Jitendra Putcha, COO da Tredence – Série de Entrevistas

Jitendra Putcha, COO da Tredence, é um executivo experiente em tecnologia e operações, com quase três décadas de experiência abrangendo inteligência artificial, análise de dados, transformação digital, entrega e serviços de tecnologia empresarial. Antes de ingressar na Tredence em abril de 2026, atuou como Diretor de Entrega na Mastech Digital, onde fazia parte da equipe de liderança executiva responsável por estratégia, transformação, responsabilidades de P&L e entrega de serviços. Anteriormente, passou vários anos na LTIMindtree e na LTI, chegando a ocupar o cargo de Vice‑Presidente Sênior e Chefe Global de Data e IA, com responsabilidade pela adoção de IA empresarial, IA generativa, agentes de IA, serviços de dados e análise, engenharia de produtos e desenvolvimento de plataformas. Anteriormente, Putcha passou quase 18 anos na Cognizant, avançando por cargos de liderança sênior, incluindo Vice‑Presidente de IA e Análise e Chefe do Centro de Hyderabad, onde seu trabalho abrangeu entrega global de dados e análise, transformação impulsionada por IA e a ampliação das capacidades analíticas em diversos setores. Sua carreira anterior incluiu cargos na Wipro e na DSQ Software, proporcionando-lhe uma base profissional que abrange armazenamento de dados, inteligência de negócios, análise e entrega empresarial em larga escala.

Tredence é uma empresa global de ciência de dados e soluções de IA focada em resolver o que chama de problema da “última milha” em IA — a lacuna entre gerar insights e transformá‑los em resultados empresariais mensuráveis. Fundada em 2013, a empresa combina expertise setorial com engenharia de dados, ciência de dados, aprendizado de máquina, IA generativa, agentes de IA, tecnologias de nuvem e aceleradores proprietários para ajudar as empresas a operacionalizar IA em escala. A Tredence afirma ter mais de 4.200 funcionários e trabalha com empresas dos setores de varejo, bens de consumo embalados, tecnologia, telecomunicações, saúde, viagens, indústrias e outros. Sua abordagem enfatiza a incorporação de análise e IA nos processos de negócios reais, em vez de parar em modelos ou painéis, com capacidades que abrangem IA generativa pronta para a empresa, sistemas multimodais e agentes, IA responsável, modernização de dados e governança de IA.

Você traz mais de 28 anos de experiência abrangendo dados empresariais, análise, IA e entrega global em larga escala, incluindo cargos de liderança na Cognizant, LTIMindtree e Mastech Digital antes de ingressar na Tredence como Diretor de Operações em 2026. O que o atraiu à Tredence neste estágio específico de seu crescimento, e o que você vê como a maior oportunidade de reformular como uma empresa de serviços focada em IA opera e entrega valor à medida que as empresas passam da experimentação para IA em escala?

O que me atraiu na Tredence foi o quão fundamentada a empresa é. Ao longo da minha carreira, vi muitas mudanças tecnológicas, mas é raro encontrar uma organização que conecte expertise profunda em IA diretamente com resultados de negócios reais. A Tredence não fala sobre IA apenas por falar; ela cria soluções que resolvem problemas empresariais concretos.

Atualmente, a indústria está em um ponto de inflexão impressionante. Está ultrapassando a fase de testes e fazendo a pergunta difícil: como incorporamos IA em nossas operações diárias? É isso que chamamos de “última milha” da IA: fechar a lacuna entre gerar insights e garantir que esses insights cheguem à pessoa, processo ou decisão específicos onde possam produzir um resultado útil.

A oportunidade aqui não se trata apenas de implantar ferramentas mais avançadas. Trata‑se de resolver um problema de execução, ajudar as organizações a pensar de forma diferente e alcançar valor mensurável. Como COO, meu trabalho é preservar essa vantagem. Quero garantir que ampliemos nossas operações sem perder agilidade ou foco no cliente, transformando ambições de IA de alto nível em retornos reais.

Continuamos a observar empresas executando pilotos de IA promissores que nunca se tornam sistemas de produção significativos. Ao analisar os projetos que estagnam, quais são os pontos de falha mais comuns e quais desses problemas ainda são subestimados pelos executivos?

Honestamente, a maioria dos pilotos de IA não falha porque a tecnologia falha. Eles falham porque tratamos a IA como um motor potente, mas esquecemos de construir o carro real ao seu redor. Pense da seguinte forma: um motor de classe mundial é completamente inútil se não lhe fornecermos combustível limpo, um volante e um motorista.

Seu modelo de IA ficará abandonado na garagem da mesma forma se você subestimar três fundamentos. Dados confiáveis são seu combustível limpo. Se seus dados forem uma base desorganizada e bagunçada, seu motor entope e seu modelo fornece respostas não confiáveis. Uma governança robusta é seu volante. Sem regras claras e salvaguardas de segurança, as equipes simplesmente têm medo demais do risco para colocar o carro na estrada.

