Jitendra Putcha, COO компании Tredence — серия интервью

Jitendra Putcha, COO компании Tredence, — опытный руководитель в области технологий и операций с почти тридцатилетним опытом, охватывающим искусственный интеллект, аналитика данных, цифровую трансформацию, доставку и корпоративные технологические услуги. До того как присоединиться к Tredence в апреле 2026 г., он занимал должность Chief Delivery Officer в Mastech Digital, где входил в команду исполнительного руководства, отвечающую за стратегию, трансформацию, P&L и предоставление услуг. Ранее он провёл несколько лет в LTIMindtree и LTI, в конечном итоге занимая пост Senior Vice President и Global Head of Data & AI, отвечая за внедрение корпоративного AI, генеративный AI, AI‑агентов, услуги по данным и аналитике, разработку продуктов и развитие платформ. До этого Putcha почти 18 лет работал в Cognizant, продвигаясь по руководящим позициям, включая Vice President of AI & Analytics и руководителя центра в Хайдарабаде, где его работа охватывала глобальное предоставление данных и аналитики, трансформацию на основе AI и масштабирование аналитических возможностей в разных отраслях. Его ранняя карьера включала роли в Wipro и DSQ Software, что дало ему фундамент, охватывающий хранилища данных, бизнес‑аналитику, аналитику и крупномасштабную корпоративную доставку.

Tredence — глобальная компания, предоставляющая решения в области науки о данных и AI, сосредоточенная на решении так называемой «проблемы последней мили» в AI — разрыва между получением инсайтов и их преобразованием в измеримые бизнес‑результаты. Основанная в 2013 г., компания сочетает отраслевую экспертизу с обработкой данных, наукой о данных, машинным обучением, генеративным AI, AI‑агентами, облачными технологиями и собственными ускорителями, чтобы помочь предприятиям масштабно внедрять AI. По заявлению Tredence, в компании более 4 200 сотрудников, и она работает с компаниями из розничной торговли, потребительских товаров, технологий, телекоммуникаций, здравоохранения, туризма, промышленности и других секторов. Ее подход подчеркивает внедрение аналитики и AI в реальные бизнес‑процессы, а не ограничение только моделями или панелями мониторинга, предлагая возможности от готового к использованию генеративного AI до мультимодальных и агентных систем, ответственного AI, модернизации данных и управления AI.

Вы приносите более 28 лет опыта, охватывающего корпоративные данные, аналитику, AI и крупномасштабную глобальную доставку, включая руководящие роли в Cognizant, LTIMindtree и Mastech Digital, прежде чем присоединиться к Tredence в качестве Chief Operating Officer в 2026 году. Что привлекло вас к Tredence на данном этапе её роста, и какую, по вашему мнению, является крупнейшая возможность переосмыслить работу компании, предоставляющей AI‑ориентированные услуги, и создание ценности, когда предприятия переходят от экспериментов к масштабному внедрению AI?

Меня привлекла Tredence своей практичностью. За свою карьеру я наблюдал множество технологических сдвигов, но редко встречал организацию, которая напрямую связывает глубокую экспертизу в AI с реальными бизнес‑результатами. Tredence не просто говорит об AI ради самого AI; она создает решения, решающие реальные задачи предприятий.

Сейчас отрасль находится на удивительном переломном этапе. Она выходит за пределы экспериментальной фазы и задаёт сложный вопрос: как внедрить AI в наши ежедневные операции? Это то, что мы называем «последней милей» AI: преодоление разрыва между получением инсайтов и тем, чтобы эти инсайты дошли до конкретного человека, процесса или решения, где они могут принести полезный результат.

Возможность здесь заключается не только в развертывании более продвинутых инструментов. Речь идёт о решении проблемы исполнения, о том, чтобы организации мыслить иначе и видеть измеримую ценность. Как COO, моя задача — защищать это преимущество. Я хочу убедиться, что мы масштабируем наши операции, не теряя гибкости и ориентации на клиента, превращая амбиции AI высшего уровня в реальные бизнес‑результаты.

Мы продолжаем наблюдать, как предприятия запускают перспективные пилотные проекты AI, которые никогда не превращаются в значимые производственные системы. Когда вы смотрите на проекты, которые застревают, какие самые распространённые причины неудач и какие из этих проблем руководители всё ещё недооценивают?

Честно говоря, большинство пилотных проектов AI не проваливаются из‑за сбоя технологии. Они проваливаются, потому что мы рассматриваем AI как мощный двигатель, но забываем построить вокруг него сам автомобиль. Представьте себе: первоклассный двигатель совершенно бесполезен, если не обеспечить его чистым топливом, рулевым колесом и водителем.

