Jitendra Putcha, COO firmy Tredence – seria wywiadów

Jitendra Putcha, COO firmy Tredence, jest doświadczonym menedżerem technologicznym i operacyjnym z prawie trzema dekadami doświadczenia obejmującego sztuczną inteligencję, analizę danych, transformację cyfrową, dostarczanie usług oraz usługi technologii korporacyjnych. Przed dołączeniem do Tredence w kwietniu 2026 r. pełnił funkcję Chief Delivery Officer w Mastech Digital, gdzie był członkiem zespołu kierowniczego odpowiedzialnego za strategię, transformację, obowiązki związane z P&L oraz świadczenie usług. Wcześniej spędził kilka lat w LTIMindtree i LTI, ostatecznie jako Senior Vice President i Global Head of Data & AI, odpowiadając za przyjmowanie AI w przedsiębiorstwach, generatywną AI, agenty AI, usługi danych i analiz, inżynierię produktów oraz rozwój platform. Wcześniej Putcha spędził prawie 18 lat w Cognizant, awansując na stanowiska senior management, w tym Vice President of AI & Analytics oraz kierownika Centrum w Hyderabad, gdzie jego praca obejmowała globalne dostarczanie danych i analiz, transformację napędzaną AI oraz skalowanie możliwości analitycznych w różnych branżach. Jego wcześniejsza kariera obejmowała role w Wipro i DSQ Software, co dało mu podstawę obejmującą hurtownie danych, business intelligence, analitykę i dostarczanie na dużą skalę w przedsiębiorstwach.

Tredence jest globalną firmą oferującą rozwiązania z zakresu data science i AI, skoncentrowaną na rozwiązaniu tak zwanego przez siebie problemu „ostatniego kilometra” w AI — luki między generowaniem wniosków a przekształcaniem ich w wymierne wyniki biznesowe. Założona w 2013 r., firma łączy wiedzę branżową z inżynierią danych, data science, uczeniem maszynowym, generatywną AI, agentami AI, technologiami chmurowymi oraz własnymi przyspieszaczami, aby pomóc przedsiębiorstwom wdrażać AI na dużą skalę. Tredence podaje, że zatrudnia ponad 4 200 pracowników i współpracuje z firmami z sektora detalicznego, dóbr konsumpcyjnych, technologii, telekomunikacji, opieki zdrowotnej, podróży, przemysłu i innych branż. Jej podejście podkreśla wprowadzanie analiz i AI do rzeczywistych procesów biznesowych, a nie zatrzymywanie się na modelach czy pulpitach, oferując możliwości obejmujące gotową do przedsiębiorstw generatywną AI, systemy multimodalne i agentowe, odpowiedzialną AI, modernizację danych oraz zarządzanie AI.

Posiadasz ponad 28 lat doświadczenia obejmującego dane korporacyjne, analitykę, AI oraz dostarczanie na dużą skalę globalnie, w tym role przywódcze w Cognizant, LTIMindtree i Mastech Digital przed dołączeniem do Tredence jako Chief Operating Officer w 2026 r. Co przyciągnęło Cię do Tredence na tym konkretnym etapie jej rozwoju i co uważasz za największą szansę na przekształcenie sposobu, w jaki firma usługowa skoncentrowana na AI działa oraz dostarcza wartość, gdy przedsiębiorstwa przechodzą od eksperymentów do AI na dużą skalę?

To, co przyciągnęło mnie do Tredence, to jej przyziemne podejście. W mojej karierze widziałem wiele zmian technologicznych, ale rzadko spotyka się organizację, która łączy głęboką wiedzę w dziedzinie AI bezpośrednio z rzeczywistymi rezultatami biznesowymi. Tredence nie mówi jedynie o AI dla samego AI; tworzy rozwiązania, które rozwiązują rzeczywiste problemy przedsiębiorstw.

Obecnie branża znajduje się w niezwykłym punkcie zwrotnym. Przechodzi fazę testowania i stawia trudne pytanie: jak wbudować AI w nasze codzienne operacje? To właśnie nazywamy „ostatnim kilometrem” AI — wypełnieniem luki między generowaniem wniosków a zapewnieniem, że te wnioski dotrą do konkretnej osoby, procesu lub decyzji, gdzie mogą przynieść użyteczny rezultat.

Ta szansa nie polega jedynie na wdrażaniu nowocześniejszych narzędzi. Chodzi o rozwiązanie problemu wykonawczego, pomoc organizacjom w myśleniu inaczej i uzyskanie wymiernej wartości. Jako COO moim zadaniem jest chronić tę przewagę. Chcę zapewnić, że zwiększamy skalę naszych operacji, nie tracąc przy tym zwinności ani koncentracji na kliencie, przekształcając wysokopoziomowe ambicje AI w rzeczywiste zwroty.

