Shane Eleniak, Chief Product Officer at Calix – Interview Series

Shane Eleniak působí jako Chief Product Officer ve společnosti Calix, kde vede strategickou vizi a realizaci platformy a řešení SaaS společnosti, která patří mezi lídry v oboru. S zaměřením na umožnění poskytovatelům komunikačních služeb zjednodušit své podnikání a dodávat výjimečné zkušenosti pro předplatitele, Shane dohlíží na celý životní cyklus produktu – od konceptualizace až po nasazení, které vede na trhu.

Pod jeho vedením společnost Calix upevnila svou pozici jako průkopník v oboru broadbandu, přičemž konzistentně dodává inovativní nástroje, které umožňují poskytovatelům konkurovat a vyhrávat.

Calix je americká technologická společnost, která poskytuje cloudové, softwarové a spravované servisní platformy navržené pro poskytovatele broadbandu a komunikačních služeb. Jeho hlavní nabídka se soustředí na AI-podporovanou broadbandovou platformu, která integruje cloudovou infrastrukturu, data a síťové systémy, aby pomohla poskytovatelům zjednodušit operace, zlepšit zapojení zákazníků a dodávat více personalizovaných digitálních zkušeností. Díky umožnění přechodu poskytovatelů od základních spojovacích služeb k plným “poskytovatelům zkušeností” pomáhá Calix těmto poskytovatelům růst výnosů, zvyšovat loajalitu předplatitelů a podporovat digitální transformaci komunit prostřednictvím pokročilejších a škálovatelnějších broadbandových služeb.

Vaše kariéra zahrnuje více než tři desetiletí v oblasti inženýrství, sítí, cloudových platforem a velkého rozsahu produktového vedení. Jak tyto zkušenosti utvořily váš pohled na to, co skutečně vyžaduje, aby AI vykonával skutečnou práci uvnitř podniků, místo aby zůstala pouze vedlejší experiment?

Začal jsem v tradiční telekomunikaci a síti, kde byla celá hra o datový tok a spolehlivost ve velkém měřítku. Pokud nemůžete dodat čistou a spolehlivou službu, nic, co postavíte na jejím základě, vlastně neznamená nic. Dříve byl telefon na zdi kuchyně, vnitřní kabeláž se nikdy nehýbala a pokud byl tam signál, všechno bylo v pořádku.

Broadband a internet to rozmetaly. Najednou to nebylo jen “zda je to zapnuto?” Byla to Ethernet a poté Wi-Fi, děti na herních konzolích a tabletech, vy na videokonferenci spolupracující na cloudovém spreadsheetu a neustálá mobilita – zařízení uvnitř domu, na dvorku, na fotbalovém stadionu, v kavárně. Zkušenost předplatitele se stala mnohem složitější než binární stav zapnuto/vypnuto a svět poskytovatelů služeb se stal vysoce dynamickým. V tom světě pohled do zrcadla na data – klasické datové sklady a historické zprávy o měsíc později – prostě nestačí. Musíte shromažďovat data, chápat zkušenost a generovat přehledy v reálném čase, protože předplatitelé nyní očekávají, že problémy budou proaktivně vyřešeny, ne v hodinách nebo dnech.

Tato evoluce utvořila, jak přemýšlím o AI. Všichni chtějí umístit AI “nahoře”, stejně jako umístili business inteligenci nebo SaaS na stávající datové jezera. Moje zkušenost říká, že musíte přemýšlet mnohem hlubší a navrhovat pro reálný čas, akční přehled a schopnost učinit včasnou akci.

Pro předplatitele se očekávání vlastně příliš nezměnilo za posledních 25 let. Stále chtějí zabezpečené, spravované připojení, které se zdá jednoduché jako signál – chtějí, aby všechno “prostě fungovalo” bez přemýšlení o všech vrstvách a složitosti a chtějí to všude ve svém životě. Moje kariéra v telekomunikacích a cloudu mě učinila velmi komfortní s touto paradoxy: stavíte extrémně komplexní systémy, abyste mohli abstrahovat vše a dodávat jednoduchou, skvělou zkušenost na okraji. To je přesně, jak přemýšlím o AI, která vykonává skutečnou práci uvnitř jakéhokoliv podniku, nejenom v broadbandu.

V Calix často zdůrazňujete, že operační AI je postaven, ne koupen. Jaké jsou nejčastější chyby, které organizace dělají, když se snaží přidat AI bez přezkoumání, jak práce prochází podnikem?