Ваш AI‑модель останется заброшенной в гараже тем же самым, если вы недооцениваете три фундаментальных аспекта. Надёжные данные — это ваше чистое топливо. Если ваши данные представляют собой беспорядочную, неорганизованную основу, ваш двигатель забивается, и модель выдаёт ненадёжные ответы. Сильное управление — это ваше рулевое колесо. Без чётких правил и защитных барьеров команды слишком боятся риска, чтобы вывести автомобиль на дорогу.

Наконец, чёткое бизнес‑владение — ваш водитель, и это тот аспект, который руководители недооценивают больше всего. Если бизнес‑лидер не берёт на себя управление, не продвигает инструмент и не внедряет его непосредственно в ежедневные рабочие процессы своей команды, проект будет бороться за результаты. Нам необходимо избавиться от «ловушки демонстрации». Успех заключается не в запуске множества пилотов или сборе тестовых двигателей. Он состоит в надёжном управлении данными, установке чётких ограничений, назначении реальной ответственности и тихом внедрении AI в то, как ваш бизнес функционирует каждый день.

Tredence уже давно описывает «последнюю милю» ИИ как соединение инсайтов с действиями. Агентный ИИ потенциально выводит это гораздо дальше, позволяя программному обеспечению выполнять решения. Как меняется проблема последней мили, когда ИИ переходит от рекомендации действия к самостоятельному выполнению этого действия?

Раньше работа с последней милей ИИ была похожа на вождение с GPS. Экран точно указывал, где повернуть, но вам всё равно приходилось физически крутить рулём. Агентный ИИ полностью меняет это. Теперь автомобиль по сути сам управляется.

Это меняет весь разговор. Мы больше не просто пытаемся убедить менеджера доверять графику на панели мониторинга; мы создаём системы, которым можно доверять принимать решения от нашего имени. Реальная проблема уже не в том, чтобы заставить людей смотреть на данные; а в том, насколько контролем мы готовы делиться с программным обеспечением.

Для рутинных, низкорисковых задач, таких как обновление журналов инвентаризации или очистка файлов данных, включить агента в режим автопилота — очевидный выбор, поскольку это устраняет обычные корпоративные задержки. Но как только решение затрагивает крупную финансовую транзакцию, чувствительную клиентскую жалобу или правовую границу, нужен человек, готовый вмешаться и нажать на тормоза.

В конечном итоге компании, которые добьются успеха с агентным ИИ, будут не только обладателями самой умной технологии. Это будут организации, которые чётко очертили границы, где программное обеспечение может работать автономно, а где человеческое суждение должно вернуть управление.

Вы утверждаете, что агентное предприятие требует совместного сочетания предметного контекста, управления и интеллектуального исполнения. Почему недостаточно просто разместить LLM или AI‑агента поверх существующего стека данных, и какие архитектурные изменения требуются?

Размещение LLM над корпоративными данными похоже на найм умного сотрудника и предоставление ему доступа ко всем документам компании с первого дня. Он умен и способен, но всё равно не понимает, как работают ваши системы, процессы, внутренние правила и нормативы.

Бизнес сталкивается с аналогичной проблемой, поскольку их среды естественно сложны. Данные находятся в разных системах, а бизнес‑правила тихо эволюционировали в течение многих лет. Кроме того, требования к соблюдению нормативов различаются в зависимости от отрасли и географии. Чтобы агенты эффективно функционировали, им нужен контекст, а не просто информация.

Поэтому мы рассматриваем корпоративный ИИ как трёхуровневую архитектуру. Первый слой — надёжная фундаментальная база данных. Второй — предметный интеллект, который фиксирует бизнес‑контекст, взаимосвязи, определения и рабочие процессы. Третий — слой опыта и замкнутого исполнения, где агенты могут рассуждать и действовать в рамках управляемых границ.

Многие организации сильно вложились в первый слой, а некоторые построили элементы второго. Однако реальная возможность заключается в объединении всех трёх.

Без контекста и управления даже самая мощная модель может генерировать правдоподобные ответы, которые просто не соответствуют бизнес‑реальности. Корпоративному ИИ не нужен больший интеллект. Нужен больший контекст.

«AI‑агент» быстро стал одним из самых злоупотребляемых терминов в отрасли. С технической точки зрения, что отличает действительно полезного корпоративного агента от чат‑бота, подключённого к нескольким инструментам и рабочим процессам?

По-настоящему полезный корпоративный агент определяется меньше тем, насколько гладко он разговаривает, а тем, что он может ответственно выполнить. Сейчас многие из того, что называют «агентами», — это просто чат‑боты, подключённые к нескольким API. Они могут ответить на простой вопрос или запустить простой, жёсткий рабочий процесс. Это удобно, но не трансформирует.

