Jitendra Putcha，Tredence 首席运营官 – 访谈系列

Jitendra Putcha，Tredence 首席运营官，拥有近三十年的技术和运营管理经验，涉及人工智能、数据分析、数字化转型、交付以及企业技术服务。在2026年4月加入 Tredence 之前，他曾担任 Mastech Digital 的首席交付官，作为执行领导团队成员负责战略、转型、P&L 责任以及服务交付。他此前在 LTIMindtree 和 LTI 工作数年，最终担任高级副总裁兼全球数据与 AI 负责人，负责企业 AI 采纳、生成式 AI、AI 代理、数据与分析服务、产品工程以及平台开发。更早之前，Putcha 在 Cognizant 工作近 18 年，历任包括 AI 与分析副总裁及海得拉巴中心负责人等高级职务，工作涵盖全球数据与分析交付、AI 驱动的转型以及跨行业分析能力的规模化。他早期职业生涯曾在 Wipro 和 DSQ Software 任职，奠定了涵盖数据仓库、商业智能、分析以及大规模企业交付的基础。

Tredence 是一家全球数据科学和 AI 解决方案公司，专注于解决其所谓的 AI “最后一英里”问题——即从生成洞察到转化为可衡量的业务成果之间的差距。公司成立于 2013 年，融合行业专长与数据工程、数据科学、机器学习、生成式 AI、AI 代理、云技术以及自主加速器，帮助企业大规模落地 AI。Tredence 表示拥有超过 4,200 名员工，并为零售、快速消费品、技术、电信、医疗保健、旅游、工业等多个行业的公司提供服务。其方法强调将分析和 AI 嵌入真实业务流程，而非止步于模型或仪表盘，具备企业级生成式 AI、多模态与代理系统、负责任 AI、数据现代化以及 AI 治理等能力。

您拥有超过 28 年的企业数据、分析、AI 以及大规模全球交付经验，曾在 Cognizant、LTIMindtree 和 Mastech Digital 担任领导职务，2026 年加入 Tredence 担任首席运营官。是什么吸引您在公司此阶段加入 Tredence？您认为最大的机会是什么，以在企业从实验走向大规模 AI 的过程中，重新塑造一家以 AI 为核心的服务公司运营方式并提供价值？

吸引我加入 Tredence 的是公司脚踏实地的作风。在我的职业生涯中，我见证了众多技术变革，但很少遇到能够将深厚的 AI 专业知识直接与真实业务成果相结合的组织。Tredence 并非仅仅为了谈论 AI 而谈论 AI；它构建能够解决实际企业问题的解决方案。

目前，行业正处于一个令人振奋的拐点。它正从测试阶段迈进，并提出一个艰难的问题：我们如何将 AI 融入日常运营？这正是我们所说的 AI “最后一英里”：弥合生成洞察与确保这些洞察传递到特定人员、流程或决策环节，从而产生有用结果的差距。

这里的机遇不仅在于部署更炫的工具，而是解决执行难题，帮助组织转变思维，并实现可衡量的价值。作为首席运营官，我的职责是守住这一优势。我希望确保在扩大运营规模的同时，保持敏捷性和客户导向，将宏大的 AI 目标转化为实际回报。

我们仍然看到许多企业开展有前景的 AI 试点，却从未转化为有意义的生产系统。审视那些停滞的项目，最常见的失败点是什么？而哪些问题仍被高管低估？

老实说，大多数 AI 试点失败并非技术本身出错，而是我们把 AI 当作强大的发动机，却忘了为其打造整车。可以这么想：即使是世界级的发动机，如果没有清洁燃料、方向盘和驾驶员，也毫无用处。

如果低估了以下三大基石，您的 AI 模型也会像停在车库里的发动机一样束手无策。可信的数据是清洁燃料；若数据杂乱无章，发动机就会堵塞，模型也会输出不可靠的答案。完善的治理是方向盘；缺乏明确的规则和安全防线，团队会因风险顾虑而不敢上路。

最后，明确的业务所有权是驱动因素，也是高管最常低估的环节。如果业务负责人不亲自掌舵、倡导工具并将其直接嵌入团队的日常工作流，项目就难以产出成果。我们必须摆脱“演示陷阱”。成功不在于大量启动试点或收集测试引擎，而在于锁定数据、设定明确的防护线、落实真实的责任，并让 AI 静默地融入企业日常运营。

Tredence 长期将 AI 的“最后一公里”描述为将洞察转化为行动。Agentic AI 可能进一步推进这一点，使软件能够执行决策。当 AI 从推荐行动转为自主执行该行动时，最后一公里的问题会如何变化？

