Jitendra Putcha, COO al Tredence – Serie de interviuri

Jitendra Putcha, COO al Tredence, este un executiv experimentat în tehnologie și operaţiuni, cu aproape trei decenii de experienţă ce acoperă inteligenţa artificială, analiza datelor, transformarea digitală, livrare şi servicii de tehnologie pentru întreprinderi. Înainte de a se alătura Tredence în aprilie 2026, a ocupat funcţia de Chief Delivery Officer la Mastech Digital, unde a făcut parte din echipa de conducere executivă care supraveghea strategia, transformarea, responsabilităţile de P&L şi livrarea serviciilor. Anterior a petrecut câţiva ani la LTIMindtree şi LTI, ocupând în final poziţia de Senior Vice President şi Global Head of Data & AI, având responsabilitatea pentru adoptarea AI la nivel de întreprindere, AI generativ, agenţi AI, servicii de date şi analiză, inginerie de produse şi dezvoltarea platformei. Mai devreme, Putcha a petrecut aproape 18 ani la Cognizant, avansând prin poziţii de conducere superioară, inclusiv Vice President of AI & Analytics şi Head al Centrului din Hyderabad, unde activitatea sa a cuprins livrarea globală de date şi analize, transformarea condusă de AI şi scalarea capabilităţilor de analiză în diverse industrii. Cariera sa anterioară a inclus roluri la Wipro şi DSQ Software, oferindu-i o bază solidă ce acoperă depozitarea datelor, business intelligence, analiză şi livrare la scară largă în mediul enterprise.

Tredence este o companie globală de ştiinţa datelor şi soluţii AI concentrată pe abordarea a ceea ce numeşte problema „last-mile” în AI — diferenţa dintre generarea de insight‑uri şi transformarea lor în rezultate de afaceri măsurabile. Fondată în 2013, compania combină expertiza din industrie cu ingineria datelor, ştiinţa datelor, învăţarea automată, AI generativ, agenţi AI, tehnologii cloud şi acceleratori proprietari pentru a ajuta întreprinderile să operationalizeze AI la scară. Tredence afirmă că are peste 4.200 de angajaţi şi colaborează cu companii din retail, bunuri de consum ambalate, tehnologie, telecomunicaţii, sănătate, turism, industrii şi alte sectoare. Abordarea sa subliniază integrarea analiticii şi a AI în procesele reale de afaceri, nu doar oprirea la modele sau tablouri de bord, cu capabilităţi ce acoperă AI generativ pregătit pentru întreprinderi, sisteme multimodale şi agentice, AI responsabil, modernizarea datelor şi guvernanţa AI.

Aduceţi peste 28 de ani de experienţă în domeniul datelor enterprise, analiticii, AI şi livrării globale la scară largă, inclusiv roluri de conducere la Cognizant, LTIMindtree şi Mastech Digital înainte de a vă alătura Tredence ca Director Operaţional în 2026. Ce v‑a atras la Tredence în această etapă specifică a creşterii sale şi ce vedeţi ca fiind cea mai mare oportunitate de a redefini modul în care o companie de servicii axată pe AI operează şi furnizează valoare pe măsură ce întreprinderile trec de la experimentare la AI la scară?

Ceea ce m‑a atras la Tredence a fost cât de bine înrădăcinată este compania. În cariera mea, am văzut numeroase schimbări tehnologice, dar este rar să găseşti o organizaţie care leagă expertiza profundă în AI direct de rezultate reale de afaceri. Tredence nu vorbeşte doar despre AI de dragul său; construieşte soluţii care rezolvă probleme concrete ale întreprinderilor.

În prezent, industria se află într‑un punct de cotitură extraordinar. Depăşeşte faza de testare şi pune întrebarea dificilă: Cum integrăm AI în operaţiunile noastre zilnice? Aceasta este ceea ce numim „last mile” al AI: acoperirea diferenţei dintre generarea de insight‑uri şi asigurarea că aceste insight‑uri ajung la persoana, procesul sau decizia specifică unde pot produce un rezultat util.

