Ilan Sade, Division President, GenAI & Data at Amdocs – Interview Series

Ilan Sade, Division President, GenAI & Data at Amdocs brings více než dvě desetiletí vedení uvnitř stejné organizace, rostoucí z raných technických pozic jako programátor a projektový manažer až po dohled nad velkými globálními dodávkami, produktovou strategií a inovacemi. Během svého působení vedl kritické divize pokrývající řízení výnosů, digitální a obchodní podpůrné systémy a iniciativy otevřených sítí, které vyvrcholily jeho vedením divize T-Mobile předtím, než přešel do své současné pozice zaměřené na generativní AI a data. Jeho kariéra odráží hlubokou odbornou znalost v oblasti telekomunikací, zejména v komplexních fakturačních systémech, platformách zákaznické zkušenosti a transformacích velkých podniků, čímž se umístil na čelo posunu Amdocs směrem k AI-poháněným operacím a platformám nové generace.

Amdocs je multinárodní softwarová a servisní společnost specializující se na řešení pro poskytovatele komunikací, médií a digitálních služeb, pomáhající jim spravovat vše od fakturace a vztahů se zákazníky až po síťové operace a digitální transformaci. Založena v roce 1982 a působící v více než 90 zemích, společnost se vyvinula v klíčového poskytovatele infrastruktury pro telekomunikační operátory, nabízející cloud-native platformy, AI-poháněnou analytiku a automatizační nástroje, které umožňují efektivnější dodávku služeb a personalizovanou zákaznickou zkušenost. Rostoucí zaměření na generativní AI a datové platformy odráží širší průmyslový posun směrem k inteligentním, software-definovaným sítím a plně digitalizovaným zákaznickým ekosystémům.

Vy jste strávil více než dvě desetiletí v Amdocs, rostoucí z vývojáře až po vedení divize GenAI a Data, a dříve dohlížel na jednu z nejstrategičtějších partnerství společnosti s T-Mobile. Jak vás tato cesta formovala ve vašem pohledu na to, co skutečně potřebujete k přesunu AI z experimentů do produkce v telekomunikačním měřítku?

Co jsem se naučil za ty roky, je, že přesunutí AI do produkce v telekomunikačním měřítku není primárně problém modelu. Je to operační problém. Potřebujete správné datové základy, silnou integraci do stávajících systémů, jasnou odpovědnost a týmy, které znají, jak provozovat AI jako součást denních obchodních procesů. Pokud chybí některá z těchto částí, pilotní projekty mohou vypadat působivě, ale neškálovat.

Moje cesta v Amdocs mi poskytla expozici všech stran rovnice, od inženýrství až po zákaznickou dodávku a velké operátorské partnerství. Tato zkušenost formovala můj názor, že úspěch přichází z kombinace technické excelence a disciplíny výkonu. V telekomunikačním průmyslu musí AI fungovat napříč komplexními prostředími, podporovat skutečné úrovně služeb a dodávat měřitelné výsledky. To vyžaduje produkční mentalitu od prvního dne.

Na Mobile World Congress (MWC) byl jasný signál, že telekomunikační společnosti silně investují do pilotních projektů AI, ale zápasí s jejich operacionalizací. Z vašeho pohledu, co jsou největší blokační body, které brání operátorům v přesunu za hranice experimentů dnes?

Jeden z největších blokačních bodů, které vidím, je fragmentace. Většina operátorů má cenná data a silné použití případů, ale jejich prostředí je rozděleno napříč širokým spektrem systémů, týmů a dodavatelů – což ztěžuje spojení výstupů AI s reálnými pracovními postupy. To je zvláště pravdivé, když tyto pracovní postupy zahrnují síť, zákaznickou péči a obchodní operace. Jako výsledek, AI často zůstává bodovým řešením místo toho, aby se stalo součástí operačního modelu.

Kromě toho je další blokační bod, který jsem svědkem, důvěra – operátoři nakonec potřebují spolehlivost, správu a jasnou kontrolu, než mohou integrovat AI do kritických procesů. Například, pokud nemohou vysvětlit, proč AI agent udělal rozhodnutí nebo vynutil politiku kolem něj, tato technologie zůstane v pilotním režimu. Pokročení vyžaduje rámec, který kombinuje automatizaci s pozorovatelností, audibilitou a lidským dohledem.

Amdocs позиционирует aOS jako “agentic operating system”. Jak definujete agentic AI v kontextu telekomunikací a jak se liší od dřívějších AI-poháněných automatizačních přístupů?

