Rozhovory
Shane Eleniak, produktový ředitel společnosti Calix — série rozhovorů

Klíčové bodyCalix vytvářel akční poznatky pro konkrétní persony roky před příchodem agentivní umělé…
Zobrazit více
- Calix vytvářel akční poznatky pro konkrétní persony roky před příchodem agentivní umělé inteligence.
- Většina podniků selhává v oblasti umělé inteligence, protože ignoruje vrstvu důvěry potřebnou pro autonomní rozhodování.
- Organizace musí přearchitekturovat znalosti do federovaného úložiště, nejen přidávat umělou inteligenci do izolovaných systémů.
Shane Eleniak působí jako Chief Product Officer ve společnosti Calix, kde určuje strategickou vizi a řídí rozvoj špičkové platformy a SaaS řešení společnosti. Shane se zaměřuje na to, aby poskytovatelé komunikačních služeb mohli zjednodušit podnikání a nabízet zákazníkům výjimečné služby, a dohlíží na celý životní cyklus produktu – od koncepce po zavádění předních řešení na trh.
Pod jeho vedením se Calix upevnil jako průkopník v oblasti širokopásmového připojení, přičemž pravidelně dodává inovativní nástroje, které umožňují poskytovatelům soutěžit a vyhrávat.
Calix je americká technologická společnost, která poskytuje cloudové a softwarové platformy a platformy spravovaných služeb pro poskytovatele širokopásmového a komunikačního připojení. Její hlavní nabídka se soustředí na platformu pro širokopásmové připojení s umělou inteligencí, která integruje cloudovou infrastrukturu, data a síťové systémy, aby pomohla poskytovatelům zjednodušit operace, zlepšit zapojení zákazníků a poskytovat více personalizovaných digitálních zkušeností. Díky umožnění přechodu poskytovatelů od základních služeb připojení k plným “poskytovatelům zkušeností” pomáhá Calix zvyšovat jejich příjmy, zvyšovat loajalitu předplatitelů a podporovat digitální transformaci komunit prostřednictvím pokročilejších a škálovatelnějších služeb širokopásmového připojení.
Vaše kariéra zahrnuje více než tři desetiletí v oblasti inženýrství, sítí, cloudových platforem a produktového řízení ve velkém měřítku. Jak tyto zkušenosti ovlivnily váš pohled na to, co je skutečně potřeba, aby umělá inteligence vykonávala reálnou práci v podnicích, a ne pouze jako vedlejší experiment?
Začal jsem v tradiční telekomunikaci a síťové technice, 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 kuchyňské zdi, vnitřní kabeláž se nikdy nehnula a pokud se ozýval oznamovací tón, všechno bylo v pořádku.
Širokopásmové připojení a internet to všechno změnily. Najednou to nebylo jen “je to zapnuto?” Ale Ethernet a poté Wi-Fi, děti na herních konzolích a tabletech, vy spolupracující na cloudové tabulce během hovoru přes Zoom 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 pro poskytovatele se stal vysoce dynamickým. V tomto světě zpětný pohled na data – klasické datové sklady a historické zprávy o měsíc později – prostě nestačí. Musíte shromažďovat data, rozumět zkušenosti a generovat poznatky v reálném čase, protože předplatitelé nyní očekávají, že problémy budou proaktivně vyřešeny, ne v hodinách nebo dnech.
Tato evoluce ovlivnila, jak přemýšlím o umělé inteligenci. Většina lidí chce umístit umělou inteligenci “nahoře”, stejně jako umisťují business intelligence nebo SaaS na stávající datová jezera. Moje zkušenosti říkají, že musíte přemýšlet mnohem hlouběji než to a navrhovat systémy pro prakticky využitelné poznatky v reálném čase a pro schopnost včas jednat.
Pro předplatitele se očekávání příliš nezměnilo za posledních 25 let. Stále chtějí zabezpečené, spravované připojení, které se zdá stejně jednoduché jako oznamovací tón – 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 velmi seznámila s touto paradoxní situací: stavíte extrémně komplexní systémy, abyste mohli všechny tyto vrstvy a složitost abstrahovat a dodat jednoduchou, skvělou zkušenost na okraji. To je přesně, jak přemýšlím o umělé inteligenci, která funguje uvnitř podniků, a to nejen v oblasti širokopásmového připojení.
V Calixu často zdůrazňujete, že provozní umělá inteligence se staví, nikoli kupuje. Jaké jsou nejčastější chyby, kterých se organizace dopouštějí, když se snaží přidat umělou inteligenci bez přehodnocení toho, jak práce prochází podnikem?