Oportunitatea nu constă doar în implementarea unor instrumente mai avansate. Este vorba despre rezolvarea unei probleme de execuţie, ajutând organizaţiile să gândească diferit şi să obţină valoare măsurabilă. În calitate de COO, sarcina mea este să protejez acest avantaj. Vreau să mă asigur că ne extindem operaţiunile fără a pierde agilitatea sau atenţia faţă de clienţi, transformând ambiţiile AI de nivel înalt în rezultate concrete.

Continuăm să observăm întreprinderi care desfăşoară proiecte pilot AI promiţătoare, dar care nu devin niciodată sisteme de producţie semnificative. Când analizaţi proiectele care se blochează, care sunt cele mai frecvente puncte de eşec şi care dintre aceste probleme sunt încă subestimate de către executivi?

Să fim sinceri, majoritatea proiectelor pilot AI nu eşuează din cauza tehnologiei. Eşuează pentru că tratăm AI ca pe un motor puternic, dar uităm să construim maşina reală în jurul său. Gândiţi‑vă aşa: Un motor de clasă mondială este complet inutil dacă nu îi furnizaţi combustibil curat, un volan şi un şofer.

Modelul dvs. AI va rămâne blocat în garaj în acelaşi mod dacă subestimaţi trei fundamente. Datele de încredere reprezintă combustibilul curat. Dacă datele dvs. sunt un set de bază dezordonat şi neorganizat, motorul se blochează şi modelul furnizează răspunsuri nesigure. Guvernanţa solidă este volanul. Fără reguli clare şi bariere de siguranţă, echipele sunt pur şi simplu prea temătoare de risc pentru a pune maşina pe drum.

În final, deţinerea clară a afacerii este şoferul dvs., şi este elementul pe care executivii îl subestimează cel mai mult. Dacă un lider de afacere nu preia controlul, nu susţine instrumentul şi nu îl integrează direct în fluxurile de lucru zilnice ale echipei sale, proiectul va avea dificultăţi în a livra rezultate. Trebuie să scăpăm de „capcana demo”. Succesul nu constă în lansarea unui număr mare de proiecte pilot sau în acumularea de motoare de testare. Este vorba despre consolidarea datelor, stabilirea unor bariere clare, atribuirea unei responsabilităţi reale şi integrarea AI în mod discret în modul în care afacerea dvs. funcţionează în fiecare zi.

Tredence a descris de multă vreme „ultimul kilometru” al AI‑ului ca fiind conectarea insight‑urilor la acţiune. AI‑ul agentic ar putea duce acest lucru mult mai departe, permiţând software‑ului să execute decizii. Cum se schimbă problema ultimului kilometru când AI trece de la a recomanda o acţiune la a o executa autonom?

În trecut, gestionarea ultimului kilometru al AI‑ului era ca şi cum ai conduce cu un GPS. Ecranul îţi spunea exact unde să virezi, dar trebuia să mişti volanul fizic. AI‑ul agentic răstoarnă complet această situaţie. Acum, mașina se conduce practic singură.

Aceasta schimbă întreaga discuţie. Nu mai încercăm doar să convingem un manager să aibă încredere într-un grafic de pe un tablou de bord; construim sisteme în care să avem încredere să ia decizii în numele nostru. Provocarea reală nu mai este să facem oamenii să privească datele, ci să stabilim cât de mult control suntem dispuşi să delegăm software‑ului.

Pentru sarcini de rutină, cu risc scăzut, cum ar fi actualizarea jurnalelor de inventar sau curăţarea fişierelor de date, lăsarea unui agent să funcţioneze în mod autonom este evidentă, deoarece elimină întârzierile corporative obişnuite. Însă în momentul în care o decizie afectează o tranzacţie financiară majoră, o plângere sensibilă a unui client sau o limită legală, este necesar ca un om să fie pregătit să intervină şi să aplice frâna.

În final, companiile care vor câştiga cu AI‑ul agentic nu vor fi doar cele cu cea mai inteligentă tehnologie. Vor fi organizaţiile care trasează limite cristaline privind unde software‑ul poate acţiona singur şi unde judecata umană trebuie să preia volanul.

Ai susţinut că o întreprindere agentică necesită context de domeniu, guvernanţă şi execuţie inteligentă pentru a funcţiona împreună. De ce nu este suficient ca firmele să plaseze pur şi simplu un LLM sau un agent AI deasupra stivei lor de date existente și ce schimbări arhitecturale sunt necesare?

