Jitendra Putcha, COO för Tredence – Intervjuserie

Jitendra Putcha, COO för Tredence, är en erfaren ledare inom teknik och verksamhet med nästan tre decennier av erfarenhet som spänner över artificiell intelligens, dataanalys, digital transformation, leverans och företags‑teknologitjänster. Innan han gick med i Tredence i april 2026 tjänstgjorde han som Chief Delivery Officer på Mastech Digital, där han var en del av den verkställande ledningsgruppen och ansvarade för strategi, transformation, P&L‑ansvar och serviceleverans. Han tillbringade tidigare flera år på LTIMindtree och LTI, där han så småningom var Senior Vice President och Global Head of Data & AI med ansvar för företags‑AI‑adoption, generativ AI, AI‑agenter, data‑ och analystjänster, produktutveckling samt plattformsutveckling. Tidigare tillbringade Putcha nästan 18 år på Cognizant och avancerade genom seniora ledarroller, bland annat som Vice President för AI & Analytics och som chef för Hyderabad‑centret, där hans arbete omfattade global leverans av data och analys, AI‑driven transformation samt skalning av analystjänster över branscher. Hans tidigare karriär inkluderade roller på Wipro och DSQ Software, vilket gav honom en grund som spänner över datalagring, affärsintelligens, analys och storskalig företagsleverans.

Tredence är ett globalt data‑science‑ och AI‑lösningsföretag som fokuserar på att lösa det de kallar ”last‑mile”-problemet i AI – klyftan mellan att generera insikter och omvandla dem till mätbara affärsresultat. Företaget grundades 2013 och kombinerar branschkunskap med data‑engineering, data‑science, maskininlärning, generativ AI, AI‑agenter, molnteknologier och egna acceleratorer för att hjälpa företag att operationalisera AI i stor skala. Tredence uppger att de har mer än 4 200 anställda och arbetar med företag inom detaljhandel, konsumentvaror, teknik, telekommunikation, sjukvård, resor, industri och andra sektorer. Deras tillvägagångssätt betonar att integrera analys och AI i faktiska affärsprocesser snarare än att stanna vid modeller eller instrumentpaneler, med kapabiliteter som sträcker sig över företags‑klar generativ AI, multimodala och agentbaserade system, ansvarsfull AI, datamodernisering och AI‑styrning.

Du har mer än 28 års erfarenhet som spänner över företagsdata, analys, AI och storskalig global leverans, inklusive ledarskapsroller på Cognizant, LTIMindtree och Mastech Digital innan du gick in i Tredence som Chief Operating Officer 2026. Vad lockade dig till Tredence i detta specifika skede av företagets tillväxt, och vad ser du som den största möjligheten att omforma hur ett AI‑inriktat tjänsteföretag arbetar och levererar värde när företag går från experiment till AI i stor skala?

Det som lockade mig till Tredence var hur jordnära företaget är. Under min karriär har jag sett många teknologiska skiften, men det är sällsynt att hitta en organisation som kopplar djup AI‑expertis direkt till konkreta affärsresultat. Tredence pratar inte bara om AI för sakens skull; de bygger lösningar som löser faktiska företagsproblem.

Just nu befinner sig branschen i en fantastisk vändpunkt. Den har gått förbi testfasen och ställer den svåra frågan: Hur integrerar vi AI i våra dagliga verksamheter? Detta är vad vi kallar AI:s ”last mile”: att överbrygga klyftan mellan att generera insikter och att säkerställa att insikterna når den specifika personen, processen eller beslutet där de kan ge ett användbart resultat.

Möjligheten här handlar inte bara om att implementera häftigare verktyg. Det handlar om att lösa ett exekveringsproblem, hjälpa organisationer att tänka annorlunda och se mätbart värde. Som COO är min uppgift att bevara den fördelen. Jag vill säkerställa att vi skalar upp vår verksamhet utan att förlora vår smidighet eller kundfokus, och omvandla högst nivå AI‑ambitioner till verkliga avkastningar.

Vi ser fortsatt att företag driver lovande AI‑piloter som aldrig blir meningsfulla produktionssystem. När du tittar på de projekt som stannar, vilka är de vanligaste felpunkterna, och vilka av dessa problem underskattar cheferna fortfarande?

Ärligt talat misslyckas de flesta AI‑piloter inte på grund av teknikfel. De misslyckas eftersom vi behandlar AI som en kraftfull motor men glömmer att bygga själva bilen runt den. Tänk så här: En motor i världsklass är helt värdelös om du inte ger den ren bränsle, ett ratt och en förare.