Pro mě to není o “postaveném versus koupeném”, ale spíše o tom, zda jste ustoupili a podívali se na celý technologický stack. Spousta společností rozhodla, že AI je jednoduše použití některých API pro přístup k LLM, propojení jej do vašeho stacku s obalem a nákup tokenů – pak máte AI strategii. To není, jak tohle funguje.

Příliš mnoho z nás se fascinuje technologií místo výsledku. Viděli jsme tento film dříve. Když se objevily PC, všichni chtěli argumentovat o tom, zda máte 286 nebo 386, kolik paměti má a jaký DOS běží. Dnes nikdo nemůže říct specifikace svého laptopu nebo telefonu a nikdo se o to nestará, dokud to přestane fungovat tak, jak potřebujete. Co záleží, je: dělá mě tato věc efektivnější v mém zaměstnání? To je stejné s AI. Pokud nemůžete to uvázat k reálným pracovním postupům, reálné hodnotě a reálnému ROI, technické specifikace jsou jen hluk.

Jinou velkou chybou je pokus o připojení AI k tomu, co již máte, bez zjištění, co to dělá s vaší architekturou, bezpečnostním modelem a náklady. AI je fundamentální technologie, ne.incrementální funkce. Když ji zacházíte jako incrementální, skončíte s špatnými daty, bezpečnostními problémy, halucinacemi, nekontrolovatelnými náklady nebo spoustou aktivity, která nevyřeší problém pro nikoho.

Nakonec nemůžete ignorovat kontext a důležitost vertikální odbornosti. Akce je vše o kontextu a ten kontext se liší napříč telekomunikacemi, fintech a zdravotnictvím. V Calix jsme začali s hlubokými zkušenostmi v jednom odvětví a postavili vertikální platformu kolem něj. Již rozuměli jsme datům, přehledům, pracovním postupům a kontextu, takže stack mohl odrážet tuto realitu. Většina společností zná své vertikální odvětví zevnitř. Příležitost spočívá v zakódování této znalosti do vertikálního technologického stacku místo spoléhání se na tenkou horizontální vrstvu a generickou AI model, a poté se snažící všechno spojit. Podniky jsou o výsledcích, ne o modelech. Skutečná otázka je, jak tato technologie pomáhá vám dodávat tyto výsledky způsobem, jakým vaše práce proudí.

Vy jste nastínil pětivrstevnou architekturu pro operační AI, která zahrnuje data, znalosti, orchestraci, důvěru a akci. Proč je důležité explicitně oddělit tyto vrstvy a kterou vrstvu podniky nejčastěji podceňují nebo úplně vynechávají?

Po dlouhou dobu byl stack poměrně jednoduchý: data, přehledy, dashboardy, pracovní postupy, lidé. Postavili jste datové sklady, umístili BI na vrchol, vytvořili pracovní postupy a předali tvrdou práci lidem. V agentic světě to nevydrží. Potřebujete data, znalosti, orchestraci, důvěru a akci, protože každá vrstva plní odlišnou funkci.

Viditelná část, o které všichni chtějí mluvit, je akční vrstva – agenti. To je špička ledovce. Co určuje, zda můžete někdy nechat agenti dotknout se skutečných systémů, je všechno “nudné” pod vodou: datové potrubí a čisté data, znalostní vrstva, která vám dává kontext, orchestrace, která koordinuje dynamické pracovní postupy, a důvěrný model, který rozhoduje, co by mělo být povoleno poprvé. Když Titanic potopil, nebyla to malá část, kterou jste viděli, co ho potopilo; byla to obrovská masa ledu pod ním. Operační AI je stejné. Potrubí pod povrchem je to, co vás dělá nebo láme.

Historicky jsme nikdy neošetřovali orchestraci a důvěru jako samostatné vrstvy, protože lidé dělali většinu této práce. Orchestrace znamenala manažery a fronty na lístky; důvěra znamenala uživatelská jména a hesla. Nyní musíte důvěřovat entitám – agentům – aby dělali věci, a musíte koordinovat více agentů v reálném čase kolem dynamických dat. To je úplně jiný designový problém, a proto tyto vrstvy potřebují být explicitní.

Vrstva, kterou většina lidí podceňuje, je důvěra. Spousta organizací si myslí, že zvládají důvěru, protože mají přístupové kontroly – kdo může se přihlásit do kterého systému. Ale skutečná důvěra v agentic světě není “má tento uživatel přístup?” Je to “je tato konkrétní akce vhodná pro tuto osobu nebo tohoto agenta v tomto okamžiku?” To je otázka governance, ne otázka přístupové kontroly. Pokud neuděláte tuto vrstvu explicitní, zůstanete uvězněni v demonstračním světě, protože nikdy nebudete spokojeni s tím, aby agenti dělali skutečnou práci v produkci.