Wciąż obserwujemy, że przedsiębiorstwa realizują obiecujące pilotażowe projekty AI, które nigdy nie przekształcają się w znaczące systemy produkcyjne. Patrząc na projekty, które się zacinają, jakie są najczęstsze punkty awarii i które z tych problemów są nadal niedoceniane przez kierownictwo?

Szczerze mówiąc, większość pilotów AI nie zawodzi z powodu awarii technologii. Zawodzą, ponieważ traktujemy AI jak potężny silnik, ale zapominamy zbudować wokół niego właściwy samochód. Wyobraź to sobie tak: silnik klasy światowej jest całkowicie bezużyteczny, jeśli nie zapewnisz mu czystego paliwa, kierownicy i kierowcy.

Twój model AI pozostanie porzucony w garażu w ten sam sposób, jeśli niedocenisz trzech podstawowych elementów. Zaufane dane są Twoim czystym paliwem. Jeśli Twoje dane są nieuporządkowaną, chaotyczną bazą, silnik się zatyka, a model zwraca niepewne odpowiedzi. Silne zarządzanie to Twoja kierownica. Bez jasnych zasad i zabezpieczeń bezpieczeństwa zespoły po prostu boją się ryzyka, by wyjechać samochodem na drogę.

Wreszcie, jasna odpowiedzialność biznesowa jest Twoim kierowcą i jest to element, który kierownictwo najczęściej niedocenia. Jeśli lider biznesowy nie przejmie sterów, nie będzie championem narzędzia i nie wprowadzi go bezpośrednio do codziennych przepływów pracy swojego zespołu, projekt będzie miał trudności z osiągnięciem rezultatów. Musimy uciec od „pułapki demo”. Sukces nie polega na uruchamianiu wielu pilotów czy gromadzeniu testowych silników. Chodzi o zabezpieczenie danych, ustalenie wyraźnych granic, przydzielenie realnej odpowiedzialności i dyskretne włączenie AI do codziennego funkcjonowania firmy.

Tredence od dawna opisuje „ostatnią milę” sztucznej inteligencji jako łączenie wniosków z działaniem. AI agentowa potencjalnie posuwa to znacznie dalej, umożliwiając oprogramowaniu wykonywanie decyzji. Jak zmienia się problem ostatniej mili, gdy AI przechodzi od rekomendowania działania do samodzielnego jego podejmowania?

W przeszłości radzenie sobie z ostatnią milą AI było podobne do jazdy z GPS. Ekran dokładnie wskazywał, gdzie skręcić, ale wciąż trzeba było fizycznie poruszyć kierownicą. AI agentowa całkowicie odwraca tę sytuację. Teraz samochód zasadniczo prowadzi się sam.

To zmienia całą rozmowę. Nie staramy się już tylko przekonać menedżera, by zaufał wykresowi na pulpicie; budujemy systemy, którym możemy zaufać w podejmowaniu decyzji w naszym imieniu. Prawdziwym wyzwaniem nie jest już skłonienie ludzi do patrzenia na dane; chodzi o określenie, ile kontroli jesteśmy gotowi powierzyć oprogramowaniu.

W przypadku rutynowych, niskiego ryzyka zadań, takich jak aktualizacja rejestrów zapasów czy czyszczenie plików danych, pozwolenie agentowi na działanie w trybie autopilota jest oczywiste, ponieważ eliminuje typowe opóźnienia korporacyjne. Jednak gdy decyzja dotyczy dużej transakcji finansowej, wrażliwej skargi klienta lub granicy prawnej, potrzebny jest człowiek gotowy, by interweniować i zahamować proces.

Ostatecznie firmy, które odniosą sukces dzięki AI agentowej, nie będą jedynie tymi z najinteligentniejszą technologią. Będą to organizacje, które wytyczą krystalicznie wyraźne granice, określając, gdzie oprogramowanie może działać samodzielnie, a gdzie ludzka ocena musi przejąć stery.

Twierdzisz, że przedsiębiorstwo oparte na AI agentowej wymaga połączenia kontekstu dziedzinowego, zarządzania i inteligentnego wykonania. Dlaczego nie wystarczy firmom po prostu umieścić LLM lub agenta AI na istniejącej warstwie danych i jakie zmiany architektoniczne są potrzebne?

Umieszczenie LLM nad danymi przedsiębiorstwa jest jak zatrudnienie inteligentnego pracownika i przyznanie mu dostępu do każdego dokumentu w firmie od pierwszego dnia. Jest on mądry i zdolny, ale wciąż nie wie, jak działają twoje systemy, procesy, wewnętrzne zasady i przepisy.

