene for redde for risikoen til å sette bilen på veien.

Til slutt er tydelig forretningsansvar din sjåfør, og det er den delen ledere undervurderer mest. Hvis en forretningsleder ikke tar rattet, promoterer verktøyet og integrerer det direkte i teamets daglige arbeidsflyt, vil prosjektet slite med å levere resultater. Vi må komme oss ut av “demo‑fellen.” Suksess handler ikke om å lansere mange piloter eller samle testmotorer. Det handler om å sikre dataene dine, etablere klare rammer, tildele reelt ansvar, og integrere AI stille inn i hvordan virksomheten din opererer hver dag.

Tredence har lenge beskrevet “last mile” av AI som å koble innsikt til handling. Agentisk AI kan potensielt ta dette mye videre ved å la programvaren utføre beslutninger. Hvordan endres siste-mil-problemet når AI går fra å anbefale en handling til å utføre den handlingen autonomt?

Tidligere var håndtering av siste mil av AI mye lik å kjøre med GPS. Skjermen fortalte deg nøyaktig hvor du skulle svinge, men du måtte fortsatt fysisk dreie rattet. Agentisk AI snur dette fullstendig. Nå kjører bilen i hovedsak seg selv.

Dette endrer hele samtalen. Vi prøver ikke lenger bare å overbevise en leder om å stole på et diagram på et dashbord; vi bygger systemer vi kan stole på for å ta beslutninger på våre vegne. Den virkelige utfordringen er ikke lenger å få folk til å se på data; den er å finne ut hvor mye kontroll vi er komfortable med å overlate til programvaren.

For rutineoppgaver med lav risiko, som å oppdatere lagerlogger eller rydde opp i datafiler, er det en selvfølge å la en agent kjøre på autopilot fordi det fjerner de vanlige bedriftsforsinkelsene. Men så snart en beslutning påvirker en stor finansiell transaksjon, en sensitiv kundeklage eller en juridisk grense, trenger du et menneske som er klar til å gripe inn og sette bremsen.

Til syvende og sist vil ikke selskapene som lykkes med agentisk AI bare være de med den smarteste teknologien. Det vil være organisasjonene som setter krystallklare grenser for hvor programvaren kan operere alene, og hvor menneskelig skjønn må ta tilbake rattet.

Du har hevdet at en agentisk virksomhet krever domenekontekst, styring og intelligent utførelse som jobber sammen. Hvorfor er det ikke nok for selskaper å bare plassere en LLM eller AI-agent på toppen av deres eksisterende datastabel, og hvilke arkitektoniske endringer er nødvendige?

Å plassere en LLM på toppen av bedriftsdata er som å ansette en intelligent medarbeider og gi vedkommende tilgang til alle dokumenter i selskapet fra dag én. De er smarte og dyktige, men de har fortsatt ingen anelse om hvordan systemene, prosessene, interne regler og forskrifter fungerer.

Bedrifter står overfor en lignende utfordring fordi deres miljøer naturlig er komplekse. Data finnes i flere systemer, og forretningsregler har stille utviklet seg over mange år. I tillegg varierer etterlevelsesforpliktelser etter bransje og geografi. For at agenter skal fungere effektivt, trenger de kontekst, ikke bare informasjon.

Derfor tenker vi på bedrifts‑AI som en tre‑lags arkitektur. Det første laget er et pålitelig datagrunnlag. Det andre er domenekunnskap, som fanger forretningskontekst, relasjoner, definisjoner og arbeidsflyter. Det tredje er erfaringslaget og lukket‑sløyfe‑utførelse, hvor agenter kan resonere og handle innen styrte grenser.

Mange organisasjoner har investert tungt i det første laget, og noen har bygget elementer av det andre. Den reelle muligheten ligger imidlertid i å koble alle tre sammen.

Uten kontekst og styring kan selv den mest kapable modellen generere plausible svar som rett og slett ikke stemmer overens med forretningsvirkeligheten. Bedrifts‑AI trenger ikke mer intelligens. Den trenger mer kontekst.

«AI‑agent» har raskt blitt et av de mest overbrukte begrepene i bransjen. Fra et teknisk perspektiv, hva skiller en virkelig nyttig bedriftsagent fra en chatbot som er koblet til noen få verktøy og arbeidsflyter?

En virkelig nyttig bedriftsagent defineres mindre av hvor smidig den snakker, og mer av hva den kan oppnå på en ansvarlig måte. Akkurat nå er mye av det folk kaller «agenter» bare chatboter koblet til noen få API‑er. De kan svare på et enkelt spørsmål eller utløse en enkel, stiv arbeidsflyt. Det er praktisk, men det er ikke transformerende.

En ekte bedriftsagent følger ikke bare et manus; den forstår et sluttmål, resonnerer gjennom ulike alternativer, fungerer på tvers av flere eldre systemer, tilpasser seg når ting endrer seg, og holder seg strengt innenfor selskapets styringslinjer. Jeg ser på det som forskjellen mellom en søkemotor og en pålitelig driftsleder. Den ene gir deg informasjon; den andre tar ansvar for å få jobben gjort.