Настоящий корпоративный агент не просто следует сценарию; он понимает конечную цель, рассуждает над различными вариантами, работает через несколько наследуемых систем, адаптируется к изменениям и строго соблюдает корпоративные линии управления. Я сравниваю это с разницей между поисковой системой и надёжным менеджером операций. Одна предоставляет информацию, другая берёт на себя ответственность за выполнение задачи.

Для этого агентам нужен глубокий предметный контекст. Например, агент по розничному инвентарю не может просто смотреть на таблицу; ему необходимо одновременно понимать циклы пополнения, модели спроса, уровни обслуживания и влияние на маржу. Что отличает реального агента от сложного чат‑бота, так это не чат‑интерфейс. Это предметное понимание, память, рассуждения, оркестрация бэкенда и встроенная подотчётность. В конечном итоге бизнесу не нужен ещё один интерфейс для просмотра. Нам нужны системы, способные надёжно и в масштабе выполнять работу.

Tredence придаёт большое значение отраслевому ИИ, особенно в сферах розничной торговли и потребительских товаров. По мере того как базовые модели становятся более мощными, где же предметная экспертиза всё ещё даёт преимущество, и насколько интеллект в конечном итоге должен исходить из понимания рабочих процессов, терминологии, ограничений и экономики конкретной отрасли?

Модели‑основы стали невероятно мощными, но отраслевой экспертизы остаётся тем, что отличает сырое интеллект от реальной полезности. Это как дать один и тот же высокотехнологичный медицинский учебник хирургу, корпоративному юристу и менеджеру розничной торговли. Информация в книге одинаковая, но она ценна только для того, кто действительно понимает пациента, операционную комнату и ставки работы.

У каждой отрасли есть свои невидимые правила, уникальная экономика, строгие регуляции и ежедневные операционные ограничения. В розничной торговле, например, рекомендация ИИ, которая технически улучшает точность прогноза, но случайно приводит к массовым ситуациям отсутствия товаров на полках, не полезна — это риск.

Когда мы применяем глубокую отраслевую экспертизу к моделям общего назначения, бизнес‑результаты становятся огромными. Например, в Tredence мы внедрили отраслево‑специфичные решения, которые принесли нашим клиентам невероятные, проверенные результаты. Программа прогнозирования для супермаркетов создала почти 200 млн долларов стоимости и подняла коэффициент соответствия пополнения выше 90 процентов. Платформа цепочки поставок в производстве обеспечила экономию в 10 млн долларов за первый год. Модернизация рабочих процессов в розничной торговле сократила трудозатраты аналитиков на 70 процентов, а другая программа достигла сокращения убытков на 100 млн долларов.

По мере того как модели‑основы становятся товарным сервисом, похожим на электроэнергию, реальное конкурентное преимущество полностью переходит к тем, кто обладает лучшим собственным контекстом и пониманием рабочих процессов, позволяющим превратить общую интеллектуальную мощь в точные бизнес‑результаты.

Существует напряжённость между созданием переиспользуемых платформ ИИ и адаптацией систем к конкретным данным и процессам каждой компании. Как определить, что следует стандартизировать, а что кастомизировать, и может ли избыточная кастомизация в конечном итоге стать собственным барьером для масштабирования ИИ?

Найти правильный баланс между стандартной платформой и пользовательскими функциями всегда сложно. Лично я сравниваю это с градостроительством. Очевидно, что необходимо стандартизировать дороги, электросети и водопроводы, но это не значит, что каждый дом в районе должен быть точной копией.

То же правило применимо к ИИ. Такие вещи, как безопасность данных, управление и мониторинг, должны быть полностью стандартизированы. Они должны по сути стать невидимой инфраструктурой предприятия. Чтобы сделать это эффективно, я бы порекомендовал компаниям создать внутренний маркетплейс переиспользуемых агентов, чтобы команды не постоянно изобретали колесо заново.

Тем не менее, ваши реальные бизнес‑процессы должны оставаться гибкими, потому что именно там находится ваше уникальное конкурентное преимущество. Сейчас наибольший риск — не недостаточная кастомизация, а её переизбыток. Когда каждый отдельный внедрённый ИИ превращается в уникальный, изолированный инженерный проект, масштабирование становится кошмаром, а затраты на обслуживание взлетают. Цель должна заключаться в создании повторяемой возможности. Вы стандартизируете надёжную основу, а затем предоставляете командам блоки, необходимые для быстрого адаптирования её под свои нужды. Способность использовать и переиспользовать возможности ИИ становится ключевым дифференциатором, ускоряя внедрение и обеспечивая более быстрый возврат инвестиций и более сильный ROI.

По мере того как агенты получают возможность принимать решения и выполнять задачи, как предприятия должны определять, где автономия уместна, а где человеческое одобрение должно оставаться обязательным? Есть ли определённые бизнес‑функции, в которых, по вашему мнению, организации действуют слишком быстро или слишком осторожно?