Din AI‑modell kommer att stå strandsatt i garaget på samma sätt om du underskattar tre grundläggande faktorer. Pålitlig data är ditt rena bränsle. Om dina data är röriga och oorganiserade, täpps motorn till och din modell ger opålitliga svar. Stark styrning är ditt ratt. Utan tydliga regler och säkerhetsgränser är teamen helt enkelt för rädda för risken att sätta bilen på vägen.

Slutligen är tydligt affärsansvar din förare, och det är den del som chefer underskattar mest. Om en affärsledare inte tar ratten, förespråkar verktyget och integrerar det direkt i teamets dagliga arbetsflöden, får projektet svårt att leverera resultat. Vi måste undvika ”demo‑fällan”. Framgång handlar inte om att lansera många piloter eller samla testmotorer. Det handlar om att säkra dina data, fastställa tydliga gränser, tilldela verkligt ansvar och integrera AI diskret i hur ditt företag arbetar varje dag.

Tredence har länge beskrivit AI:s “sista mil” som att koppla insikter till handling. Agentisk AI kan ta det mycket längre genom att låta mjukvara verkställa beslut. Hur förändras sista‑mils‑problemet när AI går från att rekommendera en åtgärd till att utföra den autonomt?

Tidigare var hanteringen av AI:s sista mil mycket som att köra med en GPS. Skärmen visade exakt var du skulle svänga, men du var ändå tvungen att fysiskt vrida på ratten. Agentisk AI vänder på detta helt. Nu kör bilen i princip sig själv.

Detta förändrar hela samtalet. Vi försöker inte längre bara övertyga en chef om att lita på ett diagram på en instrumentpanel; vi bygger system som vi kan lita på för att fatta beslut åt oss. Den verkliga utmaningen är inte längre att få folk att titta på data; den handlar om att avgöra hur mycket kontroll vi är bekväma med att överlämna till mjukvara.

För rutinmässiga, lågriskuppgifter, som att uppdatera lagersaldon eller rensa datafiler, är det självklart att låta en agent köra på autopilot eftersom det eliminerar de vanliga företagsfördröjningarna. Men så snart ett beslut påverkar en stor finansiell transaktion, ett känsligt kundklagomål eller en juridisk gräns, behövs en människa redo att kliva in och sätta på bromsen.

I slutändan kommer de företag som lyckas med agentisk AI inte bara vara de med den smartaste tekniken. Det blir de organisationer som tydligt avgränsar var mjukvaran kan köras självständigt och var mänskligt omdöme måste ta tillbaka ratten.

Du har hävdat att ett agentiskt företag kräver domänkontext, styrning och intelligent verkställande för att fungera tillsammans. Varför räcker det inte för företag att bara placera en LLM eller AI‑agent ovanpå sin befintliga datastack, och vilka arkitektoniska förändringar krävs?

Att placera en LLM ovanpå företagsdata är som att anställa en intelligent medarbetare och ge denne tillgång till alla dokument i företaget redan från dag ett. De är smarta och kapabla, men de har fortfarande ingen aning om hur era system, processer, interna regler och föreskrifter fungerar.

Företag står inför en liknande utmaning eftersom deras miljöer är naturligt komplexa. Data finns i flera system, och affärsregler har tyst utvecklats under många år. Dessutom varierar efterlevnadskrav beroende på bransch och geografi. För att agenter ska fungera effektivt behöver de kontext, inte bara information.

Det är därför vi ser på företags‑AI som en trelagersarkitektur. Det första lagret är en pålitlig datagrund. Det andra är domänintelligens, som fångar affärskontext, relationer, definitioner och arbetsflöden. Det tredje är upplevelselagret och sluten‑loop‑exekvering, där agenter kan resonera och agera inom styrda gränser.

Många organisationer har investerat kraftigt i det första lagret, och vissa har byggt delar av det andra. Den verkliga möjligheten ligger dock i att koppla ihop alla tre.

Utan kontext och styrning kan även den mest kapabla modellen generera trovärdiga svar som helt enkelt inte stämmer med affärsverkligheten. Företags‑AI behöver inte mer intelligens. Den behöver mer kontext.

“AI‑agent” har snabbt blivit ett av de mest överanvända begreppen i branschen. Ur ett tekniskt perspektiv, vad skiljer en verkligt användbar företagsagent från en chatbot som är kopplad till några få verktyg och arbetsflöden?

En verkligt användbar företagsagent definieras mer av vad den kan åstadkomma på ett ansvarsfullt sätt än av hur smidigt den talar. Just nu är mycket av det som folk kallar “agenter” bara chatbots som är anslutna till ett par API:er. De kan svara på en grundläggande fråga eller trigga ett enkelt, stelt arbetsflöde. Det är praktiskt, men det är inte transformerande.