Pro mě to není tolik o “postaveném versus koupeném”, ale spíše o tom, zda jste získali odstup a podívali se na celý technologický stack. Mnohé společnosti se rozhodly, že umělá inteligence je prostě použití některých API pro přístup k LLM, zapojení do svého stacku s obalem a nákup tokenů – a pak jste měli strategii pro umělou inteligenci. To není to, jak to funguje.
Velmi nás fascinuje technologie místo výsledku. Viděli jsme tento film dříve. Když se objevily osobní počítače, každý chtěl diskutovat o tom, zda máte 286 nebo 386, kolik paměti má a jakou verzi DOS používá. Dnes už nikdo nemůže říct, jaké jsou specifikace jejich notebooku nebo telefonu, a nikdo se o to nezajímá, dokud zařízení nepřestane dělat to, co potřebují. Co je důležité, je: dělá mě tato věc efektivnější v mé práci? To je stejné s umělou inteligencí. Pokud ji nemůžete navázat k reálným pracovním postupům, reálné hodnotě a reálnému ROI, technické specifikace jsou jen hluk.
Jinou velkou chybou je pokus o přidání umělé inteligence k tomu, co již máte, bez zjištění, co to dělá s vaší architekturou, modelem zabezpečení a náklady. Umělá inteligence je fundamentální technologie, nikoli jen postupné vylepšení funkcí. Když s ní zacházíte jako s přidanou funkcí, skončíte se špatnými daty, problémy se zabezpečením, halucinacemi, nekontrolovatelnými náklady nebo mnoha aktivitami, které nevyřeší žádný problém pro nikoho.
Nakonec nemůžete ignorovat kontext a důležitost vertikální odbornosti. Jednání zcela závisí na kontextu a tento kontext se liší napříč telekomunikacemi, fintech a zdravotnictvím. V Calixu jsme začali s hlubokými zkušenostmi v jednom odvětví a postavili vertikální platformu kolem něj. Již jsme rozuměli datům, poznatkům, pracovním postupům a kontextu, takže stack mohl odrážet tuto realitu. Většina společností zná své vertikální odvětví zevnitř. Příležitost spočívá v zakódování této znalosti do vertikální technologické platformy, místo aby se spoléhaly na tenkou horizontální vrstvu a generický model umělé inteligence a poté se snažily všechno spojit. Podniky jsou o výsledcích, ne o modelech. Skutečná otázka je, jak tato technologie pomáhá dodávat tyto výsledky způsobem, jakým procházíte svými pracovními postupy.
Vy jste nastínil pětivrstvou architekturu pro provozní umělou inteligenci, která zahrnuje data, znalosti, orchestraci, důvěru a akci. Proč je důležité explicitně oddělit tyto vrstvy a která z nich podniky nejčastěji podceňují nebo úplně vynechávají?
Po dlouhou dobu byl stack poměrně jednoduchý: data, poznatky, dashboardy, pracovní postupy, lidé. Postavili jste datové sklady, umístili business intelligence na vrchol, vytvořili enginy pracovních postupů a předali tvrdou práci lidem. Ve světě agentní AI to nefunguje. 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 rozhoduje, zda můžete někdy dovolit agentům zasahovat do skutečných systémů, jsou všechny ty “nudné” věci pod hladinou: datové potrubí a čistá data, vrstva znalostí, která vám dává kontext, orchestrace, která koordinuje dynamické pracovní postupy, a model důvěry, který rozhoduje, co by mělo být povoleno. Když se Titanic potopil, nebyla to malá část, kterou jste viděli, která ho potopila; byla to obrovská masa ledu pod hladinou. Provozní umělá inteligence je stejná. Infrastruktura pod povrchem rozhoduje o úspěchu či neúspěchu.
Historicky jsme nikdy neřešili orchestraci a důvěru jako samostatné vrstvy, protože lidé dělali většinu této práce. Orchestrace znamenala manažery a fronty tiketů; 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. Mnoho organizací si myslí, že zvládají důvěru, protože mají kontrolu přístupu – kdo se může přihlásit do kterého systému. Ale skutečná důvěra ve světě agentní AI není “má tento uživatel přístup?” Je to “je tato konkrétní akce vhodná pro tuto osobu nebo tohoto agenta v tomto okamžiku?” To je otázka řízení, ne otázka kontroly přístupu. Pokud neuděláte tuto vrstvu explicitní, zůstanete uvězněni v demo světě, protože nikdy nebudete spokojeni s tím, že agenti dělají skutečnou práci v produkci.