Tak, důvěra je očividně základním částí vaší AI strategie. Jak navrhujete systémy, aby zůstaly automatizované rozhodnutí pozorovatelné, auditable a reverzibilní, zatímco se stále pohybují dostatečně rychle, aby dodávaly obchodní hodnotu?

Musíte začít s nulovou důvěrou. První otázka není “může tento agent technicky udělat tohle?” První otázka je “měla by tato agentka, jménem této osoby, snažit se udělat tohle vůbec?” Pokud je odpověď ne, pak nepokračujte.

Pokud je odpověď ano, přecházíte do ochranných zábran: auditovatelnosti, stopovatelnosti a potřeby lidské smyčky. Náš model spoléhá na důvěrnou vrstvu, která funguje trochu jako dopravní policista na začátku každé interakce: kdo jste, co děláte a proč to děláte? To eliminuje spoustu bezpečnostních problémů, protože nepouštíte agenti, aby běželi a dělali věci a poté doufali, že si to všimnete později.

Alternativou je nechat agenti běžet a poté zvednout poplach, pokud udělají něco špatného. Předpokládáte, že můžete vidět to, vyřešit to, identifikovat to a zastavit to v reálném čase, v tempu a měřítku, ve kterém tyto systémy fungují. To je opravdu těžký problém a je to důvod, proč tolik lidí bojuje – snaží se hledat špatné aktéry v reálném čase místo prevence špatných akcí dopředu.

Navrch toho jsme přidali vrstvené brány. I když agent jedná jménem správné osoby, stále se díváme na relaci a obsah – snaží se otrávit model, zneužít API nebo tlačit něco mimo politiku? Všechno je zabalené v plné pozorovatelnosti, aby jste mohli auditovat, co se stalo, a vrátit to zpět, pokud potřebujete. To je, jak se můžete pohybovat rychle a stále spát klidně.

Mnohé společnosti se daří generovat AI přehledy, ale bojují s tím, aby je přetvořily v akci. Jaké designové rozhodnutí umožnilo Calix tlačit AI přímo do denních pracovních postupů napříč marketingem, operacemi a zákaznickou podporou?

Dlouho předtím, než byla AI hvězdou, v Calix jsme byli posedlí jednou otázkou: co dělá přehled skutečně akčním pro skutečnou osobu v reálné práci? Od roku 2018 jsme pracovali se poskytovateli služeb, abychom pochopili, jak různé osobnosti pracují – co dělá marketér v úterý ráno, co dělá operační tým, když se spustí alarm, co dělají podpůrné týmy, když se předplatitel ozve frustrovaný. To nás donutilo být velmi přesní o tom, které přehledy záležely komu, v jakém kontextu a co “dobrá akce” vypadala.

Takže, když přišla agentic AI, nezačínali jsme od nuly. Již jsme měli reálné systémy generující akční přehledy vázané na konkrétní osobnosti a pracovní postupy. Designová otázka se stala: danou sadou nástrojů a technologického stacku, jak byste re-architektovali tyto stejné pracovní postupy v agentic AI světě, místo aby se snažili vynalézt vše od začátku?

Když spojíte tuto hlubokou znalost osobnosti s agentic AI, můžete postavit dynamické pracovní postupy nad dynamickými daty. Agenti mohou určit v reálném čase, které kroky a které osobnosti potřebují být zapojeny na základě toho, co se děje, místo aby vás nutili tvrdě kódovat stovky rigidních toků v mikro-službách. Pro většinu společností je těžkým problémem nyní udělat reálná rozhodnutí založená na kontextu a poté navrhnout správný pracovní postup kolem toho. Pro nás byla tato část již na místě; jsme již dlouho dělali reálné, osobnost-založené, akční přehledy. Agentic AI je jen nová sada nástrojů na tomto základě.

Vaše platformová vize zahrnuje agent-to-agent (A2A) interoperabilitu a federované AI systémy. Jak se tento přístup liší od tradičních bodových integrací a jak mění způsob, jakým podnikové nástroje spolupracují?

Pokud se podíváte na posledních 20 let, výchozím vzorcem bylo “koupit spoustu SaaS nástrojů a propojit je kolem datové základny”. Každý nový systém znamenal další bodovou integraci, další datový potrubí a další místo, kde se musela smířit pravda. V agentic světě to nevydrží. Chcete, aby data zůstala tam, kam patří, a aby agenti mluvili navzájem přes dobře definované rozhraní.

