Ilan Sade, Prezident divize GenAI & Data ve společnosti Amdocs – Rozhovor

Ilan Sade, Prezident divize GenAI & Data ve společnosti Amdocs, má více než dvě desetiletí zkušeností ve vedení stejné organizace, kdy postupoval od pozice programátora a projektového manažera až po dohled nad velkými globálními dodávkami, produktovou strategií a inovací. Během svého působení vedl kritické divize pokrývající řízení výnosů, digitální a obchodní podpůrné systémy a otevřené síťové iniciativy, které vyvrcholily jeho vedením divize T-Mobile předtím, než se stal vedoucím divize zaměřené na generativní AI a data. Jeho kariéra odráží hluboké znalosti v oblasti telekomunikací, zejména v komplexních fakturačních systémech, platformách pro zákaznickou zkušenost a velkých podnikových transformacích, což jej staví do čela posunu Amdocs směrem k AI-driven operacím a novým generacím datových platforem.

Amdocs je multinárodní softwarová a služba společnost specializující se na řešení pro komunikace, média a digitální poskytovatele služeb, pomáhající jim spravovat vše od fakturace a vztahů se zákazníky až po síťové operace a digitální transformaci. Založená v roce 1982 a působící ve více než 90 zemích, společnost se vyvinula v klíčového poskytovatele infrastruktury pro telekomunikační operátory, nabízející cloud-native platformy, AI-driven analytiku a automatizační nástroje, které umožňují efektivnější poskytování služeb a personalizované zákaznické zkušenosti. Rostoucí zaměření na generativní AI a datové platformy odráží širší průmyslový posun směrem k inteligentním, software-definovaným sítím a plně digitalizovaným zákaznickým ekosystémům.

Působíte ve společnosti Amdocs více než dvě desetiletí, postupujete od pozice vývojáře až po vedení divize GenAI a Data, a dříve jste dohlížel na jednu z nejstrategičtějších partnerství společnosti s T-Mobile. Jak vám tato cesta utvořila perspektivu na to, co je potřeba k tomu, aby se AI dostala z experimentů do produkční fáze v rozsahu telekomunikací?

Ceea ce jsem se naučil za ty roky, je to, že dostat AI do produkční fáze v rozsahu telekomunikací není primárně problém modelu. Je to problém operací. 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 na všech stranách rovnice, od inženýrství až po zákaznickou dodávku a velké operátorské partnerství. Tato zkušenost utvořila můj pohled, že úspěch pochází z kombinace technické excelence a disciplíny provádění. V telekomunikacích musí AI fungovat napříč komplexními prostředími, podporovat skutečné služby a poskytovat měřitelné výsledky. To vyžaduje produkční mentalitu od samého začátku.

Na Mobile World Congress (MWC) byl jasný signál, že telekomunikační společnosti silně investují do pilotních projektů AI, ale mají potíže s jejich provozováním. Z vašeho pohledu, co jsou největší překážky, které brání operátorům v přechodu za hranice experimentů?

Vidím jednu z největších překážek v fragmentaci. Většina operátorů má cenná data a silné použití případů, ale jejich prostředí jsou rozdělena napříč širokým spektrem systémů, týmů a dodavatelů – což činí obtížným propojit výstupy AI s reálnými pracovními postupy. To je zejména pravdivé, když tyto pracovní postupy zahrnují síť, zákaznickou péči a obchodní operace. V důsledku toho AI často zůstává jako bodové řešení místo toho, aby se stalo součástí operačního modelu.

Dále je další překážka, kterou jsem svědkem, důvěra – operátoři nakonec potřebují spolehlivost, správu a jasná ovládání, než mohou integrovat AI do kritických procesů. Pokud například nemohou vysvětlit, proč AI agent vydal rozhodnutí nebo vynutil politiku kolem něj, tato technologie bude držena v pilotním režimu. Pokračování vyžaduje rámec, který kombinuje automatizaci s pozorovatelností, auditorskými a lidskými kontrolami.

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

V rámci telekomunikačního prostoru se agentic AI specificky týká technologie, 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 skutečné operační úkoly.

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

Popisujete budoucnost AI-nativní telekomunikační operace. Jak vypadá v praxi a jak daleko jsme od plně autonomních sítí?

AI-nativní telekomunikační operace vypadají tak, že AI je zabudováno do jádra, jak společnost funguje – ne pouze přidáno na vrchol. V praxi to vypadá jako servisní zajišťovací pracovní postupy, které detekují a řeší problémy, než si jich 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 integrováno do rozhodnutí a provádění, ne pouze do analýz.

Nejsme ještě u plně autonomních sítí a měli bychom být realističtí. Příští roky budou o progresivní autonomii, kdy operátoři automatizují složitější pracovní postupy, zatímco drží lidi v kontrolách nad rozhodnutími s vysokým dopadem. Plná autonomie bude vyžadovat silnější standardy, širší interoperabilitu a pokračující zlepšování spolehlivosti a správy.