Plasarea unui LLM deasupra datelor enterprise este ca și cum ai angaja un angajat inteligent și i-ai oferi acces la fiecare document al companiei din prima zi. Este deștept și capabil, dar nu are nicio idee despre cum funcționează sistemele, procesele, regulile interne și reglementările tale.

Companiile se confruntă cu o provocare similară, deoarece mediile lor sunt în mod natural complexe. Datele există în multiple sisteme, iar regulile de business s‑au dezvoltat silențios de-a lungul multor ani. În plus, obligațiile de conformitate variază în funcție de industrie și de regiune. Pentru ca agenții să funcționeze eficient, au nevoie de context, nu doar de informații.

De aceea ne gândim la AI‑ul enterprise ca la o arhitectură în trei straturi. Primul strat este o fundație de date de încredere. Al doilea este inteligența de domeniu, care captează contextul de business, relațiile, definițiile și fluxurile de lucru. Al treilea este stratul de experiență și execuția în buclă închisă, unde agenții pot raționa și acționa în limite guvernate.

Multe organizații au investit masiv în primul strat și unele au construit elemente ale celui de‑al doilea. Totuși, adevărata oportunitate constă în conectarea celor trei straturi.

Fără context și guvernanță, chiar și cel mai capabil model poate genera răspunsuri plauzibile care pur și simplu nu se aliniază cu realitatea de business. AI‑ul enterprise nu are nevoie de mai multă inteligență. Are nevoie de mai mult context.

„Agentul AI” a devenit rapid unul dintre cei mai suprautilizaţi termeni din industrie. Din punct de vedere tehnic, ce separă un agent enterprise cu adevărat util de un chatbot conectat la câteva instrumente și fluxuri de lucru?

Un agent enterprise cu adevărat util este definit mai puțin prin cât de fluent vorbește și mai mult prin ce poate realiza în mod responsabil. În prezent, multe dintre ceea ce oamenii numesc „agenți” sunt doar chatboți conectaţi la câteva API‑uri. Ei pot răspunde la o întrebare de bază sau pot declanșa un flux de lucru simplu și rigid. Este util, dar nu este transformator.

Un adevărat agent enterprise nu urmează doar un script; înțelege un scop final, raționează prin diferite opţiuni, lucrează peste multiple sisteme legacy, se adaptează când lucrurile se schimbă și rămâne strict în limitele guvernanţei corporative. Îl văd ca diferenţa dintre un motor de căutare și un manager de operaţiuni de încredere. Unul îţi oferă informaţii; celălalt preia responsabilitatea de a finaliza o sarcină.

Pentru a face asta, agenții au nevoie de un context de domeniu profund. Un agent de inventar în retail, de exemplu, nu poate să se uite doar la un tabel; trebuie să înţeleagă ciclurile de reaprovizionare, tiparele de cerere, nivelurile de serviciu și implicaţiile de marjă simultan. Ce separă un agent real de un chatbot sofisticat nu este interfaţa de chat. Este înţelegerea domeniului, memoria, raţionamentul, orchestrarea din spate și responsabilitatea încorporată. În final, companiile nu au nevoie de o altă interfață de vizualizare. Avem nevoie de sisteme care să poată executa munca în mod fiabil și la scară.

Tredence pune un accent semnificativ pe AI‑ul specific industriei, în special în domenii precum retail și bunuri de consum. Pe măsură ce modelele de bază devin mai capabile, unde aduce încă un avantaj expertiza de domeniu și cât de multă inteligență trebuie în final să provină din înţelegerea fluxurilor de lucru, terminologiei, constrângerilor și economiei unei anumite industrii?

Modelele de bază au devenit incredibil de puternice, dar expertiza de domeniu rămâne diferența dintre inteligența brută și utilitatea reală. Este ca și cum ai oferi același manual medical avansat unui chirurg, unui avocat corporativ și unui manager de retail. Informațiile din carte sunt identice, dar sunt valoroase doar pentru persoana care înțelege cu adevărat pacientul, sala de operații și implicațiile jobului.