Por fim, a propriedade clara do negócio é seu condutor, e é o aspecto que os executivos subestimam mais. Se um líder empresarial não assumir o volante, defender a ferramenta e incorporá‑la diretamente ao fluxo de trabalho diário de sua equipe, o projeto terá dificuldades para gerar resultados. Precisamos escapar da “armadilha da demonstração”. O sucesso não está em lançar inúmeros pilotos ou acumular motores de teste. Trata‑se de garantir seus dados, estabelecer salvaguardas claras, atribuir responsabilidade real e integrar a IA discretamente ao modo como sua empresa opera diariamente.

A Tredence tem descrito há muito tempo a “última milha” da IA como conectar insights à ação. A IA agente pode levar isso muito mais longe ao permitir que o software execute decisões. Como o problema da última milha muda quando a IA passa de recomendar uma ação para executar essa ação autonomamente?

No passado, lidar com a última milha da IA era muito parecido com dirigir com um GPS. A tela dizia exatamente onde virar, mas ainda era necessário mover o volante fisicamente. A IA agente inverte isso completamente. Agora, o carro está essencialmente dirigindo sozinho.

Isso muda toda a conversa. Não estamos mais apenas tentando convencer um gerente a confiar em um gráfico em um painel; estamos construindo sistemas em que podemos confiar para tomar decisões em nosso nome. O verdadeiro desafio não é mais fazer as pessoas olharem os dados; é descobrir quanto controle nos sentimos confortáveis em delegar ao software.

Para tarefas rotineiras e de baixo risco, como atualizar registros de inventário ou limpar arquivos de dados, deixar um agente operar em piloto automático é óbvio, pois elimina os atrasos corporativos habituais. Mas no momento em que uma decisão afeta uma transação financeira importante, uma reclamação de cliente sensível ou um limite legal, é necessário que um humano esteja pronto para intervir e frear.

No final das contas, as empresas que vencerem com IA agente não serão apenas as que possuem a tecnologia mais avançada. Serão as organizações que estabelecem limites cristalinos sobre onde o software pode operar sozinho e onde o julgamento humano precisa retomar o controle.

Você argumentou que uma empresa agente requer contexto de domínio, governança e execução inteligente para funcionar em conjunto. Por que não basta às empresas simplesmente colocar um LLM ou agente de IA sobre sua pilha de dados existente, e quais mudanças arquiteturais são necessárias?

Colocar um LLM sobre os dados corporativos é como contratar um funcionário inteligente e dar-lhe acesso a todos os documentos da empresa no primeiro dia. Ele é inteligente e capaz, mas ainda não tem ideia de como seus sistemas, processos, regras internas e regulamentos funcionam.

As empresas enfrentam um desafio semelhante porque seus ambientes são naturalmente complexos. Os dados existem em múltiplos sistemas, e as regras de negócios evoluíram silenciosamente ao longo de muitos anos. Além disso, as obrigações de conformidade variam por setor e geografia. Para que os agentes funcionem efetivamente, eles precisam de contexto, não apenas de informação.

É por isso que pensamos a IA corporativa como uma arquitetura de três camadas. A primeira camada é uma base de dados confiável. A segunda é a inteligência de domínio, que captura o contexto de negócios, relacionamentos, definições e fluxos de trabalho. A terceira é a camada de experiência e execução em loop fechado, onde os agentes podem raciocinar e agir dentro de limites governados.

Muitas organizações investiram fortemente na primeira camada, e algumas construíram elementos da segunda. No entanto, a verdadeira oportunidade está em conectar as três.

Sem contexto e governança, mesmo o modelo mais capaz pode gerar respostas plausíveis que simplesmente não se alinham com a realidade dos negócios. A IA corporativa não precisa de mais inteligência. Precisa de mais contexto.

“AI agent” rapidamente se tornou um dos termos mais abusados na indústria. De uma perspectiva técnica, o que separa um agente corporativo genuinamente útil de um chatbot conectado a algumas ferramentas e fluxos de trabalho?

Um agente corporativo genuinamente útil é definido menos pela fluidez da sua fala e mais pelo que ele pode realizar de forma responsável. Atualmente, grande parte do que as pessoas chamam de “agentes” são apenas chatbots conectados a algumas APIs. Eles podem responder a uma pergunta básica ou acionar um fluxo de trabalho simples e rígido. Isso é útil, mas não é transformador.

Um verdadeiro agente corporativo não segue apenas um script; ele entende um objetivo final, raciocina sobre diferentes opções, trabalha em múltiplos sistemas legados, adapta-se quando as coisas mudam e permanece estritamente dentro das diretrizes de governança corporativa. Vejo isso como a diferença entre um motor de busca e um gerente de operações confiável. Um entrega informações; o outro assume a responsabilidade de concluir a tarefa.