Когда речь идёт о предоставлении ИИ автономии, риск всегда должен определять правила, а не только возможности технологии. То, что агент может выполнить процесс от начала до конца, не означает, что следует полностью отрезать страховочный шнур. Рутинные ежедневные задачи, такие как учёт запасов или синхронизация файлов бэк‑офиса, идеально подходят для полной автоматизации, поскольку устраняют крупные операционные узкие места. Но как только решение затрагивает строгие регуляции, крупные финансовые расходы или вопросы с высокими ставками для клиента, безусловно нужен человек в цепочке.

Сейчас я наблюдаю, что компании слишком осторожны в цепочках поставок и бэк‑офисных операциях. Они медлят с автоматизацией рутинных закупок и сопоставления счетов, где агенты уже сегодня могли бы безопасно экономить время. С другой стороны, они слишком быстро продвигаются в обслуживании клиентов и юридическом соблюдении, спешат внедрять автономных агентов в непредсказуемые споры с клиентами или автоматический обзор контрактов без надёжных ограничений. Цель здесь — ответственная автоматизация, а не максимальная.

По мере того как передовые модели становятся дешевле и мощнее, роль компаний, предоставляющих услуги ИИ, вероятно изменится. Перемещается ли ценность всё больше от построения моделей к архитектуре данных, интеграции, оценке, оркестрации, управлению и переосмыслению бизнес‑процессов вокруг ИИ? Что будет отличать компании‑поставщики ИИ‑услуг, которые сохранят свою ценность?

Мы наблюдаем естественный сдвиг в том, где создаётся ценность. Пару лет назад базовая вычислительная инфраструктура была значительным конкурентным преимуществом. Сегодня она в основном стала утилитой, и модели ИИ стремительно движутся в том же направлении.

Компании больше не ищут более крупные модели. Они хотят более быстрые решения, повышенную производительность и ясные бизнес‑результаты. Поэтому ценность полностью перешла к экосистеме вокруг модели — таким элементам, как чистая архитектура данных, строгий контроль, умная оркестрация и полное переосмысление рабочих процессов, чтобы ИИ действительно стал практичным в масштабах. Победителями не обязательно будут компании с самой сложной технологией, а те, кто умеет превращать технологию в ощутимые бизнес‑результаты.

Мы также наблюдаем, как компании принимают портфельный подход к ИИ. Пограничные модели, модели с открытым весом и более мелкие специализированные модели играют свою роль в зависимости от сценария использования, стоимости, задержки и требований к управлению. По мере созревания ИИ успех будет определяться меньше тем, кто создает движок, и больше тем, кто знает, как внедрить его в бизнес. То, что я называю «ритмом исполнения», в конечном итоге отделит победителей от остальных.

Заглядывая на несколько лет вперёд, если компаниям удастся преодолеть сегодняшние проблемы с данными, управлением и интеграцией, как будет выглядеть действительно AI‑нативная крупная компания? Ожидаете ли вы, что агенты останутся лишь инструментами, используемыми сотрудниками, или мы всё чаще будем видеть целые рабочие процессы и бизнес‑функции, управляемые скоординированными сетями AI‑агентов?

AI‑нативное предприятие не будет просто традиционной компанией с несколькими дополнительными программными инструментами. Это будет фундаментально переосмысленное предприятие. Мы видели аналогичные сдвиги в эпоху интернета и цифровой трансформации, когда технологии изменили не только то, как работают бизнесы, но и их структуру. Такие компании будут функционировать совершенно иначе.

Сегодня бизнесы организованы вокруг людей, выполняющих ручные задачи с поддержкой программного обеспечения. В будущем целые рабочие процессы могут быть оркестрованы скоординированными сетями AI‑агентов, а люди займут всё более надзорную и стратегическую роль. Это напоминает то, как электричество трансформировало фабрики. Оно не устранило фабрики; оно полностью изменило их дизайн и способ работы.

В таких будущих компаниях агенты будут постоянно мониторить операции, выявлять возможности и выполнять рутинные задачи в разных отделах. Это не значит, что люди исчезнут; наши роли станут гораздо более стратегическими, полностью переключившись на оценку, инновации и построение отношений.

Победителями не будут компании, развернувшие наибольшее количество агентов. Победителями станут те, кто построит сильнейшее сочетание надёжных данных, отраслевого интеллекта и человеческого контроля. Будущее заключается не в полностью автономных предприятиях, а в интеллектуально оркестрованных компаниях, где люди и агенты совместно достигают целей, недоступных каждому в отдельности.

Спасибо за отличное интервью, читатели, желающие узнать больше, должны посетить Tredence.