Firmy stoją przed podobnym wyzwaniem, ponieważ ich środowiska są naturalnie złożone. Dane znajdują się w wielu systemach, a zasady biznesowe cicho ewoluowały przez wiele lat. Dodatkowo obowiązki związane ze zgodnością różnią się w zależności od branży i regionu. Aby agenci działali efektywnie, potrzebują kontekstu, a nie tylko informacji.

Dlatego postrzegamy AI w przedsiębiorstwie jako architekturę trójwarstwową. Pierwsza warstwa to zaufana podstawa danych. Druga to inteligencja dziedzinowa, która uchwyca kontekst biznesowy, relacje, definicje i przepływy pracy. Trzecia to warstwa doświadczenia i zamkniętego obiegu, w której agenci mogą rozumować i działać w ramach zarządzanych granic.

Wiele organizacji mocno zainwestowało w pierwszą warstwę, a niektóre zbudowały elementy drugiej. Jednak prawdziwa szansa leży w połączeniu wszystkich trzech.

Bez kontekstu i zarządzania nawet najbardziej zdolny model może generować wiarygodne odpowiedzi, które po prostu nie są zgodne z rzeczywistością biznesową. AI w przedsiębiorstwie nie potrzebuje więcej inteligencji. Potrzebuje więcej kontekstu.

„AI agent” szybko stał się jednym z najbardziej nadużywanych terminów w branży. Z technicznego punktu widzenia, co odróżnia naprawdę użytecznego agenta przedsiębiorstwa od chatbota podłączonego do kilku narzędzi i przepływów pracy?

Naprawdę użyteczny agent przedsiębiorstwa definiowany jest mniej przez to, jak płynnie mówi, a bardziej przez to, co może odpowiedzialnie osiągnąć. Obecnie wiele z tego, co ludzie nazywają „agentami”, to po prostu chatboty podłączone do kilku interfejsów API. Mogą odpowiedzieć na podstawowe pytanie lub uruchomić prosty, sztywny przepływ pracy. To jest przydatne, ale nie transformacyjne.

Prawdziwy agent przedsiębiorstwa nie podąża jedynie za scenariuszem; rozumie cel końcowy, rozważa różne opcje, działa w wielu starszych systemach, dostosowuje się do zmian i pozostaje ściśle w granicach twojego korporacyjnego zarządzania. Postrzegam to jako różnicę między wyszukiwarką a zaufanym menedżerem operacyjnym. Jeden dostarcza informacje; drugi przejmuje odpowiedzialność za wykonanie zadania.

Aby to osiągnąć, agenci potrzebują głębokiego kontekstu dziedzinowego. Agent zarządzający zapasami w handlu detalicznym, na przykład, nie może po prostu patrzeć na arkusz kalkulacyjny; musi jednocześnie rozumieć cykle uzupełnień, wzorce popytu, poziomy obsługi i konsekwencje marży. To, co odróżnia prawdziwego agenta od zaawansowanego chatbota, to nie interfejs czatu. To zrozumienie dziedziny, pamięć, rozumowanie, orkiestracja zaplecza i wbudowana odpowiedzialność. Ostatecznie firmy nie potrzebują kolejnego interfejsu do przeglądania. Potrzebujemy systemów, które mogą wykonywać pracę niezawodnie i w skali.

Tredence przywiązuje dużą wagę do AI specyficznego dla branży, szczególnie w obszarach takich jak handel detaliczny i dobra konsumenckie. W miarę jak modele bazowe stają się bardziej zdolne, gdzie wiedza dziedzinowa nadal daje przewagę i jak duża część inteligencji ostatecznie musi wynikać ze zrozumienia przepływów pracy, terminologii, ograniczeń i ekonomii konkretnej branży?

Modele podstawowe stały się niezwykle potężne, ale wiedza dziedzinowa pozostaje różnicą między surową inteligencją a rzeczywistą użytecznością. To jak przekazanie tej samej, wysoko zaawansowanej książki medycznej chirurgowi, prawnikowi korporacyjnemu i menedżerowi handlu detalicznego. Informacje w książce są identyczne, ale są cenne tylko dla osoby, która naprawdę rozumie pacjenta, salę operacyjną i stawkę tej pracy. 

Każda branża ma własne niewidzialne zasady, unikalną ekonomię, surowe regulacje i codzienne ograniczenia operacyjne. W handlu detalicznym, na przykład, rekomendacja AI, która technicznie poprawia dokładność prognoz, ale przypadkowo powoduje masowe braki towarów na półkach, nie jest pomocna — jest zobowiązaniem.