Para isso, os agentes precisam de um contexto profundo de domínio. Um agente de inventário varejista, por exemplo, não pode apenas olhar para uma planilha; ele deve entender ciclos de reposição, padrões de demanda, níveis de serviço e implicações de margem simultaneamente. O que separa um agente real de um chatbot sofisticado não é a interface de chat. É a compreensão do domínio, a memória, o raciocínio, a orquestração de back-end e a responsabilidade incorporada. Em última análise, as empresas não precisam de outra interface para observar. Precisamos de sistemas que possam executar o trabalho de forma confiável e em escala.

A Tredence dá ênfase significativa à IA específica por setor, particularmente em áreas como varejo e bens de consumo. À medida que os modelos de base se tornam mais capazes, onde a expertise de domínio ainda cria vantagem, e quanto da inteligência precisa, em última análise, vir da compreensão dos fluxos de trabalho, terminologia, restrições e economia de um determinado setor?

Os modelos de fundação tornaram‑se incrivelmente poderosos, mas a expertise de domínio continua sendo a diferença entre inteligência bruta e utilidade real. É como entregar o mesmo livro‑texto médico de alta potência a um cirurgião, a um advogado corporativo e a um gerente de varejo. A informação no livro é idêntica, mas só tem valor para a pessoa que realmente entende o paciente, a sala de operação e as apostas do trabalho.

Cada setor tem suas próprias regras invisíveis, economias únicas, regulamentações rígidas e restrições operacionais diárias. No varejo, por exemplo, uma recomendação de IA que tecnicamente melhora a precisão da sua previsão, mas acidentalmente gera situações massivas de falta de estoque nas prateleiras, não é útil — é uma responsabilidade.

Quando aplicamos inteligência profunda de domínio a modelos de uso geral, os resultados de negócios são enormes. Por exemplo, na Tredence, implantamos soluções específicas de domínio que entregaram resultados incríveis e verificados para nossos clientes. Um programa de previsão para supermercados gerou quase US$ 200 milhões em valor e elevou as taxas de correspondência de reposição acima de 90 %. Uma plataforma de cadeia de suprimentos para manufatura gerou US$ 10 milhões em economia no primeiro ano. Uma modernização de fluxo de trabalho no varejo reduziu o esforço dos analistas em 70 %, enquanto outro programa alcançou uma redução de perdas de US$ 100 milhões.

À medida que os modelos de fundação se tornam uma utilidade comoditizada, como a eletricidade, a verdadeira vantagem competitiva passa a residir totalmente em quem possui o melhor contexto proprietário e compreensão dos fluxos de trabalho para transformar a inteligência genérica em resultados de negócios precisos.

Existe uma tensão entre construir plataformas de IA reutilizáveis e adaptar sistemas aos dados e processos específicos de cada empresa. Como determinar o que deve ser padronizado versus customizado, e a customização excessiva pode acabar se tornando uma barreira ao dimensionamento da IA?

Encontrar o equilíbrio certo entre uma plataforma padrão e recursos personalizados é sempre uma decisão difícil. Pessoalmente, vejo isso como planejamento urbano. Evidentemente, é preciso padronizar ruas, redes elétricas e linhas de água, mas isso não significa que cada casa do bairro deva ser uma cópia exata.

A mesma regra se aplica à IA. Aspectos como segurança de dados, governança e monitoramento precisam ser totalmente padronizados. Eles devem, basicamente, tornar‑se uma infraestrutura empresarial invisível. Para tornar isso eficiente, recomendaria que as empresas criassem um marketplace interno de agentes reutilizáveis, de modo que as equipes não estejam constantemente reinventando a roda.

Entretanto, seus fluxos de trabalho reais precisam permanecer flexíveis, pois é aí que reside sua vantagem competitiva única. No momento, o maior risco não é a sub‑customização, mas a super‑customização. Quando cada implantação de IA se transforma em um projeto de engenharia altamente único e isolado, escalar torna‑se um pesadelo e os custos de manutenção disparam. O objetivo deve ser construir uma capacidade repetível. Você padroniza uma base sólida e, em seguida, fornece às equipes os blocos necessários para adaptá‑la rapidamente às suas necessidades. A capacidade de aproveitar e reutilizar recursos de IA torna‑se um diferencial crucial, acelerando a adoção e proporcionando um tempo‑para‑valor mais rápido e um ROI mais robusto.

À medida que os agentes adquirem a capacidade de tomar decisões e executar tarefas, como as empresas devem determinar onde a autonomia é adequada e onde a aprovação humana deve permanecer obrigatória? Existem funções de negócios específicas em que você acredita que as organizações estão avançando rápido demais ou com cautela excessiva?