Takže důvěra je zjevně základem vaší strategie pro umělou inteligenci. Jak navrhujete systémy, aby zůstaly automatizovaná rozhodnutí pozorovatelná, auditovatelná a reverzibilní, zatímco se pohybují dostatečně rychle, aby dodaly obchodní hodnotu?
Musíte začít s nulovou důvěrou. První otázka není “může tento agent technicky udělat tohle?” První otázka je “měl by se tento agent jménem této osoby o tuto činnost vůbec pokoušet?” Pokud je odpověď ne, pak nepokračujte.
Pokud je odpověď ano, přecházíte k bezpečnostním mantinelům: auditovatelnosti, sledovatelnosti a potřebě zapojení člověka. Náš model spoléhá na vrstvu důvěry, která funguje trochu jako dopravní policista na začátku každé interakce: kdo jste, co děláte a proč to děláte? To eliminuje mnoho problémů se zabezpečením, protože nenecháváte agenty volně jednat s nadějí, že si případných problémů všimnete až poté.
Alternativou je nechat agenty volně jednat a poté vyhlásit 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 velmi obtížný problém a je to důvod, proč tolik lidí bojuje – snaží se hledat špatné aktéry v reálném čase místo prevence špatných akcí dopředu.
Navíc jsme přidali vrstvené brány. I když agent jedná jménem správné osoby, stále se díváme na relaci a obsah – zda se snaží otrávit model, zneužít API nebo tlačit něco mimo politiku. Vše je zabaleno do plné pozorovatelnosti, abyste mohli auditovat, co se stalo, a vrátit se zpět, pokud je to potřeba. To je způsob, jakým můžete rychle postupovat a zároveň spát klidně.
Mnohým společnostem se daří generovat poznatky z umělé inteligence, ale mají problémy s tím, aby je převedly do akce. Jaká návrhová rozhodnutí umožnila Calixu tlačit umělou inteligenci přímo do denních pracovních postupů napříč marketingem, operacemi a zákaznickou podporou?
Dlouho předtím, než byla umělá inteligence hvězdou show, jsme v Calixu byli posedlí jednou otázkou: co dělá poznatek skutečně akčním pro skutečného člověka při skutečné práci? Od roku 2018 pracujeme s poskytovateli služeb, abychom pochopili, jak různé osoby pracují – co dělá marketér v úterý ráno, co dělá operační tým, když se spustí alarm, co dělá podpůrný tým, když se předplatitel ozve frustrovaný. To nás donutilo být velmi přesní ohledně toho, které poznatky záležely komu, v jakém kontextu a jak vypadá “správné jednání”.
Takže, když přišla agentní umělá inteligence, nezačínali jsme od nuly. Již jsme měli systémy, které v reálném čase vytvářely prakticky využitelné poznatky spojené se specifickými osobami a pracovními postupy. Designová otázka se stala: danou sadou nástrojů a technologického stacku, jak byste přepracovali tytéž pracovní postupy ve světě agentní AI, místo aby se snažili vynalézt vše od začátku?
Když spojíte tuto hlubokou znalost osob s agentní umělou inteligencí, můžete postavit dynamické pracovní postupy nad dynamickými daty. Agenti mohou v reálném čase určit, které kroky a které osoby potřebují být zapojeny na základě toho, co se děje, místo aby vás nutili pevně kódovat stovky rigidních toků v mikroslužbách. Pro většinu společností je obtížný problém právě teď činit rozhodnutí v reálném čase na základě kontextu a navrhnout správný pracovní postup kolem toho. U nás už tento základ existoval: po léta jsme v reálném čase poskytovali prakticky využitelné poznatky navázané na konkrétní pracovní role. Agentní umělá inteligence je jen nová sada nástrojů nad touto základnou.
Vaše vize platformy zahrnuje agent-to-agent (A2A) interoperabilitu a federované systémy umělé inteligence. Jak tento přístup mění spolupráci podnikových nástrojů oproti tradičním bodovým integracím?
Pokud se podíváte na posledních 20 let, defaultní vzorec byl “koupit spoustu SaaS nástrojů a propojit je kolem datového jezera”. Každý nový systém znamenal další bodovou integraci, další datový potok a další místo, kde se musela sjednotit pravda. Ve světě agentní AI to nefunguje. Chcete, aby data zůstala tam, kam patří, a aby agenti mluvili mezi sebou přes dobře definované rozhraní.