Telekomunikační systémy byly historicky fragmentovány napříč Operačními podpůrnými systémy (OSS) a Obchodními podpůrnými systémy (BSS) vrstvami, což činilo obtížným automatizaci koncových pracovních postupů. Jak agentic architektura pomáhá sjednotit tyto domény a umožnit mezioborové pracovní postupy?

Agentic architektura pomáhá zavedením koordinační vrstvy, která může fungovat napříč OSS a BSS bez nutnosti kompletní výměny systémů. 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 kvůli hranicím domén.

Příklad: Pokud existuje síťový problém ovlivňující významného zákazníka, agentic systém může korelovat závadu, vyhodnotit dopad, spustit nápravné kroky a aktualizovat komunikační tok zákazníka paralelně. Takový mezioborový výkon je obtížný s tradiční automatizací, protože každá doména funguje izolovaně. Agentic pracovní postupy pomáhají uzavřít tuto mezeru.

Jedna z zajímavých 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, ale bude většinou lidsky vedená a AI urychlená pro předvídatelnou budoucnost. AI agenti jsou vynikající v rychlosti, rozsahu a rozpoznávání vzorců, zatímco lidské operátory přinášejí úsudek, odpovědnost a kontext. Cílem není odstranit lidi z procesu. Je to nechat lidi soustředit se na rozhodnutí, která vyžadují odborné znalosti, zatímco AI zvládne těžkou operační zátěž.

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

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

Operátoři by měli sledovat metriky, které jsou přímo spojeny s obchodními výsledky, ne pouze technickými výkony. Na straně zákazníků to zahrnuje první kontakt, dobu zpracování, snížení odchodu zákazníků a spokojenost zákazníků. Na straně sítě to zahrnuje průměrnou dobu detekce a průměrnou dobu řešení incidentů, dostupnost služeb a operační efektivitu. Je také důležité měřit přijetí a spolehlivost. Pokud jsou agenci nasazeni, ale týmy jim nedůvěřují, hodnota se neobjeví. CSP by měly sledovat, jak často jsou akceptovány AI doporučení, 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 multiagentní pracovní postupy, které mohou provést komplexní, koncové procesy napříč telekomunikačními prostředími. Jak zajišťujete koordinaci, spolehlivost a správu, když několik AI agentů funguje současně napříč kritickými systémy?

Koordinace začíná jasným orchestrálním modelem. V multiagentním prostředí by měl každý agent mít definované hranice, přístupová práva a kritéria úspěchu. Centrální orchestrální vrstva spravuje sekvenci úkolů, řešení konfliktů a sledování stavu, aby agenci nefungovali proti sobě. To udržuje pracovní postupy předvídatelné, i když zahrnují mnoho systémů.

Spolehlivost a správa vyžadují silná ovládání již od začátku. To zahrnuje vynucení politik, auditní stopy, vysvětlitelnost a reálné monitorování chování agentů. 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 doplňkem – je to základní požadavek.

V nedávném oznámení aOS, Amdocs позиционирует generativní AI jako vývoj ze “sidecar” schopnosti na jádrovou operační vrstvu zabudovanou napříč zákaznickými, síťovými a obchodními procesy. Co se změnilo v posledních 12 až 24 měsících, aby tento posun byl možný dnes?

Několik věcí dospělo současně. Základní modely se významně zlepšily v kvalitě rozumu a použití nástrojů, což je činilo více schopnými v podnikových pracovních postupech. Současně se zlepšilo ekosystém kolem nich, včetně orchestrálních rámců, nástrojů pro pozorovatelnost a kontrolních mechanismů. To učinilo praktickým přechod od izolovaných použití ke koordinovaným operačním pracovním postupům.

Další významnou změnou je organizační připravenost. Operátoři nyní mají jasnější priority kolem AI a silnější tlak na dodání měřitelných výsledků. Už nejsou pouze experimentální, aby se učili. Hledají platformy, které mohou škálovat AI napříč funkcemi se zabezpečením a kontrolou. Tento posun v zralosti na obou technické a obchodní straně je to, co činí tento okamžik odlišným.

Pokud aOS představuje zlomový bod směrem k AI-nativním telekomunikačním operacím, jak vypadá další fáze? Směřujeme k plně autonomním telekomunikačním sítím a jaké výzvy ještě potřebují být vyřešeny, aby se toto stalo realitou?

Další fáze je o škálování z izolované automatizace na koordinovanou autonomii napříč podnikem.pravděpodobně uvidíme více multiagentních pracovních postupů, které propojí zákaznickou péči, servisní operace a síťové týmy v reálném čase. Operátoři mohou přejít z reaktivních operací na prediktivní a proaktivní modely, kde AI může identifikovat rizika brzy a provést nápravné kroky, než problémy eskalují.

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

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