Fiecare industrie are propriile reguli invizibile, economie unică, reglementări stricte și constrângeri operaționale zilnice. În retail, de exemplu, o recomandare AI care tehnic îmbunătățește acuratețea prognozei, dar accidental cauzează situații masive de lipsă de stoc pe rafturi, nu este utilă—este o povară.

Când aplicăm inteligență profundă de domeniu modelelor cu scop general, rezultatele de afaceri sunt uriașe. De exemplu, la Tredence, am implementat soluții specifice de domeniu care au oferit rezultate incredibile și verificate pentru clienții noștri. Un program de prognoză pentru supermarketuri a generat aproape 200 de milioane de dolari în valoare și a crescut ratele de potrivire a reaprovizionării peste 90 la sută. O platformă de lanț de aprovizionare în producție a adus 10 milioane de dolari de economii în primul an. Modernizarea fluxului de lucru în retail a redus efortul analiștilor cu 70 la sută, în timp ce un alt program a realizat o reducere a pierderilor de 100 de milioane de dolari.

Pe măsură ce modelele de bază devin o utilitate commodificată, ca electricitatea, avantajul competitiv real se mută în totalitate către cei care dețin cel mai bun context proprietar și înțelegere a fluxului de lucru pentru a transforma inteligența generică în rezultate de afaceri precise.

Există o tensiune între construirea de platforme AI reutilizabile și adaptarea sistemelor la datele și procesele specifice fiecărei întreprinderi. Cum determini ce ar trebui standardizat versus personalizat și poate personalizarea excesivă să devină în cele din urmă propria barieră în scalarea AI?

Găsirea echilibrului potrivit între o platformă standard și funcționalități personalizate este întotdeauna o decizie dificilă. Personal, o văd ca pe planificarea urbană. Evident, trebuie să standardizezi drumurile, rețelele electrice și conductele de apă, dar asta nu înseamnă că fiecare casă din cartier trebuie să fie o copie identică.

Aceeași regulă se aplică AI-ului. Aspecte precum securitatea datelor, guvernanța și monitorizarea trebuie să fie complet standardizate. Ele ar trebui să devină practic o infrastructură de întreprindere invizibilă. Pentru a face acest lucru eficient, aș recomanda companiilor să creeze o piață internă pentru agenți reutilizabili, astfel încât echipele să nu reinventeze mereu roata.

Totuși, fluxurile tale de lucru reale trebuie să rămână flexibile, deoarece acolo își găsește avantajul competitiv unic. În prezent, cel mai mare risc nu este subpersonalizarea, ci suprapersonalizarea. Când fiecare implementare AI devine un proiect de inginerie extrem de unic și izolat, scalarea devine un coșmar și costurile de mentenanță se explodează. Scopul ar trebui să fie construirea unei capacități reproductibile. Standardizezi o bază solidă și apoi oferi echipelor blocurile necesare pentru a o adapta rapid la nevoile lor. Capacitatea de a valorifica și reutiliza funcționalitățile AI devine un factor diferențiator cheie, accelerând adoptarea și livrând un timp mai rapid până la valoare și un ROI mai puternic.

Pe măsură ce agenții dobândesc capacitatea de a lua decizii și de a executa sarcini, cum ar trebui întreprinderile să determine unde autonomia este adecvată și unde aprobarea umană trebuie să rămână obligatorie? Există anumite funcții de business în care crezi că organizațiile avansează prea repede sau prea precaut?

Când vine vorba de acordarea autonomiei AI, riscul ar trebui să dicteze întotdeauna regulile, nu doar ceea ce tehnologia poate gestiona. Simplul fapt că un agent poate executa un proces de la început până la sfârșit nu înseamnă că trebuie să elimini complet frâna de siguranță. Sarcinile de rutină, zilnice, cum ar fi înregistrarea inventarului sau sincronizarea fișierelor de back‑office, sunt perfecte pentru automatizare completă deoarece elimină blocajele operaționale masive. Dar în momentul în care o decizie implică reglementări stricte, cheltuieli financiare majore sau probleme critice cu clienții, ai absolut nevoie de un om în circuit.