En sann företagsagent följer inte bara ett manus; den förstår ett slutmål, resonerar genom olika alternativ, arbetar över flera äldre system, anpassar sig när saker förändras och håller sig strikt inom dina företagsstyrningsramar. Jag ser det som skillnaden mellan en sökmotor och en pålitlig driftchef. Den ena ger dig information; den andra tar ansvar för att få jobbet gjort.

För att göra det behöver agenter djup domänkontext. En lageragent inom detaljhandeln kan till exempel inte bara titta på ett kalkylblad; den måste förstå påfyllningscykler, efterfrågemönster, servicenivåer och marginalpåverkan samtidigt. Vad som skiljer en riktig agent från en sofistikerad chatbot är inte chattgränssnittet. Det är domänförståelsen, minnet, resonemanget, backend‑orkestreringen och den inbyggda ansvarigheten. I slutändan behöver företag inte ett ytterligare gränssnitt att titta på. Vi behöver system som kan utföra arbete på ett pålitligt sätt och i skala.

Tredence lägger stor vikt vid branschspecifik AI, särskilt inom områden som detaljhandel och konsumentvaror. När grundmodeller blir mer kapabla, var ger domänexpertis fortfarande en fördel, och hur mycket av intelligensen måste i slutändan komma från förståelsen av arbetsflöden, terminologi, begränsningar och ekonomi i en viss bransch?

Fundamentala modeller har blivit otroligt kraftfulla, men domänexpertis är fortfarande skillnaden mellan rå intelligens och faktisk nytta. Det är som att ge exakt samma högpresterande medicinska lärobok till en kirurg, en företagsjurist och en detaljhandelschef. Informationen i boken är identisk, men den är bara värdefull för den person som faktiskt förstår patienten, operationssalen och arbetsuppgiftens betydelse. 

Varje bransch har sina egna osynliga regler, unika ekonomiska förutsättningar, strikta föreskrifter och dagliga operativa begränsningar. Inom detaljhandeln, till exempel, är en AI-rekommendation som tekniskt förbättrar prognosnoggrannheten men av misstag orsakar massiva lagerbrister i hyllorna inte hjälpsam – den är en risk.

När vi applicerar djup domänintelligens på generella modeller blir affärsresultaten enorma. Till exempel har vi på Tredence implementerat branschspecifika lösningar som levererat otroliga, verifierade resultat för våra kunder. Ett prognosprogram för en stormarknad skapade nästan 200 miljoner USD i värde och ökade matchningsgraden för påfyllning till över 90 procent. En plattform för tillverkningsförsörjningskedjan genererade 10 miljoner USD i besparingar under det första året. En modernisering av detaljhandelsarbetsflöden minskade analytikernas arbetsinsats med 70 procent, medan ett annat program uppnådde en förlustreduktion på 100 miljoner USD.

Allteftersom fundamentala modeller blir en standardiserad nytta, likt el, flyttar den verkliga konkurrensfördelen helt till den som har den bästa proprietära kontexten och arbetsflödesförståelsen för att omvandla generisk intelligens till precisa affärsresultat.

Det finns en spänning mellan att bygga återanvändbara AI-plattformar och att skräddarsy system efter varje företags specifika data och processer. Hur avgör man vad som bör standardiseras respektive anpassas, och kan överdriven anpassning så småningom bli ett eget hinder för att skala AI?

Att hitta rätt balans mellan en standardplattform och anpassade funktioner är alltid en svår avvägning. Personligen ser jag det som stadsplanering. Man måste naturligtvis standardisera vägar, elnät och vattenledningar, men det betyder inte att varje enskilt hus i området måste vara en exakt kopia.

Samma regel gäller för AI. Saker som datasäkerhet, styrning och övervakning måste vara helt standardiserade. De bör i princip bli en osynlig företagsinfrastruktur. För att göra detta effektivt skulle jag rekommendera att företag bygger en intern marknadsplats för återanvändbara agenter så att teamen inte ständigt uppfinner hjulet på nytt.

Dina faktiska affärsarbetsflöden måste dock förbli flexibla, för det är där din unika konkurrensfördel ligger. Just nu är den största risken inte underanpassning, utan överanpassning. När varje AI‑implementering blir ett högst unikt, isolerat ingenjörsprojekt blir skalning en mardröm och underhållskostnaderna skjuter i höjden. Målet bör vara att bygga en repeterbar förmåga. Du standardiserar en solid grund och ger sedan dina team de byggklossar de behöver för att snabbt anpassa den till sina egna behov. Förmågan att utnyttja och återanvända AI‑kapabiliteter blir en nyckeldifferentiator, som påskyndar antagandet och levererar snabbare tid-till‑värde samt starkare avkastning på investeringen.