To je důvod, proč mluvíme o dotyku systému ve dvou vrstvách: MCP ve znalostní vrstvě a A2A ve vrstvách orchestrace a důvěry. MCP je to, jak agenti objevují a používají nástroje a data bez nové vlastnické integrace každý čas. A2A je to, jak agenti koordinují práci navzájem pod jasnými ochrannými zábranami.

Jakmile to máte, spolupráce přestává vypadat jako hromada křehkých konektorů a začíná vypadat jako síť specialistů, kteří se mohou dynamicky spojit kolem skutečné práce. Zde přichází analogie Eisenhowerovy matice. Ne všechno je stejně naléhavé a stejně důležité. Některé práce jsou skutečně časově kritické, některé jsou důležité, ale mohou být naplánovány, některé prostě potřebují být hotovy a některé jsou hluk. S agent-to-agent koordinací sedící na vrstvě důvěry a orchestrace můžete tyto kategorie ošetřit odlišně v měřítku: agenti mohou útočit na naléhavé a důležité problémy, fronty nebo naplánovat důležité, ale ne naléhavé, a udržet nízkou hodnotu rušivých prací od zahlcení všeho ostatního.

To je velmi odlišný svět od “přidání jednoho dalšího konektoru a doufání, že fronta vyprázdní”. Místo toho vidíte důvěryhodné, pečlivě orchestrované dynamické pracovní postupy kolem dynamických událostí a dat, místo zmatku jednorázových integrací, kde všechno křičí na stejnou prioritu.

Jakmile jsou AI agenti povoleni k autonomnímu jednání, governance se rychle stává výzvou. Jak vyvažujete rychlost, odpovědnost a lidskou kontrolu, když AI systémy činí nebo vykonávají rozhodnutí v měřítku?

Chyba, kterou vidím, je, že lidé si myslí, že mohou přidat agentic AI k tomu, co již mají, a nějak se pokusit “vyvážit” rychlost, odpovědnost a lidskou kontrolu poté. Nemůžete. Musíte začít tím, že uznáte, že toto je vertikální technologický stack problém, a úmyslně postavíte důvěrnou vrstvu a orchestraci vrstvu. Bez těchto dvou vrstev se to změní na volnou soutěž – všechno je první-přichází, první-slouží, nebo kdo křičí nejvíce.

Znovu, je to Eisenhowerova matice: ne všechny práce jsou vytvořeny stejně. Důvěra a orchestrace jsou to, jak operationalizujete to v agentic světě. Nechcete, aby každý agent zacházel každou úlohu jako požár; chcete, aby systém věděl, co je skutečně časově kritické, co lze naplánovat a co by mělo být tiše zpracováno na pozadí.

A potom je tu “úzká nad tlustou” část. Spousta společností se mýlí v tom, že větší dopad z AI spočívá v setrvání v širokém měřítku. Jste mnohem lepší, když si vyberete úzký vertikální řez – jeden konkrétní případ použití, jeden soubor pracovních postupů – a postavíte důvěru a orchestraci, kterou potřebujete tam poprvé. Zhubněte ve vertikálu, udělejte to správně, udržte lidi ve smyčce na okrajích a poté expandujte. To je, jak se pohybujete rychle, zůstáváte odpovědní a vyhýbáte se vytváření nepořádku, který nemůžete později rozplést.

Z vašich zkušeností s vedením velkých globálních produktových a inženýrských týmů, jaké organizační nebo kulturní posuny jsou vyžadovány pro to, aby se AI stala trvanlivou podnikovou schopností, spíše než sbírkou nespojených pilotů?

Většina podniků nemá “AI problém”; mají problém se znalostmi a pracovními postupy. První posun je přestat hrát s bodovými řešeními a přesunout se z datových skladů do federovaného znalostního skladu, na který může každý vidět a jednat. Dokud znalosti žijí v silách a AI je jenom třešničkou na vrcholu každé sila, dostanete piloty, ne transformaci.

Odtud musíte být ochotni jít po těžších problémech v konkrétním pořadí. Krok jedna je oddělit hype od reality a přijmout to, co funguje, ne co je nejvíce vidět ve vašem kanálu. Krok dva je re-architektura znalostní vrstvy, aby jste mohli převést data na sdílený, federovaný kontext místo další zprávy pohřbené v systému. Krok tři je re-myslet pracovní postupy kolem této znalosti a skutečné důvěrné vrstvy – většina práce dnes je organizována kolem lidí, dovedností a místních znalostních sil. Pokud nezměníte to, agenti budou jenom dalším nástrojem orbitujícím kolem stejných starých uzlů.