To je důvod, proč mluvíme o propojení systému ve dvou vrstvách: MCP na úrovni znalostí a A2A na úrovni orchestrace a důvěry. MCP je to, jak agenti objevují a používají nástroje a data bez nutnosti pokaždé vytvářet novou integraci na míru. A2A je to, jak agenti koordinují práci mezi sebou v rámci jasných bezpečnostních mantinelů.
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 lze je naplánovat, některé prostě potřebují být vyřešeny a některé jsou hluk. S agent-to-agent koordinací nad vrstvou důvěry a orchestrace můžete tyto kategorie lépe řešit ve velkém měřítku: agenti mohou spojit síly při řešení naléhavých a důležitých problémů, důležité, ale nenaléhavé úkoly zařadit do fronty nebo naplánovat a zabránit tomu, aby málo hodnotná rutinní práce vytlačovala vše ostatní.
To je velmi odlišný svět od “přidání jednoho dalšího konektoru a doufání, že se fronta vyprázdní”. Místo toho vidíte důvěryhodné, pečlivě orchestrované dynamické pracovní postupy kolem dynamických událostí a dat, místo spleti jednorázových integrací, kde všechno křičí na stejnou prioritu.
Jakmile jsou agenti umělé inteligence povoleni k autonomnímu jednání, řízení se rychle stává výzvou. Jak vyvažujete rychlost, odpovědnost a lidský dohled, když systémy umělé inteligence činí nebo vykonávají rozhodnutí ve velkém měřítku?
Chyba, kterou vidím, je, že lidé si myslí, že mohou přidat agentní umělou inteligenci k tomu, co již mají, a nějakým způsobem se pokusit “vyvážit” rychlost, odpovědnost a lidský dohled dodatečně. Nemůžete. Musíte začít tím, že uznáte, že toto je vertikální technologický problém, a úmyslně postavit vrstvu důvěry a orchestrace. Bez těchto dvou vrstev se to změní v neřízený chaos — přednost má ten, kdo přijde první nebo nejhlasitěji křičí.
Znovu se vracíme k Eisenhowerově matici: ne všechna práce je stejně důležitá. Důvěra a orchestrace jsou tím, jak operationalizujete to ve světě agentní AI. Nechcete, aby každý agent zacházel s každým úkolem jako s požárním poplachem; chcete, aby systém věděl, co je skutečně časově kritické, co lze naplánovat a co by mělo být tiše zpracováno na pozadí.
A pak je tu princip “úzké zaměření před širokým záběrem”. Většina společností se domnívá, že větší dopad z umělé inteligence spočívá v tom, že zůstávají široké. Mnohem lépe uděláte, když si vyberete úzký vertikální řez – jeden konkrétní případ použití, jednu sadu pracovních postupů – a postavíte důvěru a orchestraci, kterou potřebujete tam. Zužte odvětvový záběr, udělejte to správně a v hraničních situacích zachovejte zapojení lidí a poté expandujte. To je způsob, jakým můžete rychle postupovat, zůstat odpovědný a vyhnout se vytváření chaosu, 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 umělá inteligence stala trvalou podnikovou schopností, spíše než sbírkou nesouvisejících pilotních projektů?
Většina podniků nemá “problém s umělou inteligencí”; mají problém se znalostmi a pracovními postupy. První posun je přestat hrát s bodovými řešeními a přesunout se z datových skladů na federovaný sklad znalostí, do kterého mohou všichni nahlížet a podle jeho obsahu jednat. Dokud znalosti žijí v silách a umělá inteligence je pouze třešničkou na vrcholu každého sila, získáte pilotní projekty, ne transformaci.
Odtud musíte být ochotni jít po těžších problémech v určitém pořadí. Krok jedna je oddělit hype od reality a přijmout to, co funguje, ne to, co je nejvíce slyšet ve vašem kanálu. Krok dva je přepracovat vrstvu znalostí, abyste mohli převést data na sdílený, federovaný kontext místo další zprávy pohřbené v systému. Krok tři je přepracovat pracovní postupy kolem této znalosti a skutečné vrstvy důvěry – většina práce dnes je organizována kolem lidí, dovedností a místních izolovaných znalostních sil. Pokud nezměníte to, agenti budou pouze dalším nástrojem, který obíhá kolem stejných starých úzkých míst.