过去，处理 AI 的最后一公里就像使用 GPS 驾驶。屏幕会精确指示何时转弯，但你仍需亲自转动方向盘。Agentic AI 完全颠覆了这一点。现在，汽车基本上是自己在驾驶。

这改变了整个对话。我们不再仅仅试图说服经理相信仪表盘上的图表；我们正在构建可以替我们做决定的可信系统。真正的挑战不再是让人们去看数据，而是要弄清我们愿意把多少控制权交给软件。

对于例行的、低风险的任务，如更新库存日志或清理数据文件，让代理自动运行是显而易见的选择，因为它可以消除常见的企业延迟。但一旦决策涉及重大金融交易、敏感的客户投诉或法律边界，就必须有人随时介入并紧急制止。

归根结底，能够在 Agentic AI 中获胜的公司不仅仅是拥有最智能技术的公司，而是那些能够为软件独立运行的范围以及需要人工判断介入的范围划定清晰界限的组织。

你曾指出，Agentic 企业需要领域上下文、治理和智能执行协同工作。为何仅仅在现有数据堆栈之上放置一个 LLM 或 AI 代理并不足够？需要哪些架构变更？

在企业数据之上部署 LLM，就像雇佣一名聪明的员工并在第一天就让他访问公司所有文档。他们很聪明、很有能力，但仍然不了解你的系统、流程、内部规则和法规是如何运作的。

企业面临类似的挑战，因为它们的环境本身就非常复杂。数据分布在多个系统中，业务规则在多年间悄然演变。除此之外，合规义务因行业和地域而异。要让代理有效运行，它们需要上下文，而不仅仅是信息。

这就是我们将企业 AI 视为三层架构的原因。第一层是可信的数据基础。第二层是领域智能，捕获业务上下文、关系、定义和工作流。第三层是体验层和闭环执行，代理能够在受治理的边界内进行推理和行动。

许多组织在第一层投入巨大，有些已经构建了第二层的要素。然而，真正的机会在于将三层全部连接起来。

没有上下文和治理，即使是最强大的模型也可能生成看似合理却与业务现实不符的答案。企业 AI 并不缺乏智能，它缺乏的是上下文。

“AI 代理”已迅速成为业界最被滥用的词汇之一。从技术角度来看，真正有价值的企业代理与仅连接少数工具和工作流的聊天机器人有何区别？

真正有价值的企业代理的定义更多取决于它能负责任地完成什么，而不是它说话有多流畅。目前，很多被称为“代理”的其实只是接入了少量 API 的聊天机器人。它们可以回答基本问题或触发简单、僵硬的工作流。这很方便，但并未带来变革。

真正的企业代理不仅仅遵循脚本；它理解最终目标，能够在不同选项之间推理，跨多个遗留系统工作，随环境变化而适应，并严格遵守公司的治理规范。我把它看作是搜索引擎与可信运营经理的区别。前者提供信息，后者承担完成任务的责任。

为此，代理需要深度的领域上下文。例如，零售库存代理不能仅查看电子表格，它必须同时了解补货周期、需求模式、服务水平和利润影响。真正的代理与高级聊天机器人的区别不在于聊天界面，而在于领域理解、记忆、推理、后端编排以及内置的问责制。归根结底，企业不需要另一个查看界面，而是需要能够可靠且大规模执行工作的系统。

Tredence 对行业特定 AI，尤其是零售和消费品领域，给予了高度重视。随着基础模型变得更加强大，领域专业知识仍然能够提供优势的空间在哪里？最终，需要多少智能来自对特定行业工作流、术语、约束和经济性的理解？

基础模型已经变得极其强大，但领域专长仍然是原始智能与实际有用性之间的区别。这就像把同一本高水平医学教材交给外科医生、企业律师和零售经理。书中的信息是相同的，但只有真正了解患者、手术室以及工作风险的人才会觉得有价值。

每个行业都有其隐形规则、独特的经济结构、严格的监管以及日常运营约束。例如，在零售业中，虽然 AI 推荐在技术上提升了预测准确性，但如果意外导致货架上大规模缺货，这并不是帮助，而是负担。

当我们将深度领域智能应用于通用模型时，业务成果是巨大的。例如，在 Tredence，我们部署了面向特定领域的解决方案，为客户带来了令人难以置信且经验证的成果。超市预测项目创造了接近 2 亿美元的价值，并将补货匹配率提升至 90% 以上。制造业供应链平台在第一年实现了 1000 万美元的节省。零售工作流现代化将分析师工作量降低了 70%，另一个项目则实现了 1 亿美元的损失削减。