Quando se trata de conceder autonomia à IA, o risco deve sempre ditar as regras, não apenas o que a tecnologia é capaz de lidar. O fato de um agente poder executar um processo do início ao fim não significa que você deva cortar totalmente o cabo de segurança. Tarefas rotineiras do dia a dia, como registrar inventário ou sincronizar arquivos de back‑office, são perfeitas para automação total porque eliminam gargalos operacionais massivos. Mas, assim que uma decisão envolve regulamentações rígidas, grandes gastos financeiros ou questões críticas de clientes, é absolutamente necessário ter um humano no processo.

Neste momento, vejo as empresas sendo excessivamente cautelosas nas operações de cadeia de suprimentos e back‑office. Elas estão atrasando a automação de compras rotineiras e da conciliação de faturas, onde os agentes poderiam economizar tempo de forma segura hoje. Por outro lado, estão avançando rápido demais no atendimento ao cliente e na conformidade jurídica, lançando agentes autônomos em disputas de clientes imprevisíveis ou revisões automáticas de contratos sem proteções reais. O objetivo aqui é automação responsável, não automação máxima.

À medida que os modelos de fronteira se tornam mais baratos e mais capazes, o papel das empresas de serviços de IA provavelmente mudará. O valor está cada vez mais se deslocando da construção de modelos para a arquitetura de dados, integração, avaliação, orquestração, governança e redesign de processos de negócios em torno da IA? O que diferenciará as empresas de serviços de IA que permanecerão valiosas?

Estamos testemunhando uma mudança natural onde o valor é criado. Há alguns anos, a infraestrutura de computação bruta era uma grande vantagem competitiva. Hoje, ela é basicamente uma utilidade, e os modelos de IA estão rapidamente seguindo a mesma direção.

As empresas não estão mais buscando modelos maiores. Elas querem decisões mais rápidas, maior produtividade e resultados de negócios claros. Por isso, o valor mudou totalmente para o ecossistema que envolve o modelo — coisas como arquitetura de dados limpa, governança rigorosa, orquestração inteligente e a reavaliação completa dos fluxos de trabalho para tornar a IA realmente prática em escala. Os vencedores não serão necessariamente as empresas com a tecnologia mais sofisticada, mas sim aquelas que conseguem transformar a tecnologia em resultados de negócios tangíveis.

Também estamos vendo as empresas adotarem uma abordagem de portfólio para IA. Modelos de fronteira, modelos de peso aberto e modelos menores e especializados têm todos um papel a desempenhar, dependendo do caso de uso, custo, latência e requisitos de governança. À medida que a IA amadurece, o sucesso será determinado menos por quem constrói o motor e mais por quem sabe como colocá‑lo em prática dentro de um negócio. O que eu chamo de “ritmo de execução” acabará separando os vencedores do restante.

Olhando alguns anos à frente, se as empresas superarem com sucesso os problemas atuais de dados, governança e integração, como realmente se parece uma grande empresa nativa de IA? Você espera que os agentes continuem sendo ferramentas usadas pelos funcionários, ou veremos cada vez mais fluxos de trabalho e funções de negócios operados por redes coordenadas de agentes de IA?

Uma empresa nativa de IA não será simplesmente uma empresa tradicional com alguns softwares adicionais. Será uma empresa fundamentalmente reimaginada. Vimos mudanças semelhantes durante as eras da Internet e digital, quando a tecnologia mudou não apenas a forma como as empresas operavam, mas como eram estruturadas. Essas empresas funcionarão de maneira muito diferente. 

Hoje, as empresas são organizadas em torno de pessoas que executam tarefas manuais suportadas por software. No futuro, fluxos de trabalho inteiros podem ser orquestrados por redes coordenadas de agentes de IA, com os humanos assumindo um papel cada vez mais de supervisão e estratégia. É muito parecido com a forma como a eletricidade transformou as fábricas. Ela não eliminou a fábrica; mudou completamente a forma como ela foi projetada e operada.

Nessas empresas do futuro, os agentes monitorarão continuamente as operações, identificarão oportunidades e lidarão com a execução rotineira em diferentes departamentos. Isso não significa que os humanos desapareçam; nossos trabalhos simplesmente se tornarão muito mais estratégicos, passando totalmente a julgamento, inovação e construção de relacionamentos. 

Os vencedores não serão as empresas que implantam o maior número de agentes. Serão aquelas que constroem a combinação mais forte de dados confiáveis, inteligência de domínio e supervisão humana. O futuro não se trata de empresas totalmente autônomas; trata‑se de empresas inteligentemente orquestradas, onde humanos e agentes trabalham juntos para alcançar metas que nenhum dos dois poderia atingir sozinho.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar Tredence.