Teprve poté se dostanete k kulturnímu posunu, který je často nejobtížnější. Potřebujete kulturu, ve které lidé nejsou primárně znepokojeni ztrátou práce, nástrojů nebo identity, ale jsou skutečně nadšení pracovat s novými schopnostmi. To je problém řízení změn, ne technologický problém. To vypadá jako skutečné distribuované vedení: lidé na špičce kopí rozumějí pracovním postupům, cítí se bezpečně, když pojmenovávají tření, a jsou nadšení z toho, že agenti budou pracovat na tom.
Pohledem za hranice širokopásmového připojení a telekomunikací, která odvětví se podle vás nejlépe hodí pro přijetí operační, agentní umělé inteligence jako další, a jaké podmínky je připravují?
Nejsem toho názoru, že si vybírám vítěze podle odvětví; přemýšlím o vzorcích. Téměř každé vertikální odvětví má stejnou základní výzvu: postavili datová sila a funkční sila místo jednoho pohledu na tři životní cykly – zákazníka, zaměstnance a produktu. Ty, které jsou připraveny, jsou ty, které jsou ochotny vidět to a přiznat, že nemají skutečnou vrstvu znalostí, a opravit to.
Odtud podmínky vypadají docela podobně bez ohledu na to, zda jste ve zdravotnictví, fintech, maloobchodě nebo kritické infrastruktuře. Potřebujete komplexní pracovní postupy, kde lidé pracují na hranici svých kapacit, skutečné body tření, které můžete pojmenovat, a dostatečně kvalitní data, aby agenti měli kontext. Pokud můžete mapovat současné pracovní postupy, vidět, kde se práce zpomaluje nebo hromadí, pochopit, která předání práce vytvářejí zpoždění, a poté to podpořit federovaným skladem znalostí, agentní umělá inteligence se stává úžasnou sadou nástrojů.
V tomto světě “příprava odvětví” se snižuje na vedení. Jsou-li vedoucí společnosti ochotni jít za marketingovými nástroji a tenkými horizontálními dashboardy a místo toho investovat do vertikální technologické platformy – převést data na znalosti, federovat znalosti, postavit orchestraci a důvěru a mít upřímné rozhovory o skutečném ROI? Jakékoli společnosti v jakémkoli odvětví, které dělají tuto práci, jsou dobře připraveny pro operační, agentní umělou inteligenci; ty, které to nedělají, uvíznou v přidávání dalšího nástroje do již hlučného balíku.
S tím, jak podniková AI přechází k multiagentním a multicloudovým prostředím, jak bude vypadat dobrá architektura AI za pět let a k jakým zásadám by se měli vedoucí pracovníci zavázat již dnes, aby se vyhnuly přestavbě svých systémů později?
Za pět let nebudou na AI nejzajímavější jednotliví agenti nebo modely, ale agentní pracovní postupy, které umožňují, a obchodní hodnotě, kterou tyto pracovní postupy dodávají. Agenti sami budou přicházet a odcházet. Vrstvy pod nimi – data, znalosti, orchestrace, důvěra a akce – budou pokračovat v evoluci, ale potřeba těchto vrstev nezmizí.
To je důvod, proč se více soustředím na architekturu než na konkrétní nástroje. Přecházíme z datových skladů na federované sklady znalostí, z křehkých bodových integrací na otevřené, vrstvené technologické stacky. V tomto světě budete mít agenty běžící v různých cloudech, dotýkající se různých znalostních zdrojů a koordinující se přes dobře definovaná rozhraní – MCP na úrovni znalostí, agent-to-agent protokoly na úrovni orchestrace a důvěry. Jakmile se technologie zlepší, budete chtít být schopni nahrazovat součásti těchto vrstev lepšími bez přestavby celého systému pokaždé.
Zásady pro vedoucí pracovníky jsou jednoduché. Nebudujte monoliticky. Navrhujte pro vrstvy, aby data, znalosti, orchestrace, důvěra a akce se mohly jednotlivě vyvíjet nezávisle. Navrhujte pro toky, ne pro funkce, abyste měli jasno, které pracovní postupy jsou důležité a jak vypadá dobrý výsledek v životních cyklech zákazníků, zaměstnanců a produktů. A navrhujte pro řízení na úrovni agenta: předpokládejte nulovou důvěru, definujte jasné “karty agentů” a použijte orchestraci, aby rozhodla, co je naléhavé, co je důležité a co prostě potřebuje být vyřešeno. Pokud to uděláte, můžete nechat technologii měnit se – jako vždy – bez neustálých obav o přestavbu.
Děkuji za skvělý rozhovor, čtenáři, kteří se chtějí dozvědět více, by měli navštívit Calix.