När agenter får förmågan att fatta beslut och utföra uppgifter, hur bör företag avgöra var autonomi är lämplig och var mänskligt godkännande fortfarande bör vara obligatoriskt? Finns det särskilda affärsfunktioner där du anser att organisationer rör sig för snabbt eller för försiktigt?

När det gäller att ge AI autonomi bör risk alltid styra reglerna, inte bara vad tekniken kan hantera. Att en agent kan köra en process från början till slut betyder inte att du ska klippa bort säkerhetslinan helt. Rutinarbeten som att logga lager eller synkronisera backoffice‑filer är perfekta för full automatisering eftersom de eliminerar stora operativa flaskhalsar. Men så snart ett beslut involverar strikta regler, stora finansiella utlägg eller kritiska kundfrågor, behöver du absolut en människa i loopen.

Just nu ser jag att företag är alltför försiktiga i försörjningskedjor och backoffice‑operationer. De drar i tiden med att automatisera rutinmässiga inköp och fakturamatchning, där agenter redan idag säkert kan spara tid. Å andra sidan går de alldeles för snabbt i kundservice och juridisk efterlevnad, och släpper in autonoma agenter i oförutsägbara kundtvister eller automatiserade avtalsgranskningar utan riktiga skyddsmekanismer. Målet här är ansvarsfull automatisering, inte maximal automatisering.

Allteftersom frontier‑modeller blir billigare och mer kapabla kommer rollen för AI‑tjänsteföretag sannolikt att förändras. Skiftar värdet alltmer bort från att bygga modeller till datainfrastruktur, integration, utvärdering, orkestrering, styrning och omdesign av affärsprocesser kring AI? Vad kommer att särskilja de AI‑tjänsteföretag som förblir värdefulla?

Vi bevittnar en naturlig förskjutning i var värde skapas. För några år sedan var rå datorkraft en stor konkurrensfördel. Idag är den i stort sett en nytta, och AI‑modeller är på väg i samma riktning.

Företag letar inte längre efter större modeller. De vill ha snabbare beslut, högre produktivitet och tydliga affärsresultat. På grund av det har värdet helt flyttats till ekosystemet kring modellen – saker som ren datainfrastruktur, strikt styrning, smart orkestrering och en total omprövning av arbetsflöden för att göra AI praktiskt i skala. Vinnarna kommer inte nödvändigtvis att vara de företag som har den mest sofistikerade tekniken, utan snarare de som kan omvandla teknik till konkreta affärsresultat.

Vi ser också att företag antar ett portföljgrepp för AI. Frontier‑modeller, open‑weight‑modeller och mindre specialiserade modeller har alla en roll beroende på användningsfall, kostnad, latens och styrningskrav. Allteftersom AI mognar kommer framgång att avgöras mindre av vem som bygger motorn och mer av vem som vet hur man använder den i en verksamhet. Det jag kallar ”execution rhythm” kommer i slutändan att skilja vinnarna från resten.

Ser vi flera år framåt, om företag lyckas övervinna dagens problem med data, styrning och integration, hur ser ett AI‑native stort företag egentligen ut? Förväntar du dig att agenter förblir verktyg som anställda använder, eller kommer vi i allt högre grad att se hela arbetsflöden och affärsfunktioner drivna av koordinerade nätverk av AI‑agenter?

Ett AI‑native företag kommer inte bara vara ett traditionellt företag med några extra mjukvaruverktyg. Det blir ett grundläggande omdefinierat företag. Vi har sett liknande skiften under internet‑ och digitaliseringsperioderna, när tekniken förändrade inte bara hur företag opererade utan också hur de var strukturerade. Dessa företag kommer att fungera mycket annorlunda.

Idag är företag organiserade kring människor som utför manuella uppgifter med stöd av mjukvara. I framtiden kan hela arbetsflöden orkestreras av koordinerade nätverk av AI‑agenter, där människor får en allt mer övervakande och strategisk roll. Det är ungefär som när elektriciteten förändrade fabriker. Den eliminerade inte fabriken; den förändrade helt hur den designades och drevs.

I dessa framtida företag kommer agenter kontinuerligt att övervaka verksamheten, flagga möjligheter och hantera rutinmässig verkställighet över olika avdelningar. Det betyder inte att människor försvinner, våra jobb blir bara mycket mer strategiska och övergår helt till omdöme, innovation och relationsbyggande.

Vinnarna blir inte de företag som implementerar flest agenter. Det blir de som bygger den starkaste kombinationen av pålitliga data, domänintelligens och mänsklig tillsyn. Framtiden handlar inte om helt autonoma företag; den handlar om intelligent orkestrerade företag där människor och agenter samarbetar för att nå mål som ingen av dem kan uppnå på egen hand.

Tack för den fantastiska intervjun, läsare som vill veta mer bör besöka Tredence.