For å oppnå dette trenger agenter dyp domenekontekst. En lageragent i detaljhandelen kan for eksempel ikke bare se på et regneark; den må forstå påfyllingssykluser, etterspørselsmønstre, servicenivåer og marginimplikasjoner samtidig. Det som skiller en ekte agent fra en sofistikert chatbot er ikke chat‑grensesnittet. Det er domeneforståelsen, minnet, resonneringen, backend‑orkestreringen og den innebygde ansvarligheten. Til syvende og sist trenger bedrifter ikke et nytt grensesnitt å se på. Vi trenger systemer som kan utføre arbeid pålitelig og i skala.

Tredence legger stor vekt på bransjespesifikk AI, spesielt innen detaljhandel og forbruksvarer. Etter hvert som grunnmodeller blir mer kapable, hvor gir domenekunnskap fortsatt en fordel, og hvor mye av intelligensen må til slutt komme fra forståelse av arbeidsflyter, terminologi, begrensninger og økonomi i en bestemt bransje?

Fundamentale modeller har blitt utrolig kraftige, men domenekunnskap forblir forskjellen mellom rå intelligens og faktisk nytte. Det er som å gi den helt samme høyytelses medisinske læreboken til en kirurg, en bedriftsadvokat og en butikkleder. Informasjonen i boken er identisk, men den er kun verdifull for den som faktisk forstår pasienten, operasjonsrommet og jobbens betydning. 

Hver industri har sine egne usynlige regler, unike økonomiske forhold, strenge forskrifter og daglige operative begrensninger. I detaljhandelen, for eksempel, er en AI‑anbefaling som teknisk sett forbedrer prognosenes nøyaktighet, men som ved et uhell forårsaker massive utsolgte varer i hyllene, ikke hjelpsom – den er en forpliktelse.

Når vi anvender dyp domenekunnskap på generelle modeller, blir forretningsresultatene enorme. For eksempel har vi i Tredence implementert domenespesifikke løsninger som leverte utrolig, verifiserte resultater for våre kunder. Et supermarked‑prognoseprogram genererte nær $200 millioner i verdi og økte match‑raten for påfylling til over 90 prosent. En produksjons‑forsyningskjedeplattform ga $10 millioner i besparelser det første året. En modernisering av detaljhandels‑arbeidsflyt reduserte analytikernes innsats med 70 prosent, mens et annet program oppnådde en tapreduksjon på $100 millioner.

Etter hvert som fundamentale modeller blir en kommersialisert nytte, som elektrisitet, flytter den reelle konkurransefordelen helt til den som har den beste proprietære konteksten og arbeidsflytforståelsen for å omdanne generisk intelligens til presise forretningsresultater.

Det er en spenning mellom å bygge gjenbrukbare AI‑plattformer og å skreddersy systemer til hver enkelt bedrifts data og prosesser. Hvordan bestemmer man hva som bør standardiseres versus tilpasses, og kan overdreven tilpasning til slutt bli en egen hindring for skalering av AI?

Å finne riktig balanse mellom en standard plattform og tilpassede funksjoner er alltid en vanskelig avgjørelse. Personlig ser jeg på det som byplanlegging. Man må selvsagt standardisere veier, strømnett og vannledninger, men det betyr ikke at hvert eneste hus i nabolaget må være en eksakt kopi.

Den samme regelen gjelder for AI. Ting som datasikkerhet, styring og overvåking må være fullstendig standardisert. De bør i hovedsak bli en usynlig bedriftsinfrastruktur. For å gjøre dette effektivt, vil jeg anbefale at selskaper bygger en intern markedsplass for gjenbrukbare agenter slik at team ikke stadig må finne opp hjulet på nytt.

Dine faktiske forretningsarbeidsflyter må imidlertid forbli fleksible, for det er der din unike konkurransefordel ligger. Akkurat nå er den største risikoen ikke under‑tilpasning, men over‑tilpasning. Når hver eneste AI‑implementering blir et høyt unikt, isolert ingeniørprosjekt, blir skalering et mareritt og vedlikeholdskostnadene skyter i været. Målet bør være å bygge en repeterbar evne. Du standardiserer et solid fundament og gir deretter teamene byggesteiner de trenger for raskt å tilpasse det til sine egne behov. Evnen til å utnytte og gjenbruke AI‑kapasiteter blir en nøkkeldifferensieringsfaktor, som akselererer adopsjon og leverer raskere tid‑til‑verdi og sterkere avkastning på investeringen.

Etter hvert som agenter får evnen til å ta beslutninger og utføre oppgaver, hvordan bør bedrifter bestemme hvor autonomi er passende og hvor menneskelig godkjenning fortsatt skal være obligatorisk? Finnes det spesifikke forretningsfunksjoner hvor du mener organisasjoner beveger seg for raskt eller for forsiktig?