V rámci telekomunikačního prostoru se agentic AI specificky vztahuje na technologii, která může pochopit cíle, naplánovat úkoly, provést akce napříč několika systémy a přizpůsobit se podle výsledků. Místo toho, aby pouze generovala obsah nebo předpovídala výsledky, agenci mohou provést pracovní postupy od začátku do konce. Mohou rozumět kontextu, spolupracovat s jinými agenty a fungovat v rámci hranic správy, aby dokončili reálné operační úkoly.

To je zásadně odlišné od dřívější automatizace, která byla většinou založena na pravidlech a statická. Tradiční automatizace fungovala dobře pro opakující se úkoly ve stabilních prostředích, ale zápasila s komplexitou a výjimkami. Agentic AI může zvládnout dynamické situace, naučit se z feedbacku a koordinovat napříč doménami.

Vy jste popsal budoucnost AI-poháněných telekomunikačních operací. Jak vypadá to v praxi a jak daleko jsme od plně autonomních sítí?

AI-poháněné telekomunikační operace vypadají jako AI, která je zabudována do jádra, jak podnik funguje – ne jen přidána na vrchol. V praxi to vypadá jako servisní pracovní postupy, které detekují a řeší problémy, než si zákazníci všimnou, zákaznické péče, které jsou personalizované a proaktivní, a síťové operace, které neustále optimalizují výkon na základě reálných podmínek. Klíčem je, že AI je integrována do rozhodnutí a výkonu, ne jen analýz.

Neníme ještě u plně autonomních sítí a měli bychom být realističtí ohledně toho. Příští několik let bude o progresivní autonomii, kde operátoři automatizují složitější pracovní postupy, zatímco drží lidi ve kontrole high-impact rozhodnutí. Plná autonomie bude vyžadovat silnější standardy, širší interoperabilitu a pokračující zlepšování spolehlivosti a správy.

Telekomunikační systémy byly historicky fragmentovány napříč Operations Support Systems (OSS) a Business Support Systems (BSS) vrstvami, což ztěžovalo koncovou automatizaci. Jak agentic architektura pomáhá sjednotit tyto domény a umožnit cross-funkční pracovní postupy?

Agentic architektura pomáhá zavedením koordinační vrstvy, která může fungovat napříč OSS a BSS bez nutnosti kompletní náhrady systému. Agenci mohou se připojit k existujícím platformám prostřednictvím API, pochopit kontext obchodního cíle a poté orchestrovat správnou sekvenci akcí napříč síťovými, servisními a zákaznickými systémy. To umožňuje operátorům automatizovat pracovní postupy, které dříve nefungovaly na hranicích domén.

Například, pokud existuje síťový problém, který ovlivňuje high-value podnikového zákazníka, agentic systém může korelovat závadu, vyhodnotit dopad, spustit nápravná opatření a aktualizovat zákaznickou komunikaci současně. Takový cross-funkční výkon je obtížný s tradiční automatizací, protože každá doména funguje v izolaci. Agentic pracovní postupy pomáhají uzavřít tuto mezeru.

Jedna z interessantních aspektů agentic systémů je spolupráce mezi AI agenty a lidskými operátory. Kde vidíte rovnováhu mezi automatizací a lidským dohledem v telekomunikačních prostředích?

Rovnováha mezi AI agenty a lidskými operátory bude vždy záviset na konkrétním použití případu, ale bude většinou lidsky vedená a AI urychlená pro předvídatelnou budoucnost. AI agenci jsou vynikající v rychlosti, měřítku a rozpoznávání vzorců, zatímco lidské operátory přinášejí úsudek, odpovědnost a kontext. Cílem není odstranit lidi z cyklu. Je to nechat lidi soustředit se na rozhodnutí, která vyžadují odborné znalosti, zatímco AI zpracovává těžkou operační zátěž.

V praxi to znamená stanovení jasných prahů pro autonomní akce a eskalační cesty pro výjimky. Nízkorizikové, opakující se úkoly mohou být automatizovány s minimálním dohledem, zatímco high-impact rozhodnutí by vždy měla zahrnovat lidské schválení. Tento přístup buduje důvěru a pomáhá operátorům škálovat AI bezpečně napříč kritickými prostředími.

Existuje mnoho hype kolem generativní AI, ale telekomunikační operátoři jsou nakonec zaměřeni na ROI. Jaké jsou nejimportnější metriky, které by měly CSP sledovat, aby určily, zda AI nasazení skutečně dodávají hodnotu?