Kiedy stosujemy głęboką wiedzę dziedzinową do modeli ogólnego przeznaczenia, wyniki biznesowe są ogromne. Na przykład w Tredence wdrożyliśmy rozwiązania specyficzne dla danej dziedziny, które przyniosły niesamowite, zweryfikowane rezultaty dla naszych klientów. Program prognozowania w supermarkecie wygenerował wartość bliską 200 milionów dolarów i podniósł wskaźnik dopasowania uzupełnień powyżej 90 procent. Platforma łańcucha dostaw w przemyśle przyniosła oszczędności w wysokości 10 milionów dolarów w pierwszym roku. Modernizacja przepływu pracy w handlu detalicznym zmniejszyła nakład pracy analityków o 70 procent, a inny program osiągnął redukcję strat o 100 milionów dolarów.

Gdy modele podstawowe stają się skomodyfikowaną usługą, podobnie jak energia elektryczna, prawdziwa przewaga konkurencyjna przesuwa się całkowicie na to, kto posiada najlepszy własny kontekst i zrozumienie przepływów pracy, aby przekształcić ogólną inteligencję w precyzyjne wyniki biznesowe.

Istnieje napięcie pomiędzy budowaniem wielokrotnego użytku platform AI a dostosowywaniem systemów do konkretnych danych i procesów każdej firmy. Jak określić, co powinno być standaryzowane, a co spersonalizowane, i czy nadmierna personalizacja może ostatecznie stać się własną barierą w skalowaniu AI?

Znalezienie właściwej równowagi między standardową platformą a funkcjami niestandardowymi zawsze jest trudną decyzją. Osobiście patrzę na to jak na planowanie urbanistyczne. Oczywiście trzeba ustandaryzować drogi, sieci energetyczne i wodociągi, ale nie oznacza to, że każdy dom w okolicy musi być identyczną kopią.

Ta sama zasada obowiązuje w AI. Elementy takie jak bezpieczeństwo danych, zarządzanie i monitorowanie muszą być w pełni ustandaryzowane. Powinny zasadniczo stać się niewidoczną infrastrukturą przedsiębiorstwa. Aby uczynić to efektywnym, zalecałbym firmom stworzenie wewnętrznego rynku wielokrotnego użytku agentów, aby zespoły nie musiały ciągle wymyślać koła od nowa.

Twoje rzeczywiste przepływy pracy w biznesie muszą jednak pozostać elastyczne, ponieważ to właśnie tam leży twoja unikalna przewaga konkurencyjna. Obecnie największym ryzykiem nie jest niewystarczająca personalizacja, lecz nadmierna personalizacja. Gdy każde wdrożenie AI przekształca się w wysoce unikalny, odizolowany projekt inżynieryjny, skalowanie staje się koszmarem, a koszty utrzymania rosną w niebotycznych rozmiarach. Celem powinno być zbudowanie powtarzalnej zdolności. Standaryzujesz solidną podstawę, a następnie dajesz zespołom elementy potrzebne do szybkiego dostosowania jej do własnych potrzeb. Umiejętność wykorzystywania i ponownego użycia możliwości AI staje się kluczowym wyróżnikiem, przyspieszając adopcję oraz dostarczając szybszy zwrot z inwestycji i silniejszy ROI.

Gdy agenci zyskują zdolność podejmowania decyzji i wykonywania zadań, w jaki sposób przedsiębiorstwa powinny określić, gdzie autonomia jest odpowiednia, a gdzie zatwierdzenie przez człowieka powinno pozostać obowiązkowe? Czy istnieją konkretne funkcje biznesowe, w których według Ciebie organizacje działają zbyt szybko lub zbyt ostrożnie?

Jeśli chodzi o przyznawanie AI autonomii, ryzyko powinno zawsze wyznaczać zasady, a nie tylko to, co technologia jest w stanie obsłużyć. Sam fakt, że agent może wykonać proces od początku do końca, nie oznacza, że należy całkowicie odciąć zabezpieczenie. Rutynowe, codzienne zadania, takie jak rejestrowanie zapasów czy synchronizacja plików zaplecza, są idealne do pełnej automatyzacji, ponieważ eliminują ogromne wąskie gardła operacyjne. Jednak gdy decyzja dotyczy surowych regulacji, dużych wydatków finansowych lub kwestii o wysokim stopniu ryzyka dla klienta, konieczna jest obecność człowieka w procesie.