Når det gjelder å gi AI autonomi, bør risiko alltid styre reglene, ikke bare hva teknologien er i stand til å håndtere. Bare fordi en agent kan gjennomføre en prosess fra start til slutt, betyr det ikke at du skal kutte sikkerhetsnettet helt. Rutinemessige, daglige oppgaver som å logge lagerbeholdning eller synkronisere back‑office‑filer er perfekte for full automatisering fordi de eliminerer massive operative flaskehalser. Men så snart en beslutning involverer strenge forskrifter, store økonomiske utgifter eller kritiske kundespørsmål, trenger du absolutt et menneske i løkken.

Akkurat nå ser jeg at selskaper er altfor forsiktige i forsyningskjede‑ og back‑office‑operasjoner. De drar føttene på automatisering av rutinemessig innkjøp og fakturamatching, hvor agenter trygt kunne spare tid i dag. På den andre siden beveger de seg altfor raskt i kundeservice og juridisk etterlevelse, og skynder autonome agenter inn i uforutsigbare kundekonflikter eller automatiserte kontraktsvurderinger uten reelle sikkerhetsmekanismer. Målet her er ansvarlig automatisering, ikke maksimal automatisering.

Etter hvert som grensemodeller blir billigere og mer kapable, vil rollen til AI‑tjenesteselskaper sannsynligvis endre seg. Flytter verdien i økende grad fra modellbygging til dataarkitektur, integrasjon, evaluering, orkestrering, styring og omdesign av forretningsprosesser rundt AI? Hva vil skille AI‑tjenesteselskapene som forblir verdifulle?

Vi er vitne til et naturlig skifte i hvor verdien skapes. For noen år siden var rå datainfrastruktur en stor konkurransefordel. I dag er den stort sett en nytte, og AI‑modeller er raskt på vei i samme retning.

Bedrifter leter ikke lenger etter større modeller. De ønsker raskere beslutninger, høyere produktivitet og klare forretningsresultater. På grunn av dette har verdien flyttet seg helt til økosystemet rundt modellen – ting som ren dataarkitektur, streng styring, smart orkestrering og en fullstendig revurdering av arbeidsflyter for å gjøre AI praktisk i stor skala. Vinnerne vil ikke nødvendigvis være selskapene med den mest sofistikerte teknologien, men de som kan omgjøre teknologi til håndfaste forretningsresultater.

Vi ser også at bedrifter tar en porteføljetilnærming til AI. Frontier-modeller, open-weight-modeller og mindre spesialiserte modeller har alle en rolle avhengig av brukstilfelle, kostnad, latens og styringskrav. Etter hvert som AI modnes, vil suksess bestemmes mindre av hvem som bygger motoren og mer av hvem som vet hvordan man bruker den i en virksomhet. Det jeg kaller «utførelsesrytme» vil til slutt skille vinnerne fra resten.

Ser vi flere år fremover, hvis bedrifter lykkes med å overvinne dagens data-, styrings- og integrasjonsproblemer, hvordan ser egentlig et AI‑native stort selskap ut? Forventer du at agenter forblir verktøy som brukes av ansatte, eller vil vi i økende grad se hele arbeidsflyter og forretningsfunksjoner drevet av koordinerte nettverk av AI‑agenter?

Et AI‑native foretak vil ikke bare være et tradisjonelt selskap med noen få ekstra programvareverktøy. Det vil være et fundamentalt omtenkt foretak. Vi har sett lignende skifter i internett- og digitalæraene, da teknologien endret ikke bare hvordan bedrifter opererte, men hvordan de var strukturerte. Disse selskapene vil fungere svært annerledes.

I dag er virksomheter organisert rundt mennesker som utfører manuelle oppgaver støttet av programvare. I fremtiden kan hele arbeidsflyter orkestreres av koordinerte nettverk av AI‑agenter, mens mennesker får en stadig mer tilsyns‑ og strategisk rolle. Det er på samme måte som elektrisitet forvandlet fabrikker. Det eliminerte ikke fabrikken; det endret fullstendig hvordan den ble designet og drevet.

I disse fremtidige selskapene vil agenter kontinuerlig overvåke driften, flagge muligheter og håndtere rutineutførelse på tvers av ulike avdelinger. Dette betyr ikke at mennesker forsvinner; jobbene våre blir bare mye mer strategiske, og flytter seg helt til dømmekraft, innovasjon og relasjonsbygging.

Vinnerne vil ikke være selskapene som distribuerer flest agenter. De vil være de som bygger den sterkeste blandingen av pålitelig data, domenekunnskap og menneskelig tilsyn. Fremtiden handler ikke om fullt autonome foretak; den handler om intelligent orkestrerte foretak hvor mennesker og agenter samarbeider for å nå mål som ingen av dem kan oppnå alene.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Tredence.