Operátoři by měli sledovat metriky, které jsou přímo vázané na obchodní výsledky, ne jen technický výkon. Na zákaznické straně to zahrnuje první kontakt řešení, průměrnou dobu zpracování, snížení fluktuace a zákaznické spokojenosti. Na síťové straně to zahrnuje střední dobu k detekci a střední dobu k řešení incidentů, dostupnost služeb a operační efektivitu.

Je také důležité měřit přijetí a spolehlivost. Pokud jsou agenci nasazeni, ale týmy je nevěřují, hodnota se neobjeví. CSP by měly sledovat, jak často jsou AI doporučení přijata, jak často pracovní postupy dokončují úspěšně a jak často je vyžadováno lidské zásah. ROI pochází z udržitelného operačního dopadu, ne izolovaných pilotních výsledků.

aOS zdůrazňuje multi-agent pracovní postupy, které mohou provést komplexní, koncové pracovní postupy napříč telekomunikačními prostředími. Jak zajišťujete koordinaci, spolehlivost a správu, když několik AI agentů funguje současně napříč kritickými systémy?

Koordinace začíná jasným orchestrálním modelem. V multi-agentním prostředí by každý agent měl definované, přístupové hranice a kritéria úspěchu. Centrální orchestrální vrstva spravuje sekvenci úkolů, řešení konfliktů a sledování stavu, aby agenci nefungovali v rozporu. To udržuje pracovní postupy předvídatelné, i když zahrnují mnoho systémů.

Spolehlivost a správa vyžadují silné kontroly navržené od začátku. To zahrnuje vynucení politik, auditní stopy, vysvětlitelnost a reálné monitorování chování agenta. To také znamená mít záložní mechanismy, aby pracovní postupy mohly bezpečně pozastavit, eskalovat nebo vrátit se zpět, pokud se něco neočekávaného stane. V kritických telekomunikačních systémech je správa více než přidání – je to základní požadavek.

V nedávném aOS oznámení, Amdocs позиционирует generativní AI jako vývoj od “sidecar” schopnosti do jádra operační vrstvy zabudované napříč zákaznickými, síťovými a obchodními procesy. Co se změnilo v posledních 12 až 24 měsících, aby tento posun byl možný dnes?

Několik věcí dospělo ve stejnou dobu. Základové modely se významně zlepšily v kvalitě rozumu a použití nástrojů, což je učinilo více schopnými v podnikových pracovních postupech. Ve stejnou dobu se ekosystém kolem nich zlepšil, včetně orchestrálních rámců, nástrojů pro pozorovatelnost a kontrolních mechanismů. To učinilo praktické přesunout se z izolovaných použití případů na koordinované operační pracovní postupy.

Další velkou změnou je organizační připravenost. Operátoři nyní mají jasnější priority kolem AI a silnější tlak na dodání měřitelných výsledků. Nyní již neexperimentují pouze za účelem učení. Hledají platformy, které mohou škálovat AI napříč funkcemi se zabezpečením a kontrolou. Tento posun v zralosti na obou technických a obchodních stranách je to, co dělá tento okamžik odlišným.

Pokud aOS reprezentuje zlomový bod směrem k AI-poháněným telekomunikačním operacím, co vypadá další fáze? Směřujeme k plně autonomním telekomunikačním sítím a jaké výzvy ještě potřebují být vyřešeny, než se stane realitou?

Další fáze je o škálování z izolované automatizace na koordinovanou autonomii napříč podnikem. Pravděpodobně uvidíme více multi-agentních pracovních postupů, které spojují zákaznickou péči, servisní operace a síťové týmy v reálném čase. Operátoři mohou přesunout od reaktivních operací k prediktivním a proaktivním modelům, kde AI může identifikovat rizika brzy a provést nápravná opatření, než problémy eskalují.

Plně autonomní sítě jsou dlouhodobým cílem, ale existují ještě důležité výzvy, které je třeba vyřešit. Potřebujeme silnější interoperabilitu napříč dodavatelskými ekosystémy, více robustní standardy správy a pokračující pokrok v spolehlivosti a vysvětlitelnosti. Nejvíce potřebujeme důvěru, že autonomní systémy mohou fungovat bezpečně v reálných podmínkách. Cesta vpřed bude inkrementální, s jasnými kontrolami na každém kroku.

Děkuji za skvělý rozhovor, čtenáři, kteří si přejí dozvědět se více, by měli navštívit Amdocs.