Obecnie widzę, że firmy są zbyt ostrożne w obszarze łańcucha dostaw i operacji zaplecza. Zwlekają z automatyzacją rutynowych zakupów i dopasowywania faktur, gdzie agenci mogliby już dziś bezpiecznie oszczędzić czas. Z drugiej strony, działają zbyt szybko w obsłudze klienta i zgodności prawnej, popychając autonomiczne agenty do nieprzewidywalnych sporów z klientami lub automatycznych przeglądów umów bez rzeczywistych zabezpieczeń. Celem jest odpowiedzialna automatyzacja, a nie maksymalna automatyzacja.

W miarę jak modele graniczne stają się tańsze i bardziej wydajne, rola firm świadczących usługi AI prawdopodobnie się zmieni. Czy wartość coraz bardziej odchodzi od budowania modeli w stronę architektury danych, integracji, oceny, orkiestracji, zarządzania i przedefiniowywania procesów biznesowych wokół AI? Co odróżni firmy usługowe AI, które pozostaną wartościowe?

Jesteśmy świadkami naturalnego przesunięcia w miejscu tworzenia wartości. Kilka lat temu surowa infrastruktura obliczeniowa była znaczącą przewagą konkurencyjną. Dziś jest w dużej mierze usługą komunalną, a modele AI szybko zmierzają w tym samym kierunku.

Przedsiębiorstwa nie szukają już większych modeli. Chcą szybszych decyzji, wyższej produktywności i jasnych rezultatów biznesowych. Z tego powodu wartość przeniosła się całkowicie na ekosystem otaczający model — takie elementy jak czysta architektura danych, ścisłe zarządzanie, inteligentna orkiestracja oraz całkowite przemyślenie przepływów pracy, aby AI było naprawdę praktyczne w skali. Zwycięzcami niekoniecznie będą firmy posiadające najbardziej zaawansowaną technologię, lecz te, które potrafią przekształcić technologię w namacalne wyniki biznesowe.

Widzimy również, że przedsiębiorstwa przyjmują podejście portfelowe do AI. Modele frontier, modele open-weight oraz mniejsze, wyspecjalizowane modele mają wszystkie swoją rolę, w zależności od przypadku użycia, kosztu, opóźnienia i wymagań dotyczących zarządzania. W miarę dojrzewania AI sukces będzie określany mniej przez to, kto buduje silnik, a bardziej przez to, kto wie, jak wykorzystać go w firmie. To, co nazywam „rytmem wykonawczym”, ostatecznie odróżni zwycięzców od reszty.

Patrząc kilka lat w przyszłość, jeśli przedsiębiorstwa skutecznie pokonają dzisiejsze problemy z danymi, zarządzaniem i integracją, jak naprawdę będzie wyglądać duża firma AI‑natywna? Czy oczekujesz, że agenci pozostaną narzędziami używanymi przez pracowników, czy też coraz częściej zobaczymy całe przepływy pracy i funkcje biznesowe obsługiwane przez skoordynowane sieci agentów AI?

Firma AI‑natywna nie będzie po prostu tradycyjną firmą z kilkoma dodatkowymi narzędziami programowymi. Będzie to fundamentalnie przemyślana na nowo organizacja. Widzieliśmy podobne zmiany w erze Internetu i cyfryzacji, kiedy technologia zmieniła nie tylko sposób działania firm, ale także ich strukturę. Takie firmy będą funkcjonować zupełnie inaczej.

Obecnie firmy są zorganizowane wokół ludzi wykonujących ręczne zadania wspierane przez oprogramowanie. W przyszłości całe przepływy pracy mogą być koordynowane przez sieci agentów AI, a ludzie będą pełnić coraz bardziej nadzorującą i strategiczną rolę. To podobne do tego, jak elektryczność przekształciła fabryki. Nie wyeliminowała fabryk; całkowicie zmieniła ich projekt i sposób działania.

W tych przyszłych firmach agenci będą nieustannie monitorować operacje, wskazywać możliwości i obsługiwać rutynowe wykonania w różnych działach. Nie oznacza to, że ludzie znikną; nasze zadania po prostu staną się znacznie bardziej strategiczne, całkowicie przechodząc na ocenę, innowację i budowanie relacji.

Zwycięzcami nie będą firmy, które wdrożą najwięcej agentów. Zwycięży te, które zbudują najsilniejszą mieszankę zaufanych danych, wiedzy dziedzinowej i nadzoru ludzkiego. Przyszłość nie polega na w pełni autonomicznych przedsiębiorstwach; chodzi o inteligentnie orkiestrowane firmy, w których ludzie i agenci współpracują, aby osiągać cele, których żaden z nich nie mógłby zrealizować samodzielnie.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Tredence.