Teprve poté dostanete kulturní posun, který je často nejtěžší. Potřebujete kulturu, ve které se lidé nejsou primárně znepokojeni ztrátou práce, nástrojů nebo identity, ale jsou skutečně nadšení pracovat s novými schopnostmi. To je změna managementu problému, ne technologický problém. To vypadá hodně jako skutečné distribuované vedení: lidé na špičce kopí rozumí pracovním postupům, cítí se v bezpečí, když pojmenovávají tření, a jsou nadšení dát agentům práci na tom.

Pohledem za broadband a telekomunikace, které odvětví, podle vás, jsou nejlépe připravena k přijetí operační, agent-driven AI další, a jaké podmínky je činí připravenými?

Nemyslím si to jako výběr vítězů podle odvětví; myslím to v termínech vzorců. Téměř každé vertikální má stejnou základní výzvu: postavili jste datové sila a funkční sila místo jednoho pohledu napříč třemi životními cykly – zákazník, zaměstnanec a produkt. Ti, kteří jsou připraveni, jsou ti, kteří jsou ochotni vidět to, přiznat, že nemají skutečnou znalostní vrstvu, a opravit to.

Odtud podmínky vypadají bastante podobně bez ohledu na to, zda jste ve zdravotnictví, fintechu, maloobchodě nebo kritické infrastruktuře. Potřebujete komplexní pracovní postupy, kde jsou lidé napjatí, skutečné tření body, které můžete pojmenovat, a dostatek kvalitních dat, aby dali agentům kontext. Pokud můžete mapovat současné pracovní postupy, vidět, kde práce zpomaluje nebo hromadí se, pochopit, které předávky vytvářejí zpoždění, a poté to podpořit federovaným znalostním skladem, agentic AI se stává úžasnou nástrojovou sadou.

V tom světě “připravenost odvětví” se stává otázkou vedení. Jsou lídři společnosti ochotni přesunout se za marketingové nástroje a tenké horizontální dashboardy a místo toho investovat do vertikálního technologického stacku – převést data na znalosti, federovat znalosti, umístit orchestraci a důvěrné rámce na místo a mít upřímné rozhovory o skutečném ROI? Jakékoli společnosti v jakémkoli odvětví, které dělají tuto práci, jsou dobře připraveny pro operační, agent-driven AI; ty, které to nedělají, budou uvízly v přidávání jednoho dalšího nástroje do již hlučného balíku.

Jako enterprise AI evoluce směrem k multi-agent a multi-cloud prostředí, co vypadá dobrá AI architektura pět let od teď, a jaké principy by měli lídři zavázat dnes, aby se vyhnuli přestavbě svých systémů později?

Pět let od teď nebude zajímavá část AI jednotliví agenti nebo modely; bude to agentic pracovní postupy, které umožňují, a obchodní hodnota, kterou tyto pracovní postupy dodávají. Agenti sami přijdou a půjdou. Vrstvy pod nimi – data, znalosti, orchestrace, důvěra a akce – budou pokračovat v evoluci, ale potřeba jich není odcházející.

To je důvod, proč jsem více zaměřen na architekturu než na konkrétní nástroj. Přecházíme z datových skladů do federovaných znalostních skladů, z křehkých bodových integrací do otevřených, vrstvených stacků. V tom světě budete mít agenti běžící v různých cloudech, dotýkající se různých znalostních zdrojů a koordinující se přes dobře definovaná rozhraní – MCP ve znalostní vrstvě, agent-to-agent protokoly ve vrstvách orchestrace a důvěry. Jakmile se technologie zlepšuje, chcete být schopni vyměnit lepší kusy do těchto vrstev bez přestavby celého systému každý čas.

Takže principy pro lídry jsou jednoduché. Nebudujte monoliticky. Navrhněte pro vrstvy, aby data, znalosti, orchestrace, důvěra a akce mohly každá evolucí nezávisle. Navrhněte pro toky, ne funkce, aby jste byli jasně, které pracovní postupy záleží a co “dobré” vypadá v zákaznickém, zaměstnaneckém a produktovém životním cyklu. A navrhněte pro governance na úrovni agenta: předpokládejte nulovou důvěru výchozí, definujte jasná “agentní karty” a použijte orchestraci, aby rozhodla, co je naléhavé, co je důležité a co prostě potřebuje být hotovo. Pokud to uděláte, můžete nechat technologii měnit – jako vždy – bez stálého obav z přestavby.