随着基础模型逐渐成为像电力一样的商品化工具，真正的竞争优势完全转向拥有最佳专有上下文和工作流理解能力的企业，以将通用智能转化为精准的业务成果。

在构建可复用的 AI 平台与针对每个企业的特定数据和流程进行定制之间存在矛盾。如何判断哪些应当标准化、哪些应当定制化？过度定制是否最终会成为 AI 扩展的障碍？

在标准平台与定制功能之间找到恰当平衡始终是艰难的抉择。我个人把它比作城市规划。显然必须对道路、电网和供水管线进行标准化，但这并不意味着社区中的每一户住宅都必须完全复制。

同样的原则也适用于 AI。数据安全、治理和监控等方面必须完全标准化，基本上应当成为看不见的企业基础设施。为提升效率，我建议企业建立内部可复用代理的市场，以免各团队不断重复造轮子。

然而，实际的业务工作流必须保持灵活，因为这正是您独特竞争优势所在。目前最大的风险不是定制不足，而是定制过度。当每一次 AI 部署都变成高度独特、孤立的工程项目时，规模化将变成噩梦，维护成本也会飙升。目标应是构建可重复使用的能力。先标准化坚实的基础，然后为团队提供能够快速适配自身需求的模块。能够驾驭并复用 AI 能力将成为关键差异化因素，加速采纳并实现更快的价值实现和更强的投资回报率。

随着代理具备决策和执行任务的能力，企业应如何确定哪些场景适合自主，哪些场景仍需人为批准？是否有特定的业务职能您认为组织在推进时过于急速或过于谨慎？

在赋予 AI 自主权时，风险应始终决定规则，而不仅仅是技术能够处理的范围。仅因为代理能够从头到尾执行一个流程，并不意味着可以完全切断安全绳。日常的例行任务，如记录库存或同步后台文件，非常适合全自动化，因为它们能消除巨大的运营瓶颈。但一旦决策涉及严格监管、重大财务支出或高风险的客户问题，就必须有人参与。

目前，我看到企业在供应链和后台运营方面过于保守。他们在自动化例行采购和发票匹配上动作迟缓，而这些正是代理今天可以安全节省时间的领域。相反，在客服和法律合规方面，他们又进展过快，将自主代理匆忙投入不可预测的客户纠纷或自动化合同审查，缺乏真正的防护措施。这里的目标是负责任的自动化，而非极致的自动化。

随着前沿模型变得更便宜且更强大，AI 服务公司的角色可能会发生变化。价值是否正日益从模型构建转向数据架构、集成、评估、编排、治理以及围绕 AI 重塑业务流程？哪些因素将使仍具价值的 AI 服务公司脱颖而出？

我们正目睹价值创造的自然转变。几年前，原始计算基础设施是重要的竞争优势。如今，它已基本成为一种公用事业，AI 模型也正快速走向同样的方向。

企业不再追求更大的模型。他们希望更快的决策、更高的生产力以及明确的业务成果。正因为如此，价值已完全转移到围绕模型的生态系统——诸如干净的数据架构、严格的治理、智能编排，以及彻底重新思考工作流，使 AI 在规模上真正实用。胜出者不一定是技术最先进的公司，而是能够将技术转化为具体业务成果的企业。

我们也看到企业对 AI 采用组合式策略。前沿模型、开源权重模型以及更小的专用模型，都根据使用场景、成本、延迟和治理需求各有用武之地。随着 AI 成熟，成功将更多取决于谁会将引擎付诸业务实践，而不是谁构建了引擎。我所说的“执行节奏”最终会把胜者与其他人区分开来。

展望未来几年，如果企业成功克服当下的数据、治理和集成难题，AI 原生的大型公司到底会是什么样子？你是否预期代理仍然是员工使用的工具，还是会越来越多地看到整个工作流和业务职能由协同的 AI 代理网络来运行？

AI 原生企业不会仅仅是传统公司加上一些软件工具。它将是根本性重新构想的企业。我们在互联网和数字时代已经看到类似的转变，当时技术不仅改变了企业的运营方式，也改变了其组织结构。这些公司将以截然不同的方式运作。

如今，企业围绕使用软件支持的人工手工任务组织。未来，整个工作流可能由协同的 AI 代理网络编排，而人类则承担日益增多的监督和战略角色。这就像电力改变了工厂一样。电力并未消除工厂，而是彻底改变了工厂的设计和运作方式。

在这些未来的公司中，代理将持续监控运营，发现机会，并在不同部门之间处理日常执行。这并不意味着人类会消失，我们的工作只会变得更加战略化，完全转向判断、创新和关系建立。

胜出者不会是部署最多代理的公司，而是构建出可信数据、领域智能和人工监督最强组合的企业。未来并非完全自主的企业，而是智能编排的企业——人类与代理协同工作，达成单独一方无法实现的目标。

感谢精彩的访谈，想了解更多的读者请访问 Tredence。