În prezent, observ că firmele sunt mult prea prudente în lanțul de aprovizionare și operațiunile de back‑office. Întârzie să automatizeze achizițiile de rutină și reconcilierea facturilor, unde agenții ar putea economisi timp în siguranță. Pe de altă parte, avansează mult prea rapid în serviciul clienți și conformitatea legală, împingând agenții autonomi în dispute cu clienții imprevizibile sau revizuiri automate de contracte fără protecții reale. Scopul aici este automatizarea responsabilă, nu automatizarea maximă.

Pe măsură ce modelele de frontieră devin mai ieftine și mai capabile, rolul companiilor de servicii AI este probabil să se schimbe. Valoarea se mută tot mai mult de la construirea modelelor către arhitectura datelor, integrare, evaluare, orchestrare, guvernanță și reproiectarea proceselor de business în jurul AI? Ce va diferenția firmele de servicii AI care rămân valoroase?

Suntem martorii unei schimbări naturale în locul în care se creează valoarea. Acum câțiva ani, infrastructura brută de calcul era un avantaj competitiv major. Astăzi, este în mare parte o utilitate, iar modelele AI se îndreaptă rapid în aceeași direcție.

Întreprinderile nu mai caută modele mai mari. Ele doresc decizii mai rapide, productivitate sporită și rezultate de afaceri clare. Din acest motiv, valoarea s-a mutat complet către ecosistemul care înconjoară modelul — lucruri precum o arhitectură de date curată, guvernanță strictă, orchestrare inteligentă și regândirea totală a fluxurilor de lucru pentru a face ca AI să fie cu adevărat practic la scară. Câștigătorii nu vor fi neapărat companiile cu cea mai sofisticată tehnologie, ci cele care pot transforma tehnologia în rezultate de afaceri tangibile.

Observăm, de asemenea, că întreprinderile adoptă o abordare de portofoliu în AI. Modelele frontier, modelele open-weight și modelele specializate mai mici au fiecare un rol, în funcție de caz de utilizare, cost, latență și cerințe de guvernanță. Pe măsură ce AI maturizează, succesul va fi determinat mai puțin de cine construiește motorul și mai mult de cine știe cum să îl pună în practică în cadrul unei afaceri. Ceea ce numesc „ritmul de execuție” va separa în final câștigătorii de restul.

Privind câțiva ani înainte, dacă întreprinderile reușesc să depășească problemele de astăzi legate de date, guvernanță și integrare, cum arată de fapt o companie mare, nativă AI? Vă așteptați ca agenții să rămână instrumente utilizate de angajați sau vom vedea din ce în ce mai mult fluxuri de lucru și funcții de afaceri operate de rețele coordonate de agenți AI?

O întreprindere nativă AI nu va fi pur și simplu o companie tradițională cu câteva instrumente software suplimentare. Va fi o întreprindere fundamental reimaginată. Am observat schimbări similare în timpul erei internetului și a celei digitale, când tehnologia a schimbat nu doar modul în care afacerile funcționau, ci și structura lor. Aceste companii vor funcționa foarte diferit. 

Astăzi, afacerile sunt organizate în jurul oamenilor care efectuează sarcini manuale susținute de software. În viitor, întregi fluxuri de lucru ar putea fi orchestrate de rețele coordonate de agenți AI, iar oamenii vor avea un rol tot mai supraveghetor și strategic. Este similar cu modul în care electricitatea a transformat fabricile. Nu a eliminat fabrica; a schimbat complet modul în care a fost proiectată și operată.

În aceste companii viitoare, agenții vor monitoriza continuu operațiunile, vor semnala oportunități și vor gestiona execuția de rutină în diferite departamente. Acest lucru nu înseamnă că oamenii dispar, ci că locurile noastre de muncă devin mult mai strategice, concentrându-se exclusiv pe judecată, inovație și construirea de relații. 

Câștigătorii nu vor fi companiile care implementează cei mai mulți agenți. Vor fi cele care construiesc cel mai puternic amestec de date de încredere, inteligență de domeniu și supraveghere umană. Viitorul nu este despre întreprinderi complet autonome; este vorba despre întreprinderi orchestrate inteligent, în care oamenii și agenții lucrează împreună pentru a atinge obiective pe care niciunul nu le-ar putea realiza singur.

Vă mulțumim pentru interviul excelent, cititorii care doresc să afle mai multe ar trebui să viziteze Tredence.