Shane Eleniak, Chief Product Officer ve společnosti Calix – Interview Series

Shane Eleniak působí jako Chief Product Officer ve společnosti Calix, kde vede strategické vize a realizaci platformy a SaaS řešení společnosti. S zaměřením na umožnění poskytovatelům komunikačních služeb zjednodušit své podnikání a poskytovat výjimečné zkušenosti pro předplatitele, Shane dohlíží na celý životní cyklus produktu – od koncepce po nasazení na trhu.

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 cloudová, software a spravovaná platforma pro poskytovatele širokopásmového a komunikačního připojení. Jeho 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 růst jejich příjmů, 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 velkých produktových vedení. Jak tyto zkušenosti ovlivnily váš pohled na to, co skutečně vyžaduje umělá inteligence, aby fungovala uvnitř podniků, 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 byl tam signál, 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 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 pro poskytovatele se stal vysoce dynamickým. V tomto světě pohled do zrcadla 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 obchodní inteligenci nebo SaaS na stávající datové jezera. Moje zkušenosti říkají, že musíte přemýšlet mnohem hlouběji než to a navrhnout pro reálné, akční poznatky a schopnost přijmout včasné akce.

Pro předplatitele se očekávání příliš nezměnilo za posledních 25 let. Stále chtějí zabezpečené, spravované připojení, které se zdá stejně 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 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 operační 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 zpětně hleděli 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 jaký operační systém používá. Dnes už nikdo nemůže říct, jaké jsou specifikace jejich notebooku nebo telefonu, a nikdo se o to nezajímá, dokud to nedělá to, co potřebují. Co je důležité, je: dělá mě tato věc efektivnější ve své práci? To je stejné s umělou inteligencí. Pokud nemůžete uvázat ji 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, ne pouze增ěná funkce. Když ji zacházíte jako s增ěnou funkcí, skončíte s 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. Akce je vše o 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 rozuměli jsme 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 generickou 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 operační 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 obchodní inteligenci na vrchol, vytvořili pracovní motory a předali tvrdou práci lidem. V agentic světě 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 nechat agenti dotknout se skutečných systémů, je všechno “nudné” věci pod hladinou: datové potrubí a čisté data, vrstva znalostí, která vám dává kontext, orchestrace, která koordinuje dynamické pracovní postupy, a model důvěry, který rozhoduje, co by mělo být povoleno. Když Titanic potopil, nebyla to malá část, kterou jste viděli, která ho potopila; byla to obrovská masa ledu pod hladinou. Operační umělá inteligence je stejná. Potrubí pod povrchem je to, co dělá nebo rozkládá.

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 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 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 “měla by tato agentura, jménem této osoby, dělat tohle vůbec?” Pokud je odpověď ne, pak nepokračujte.

Pokud je odpověď ano, přecházíte do guardrailů: auditovatelnosti, stopovatelnosti a potřeby lidské osoby v smyčce. 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 nepouštíte agenti, aby běželi a dělali věci a doufali, že si jich všimnete později.

Alternativou je nechat agenti volně běžet a poté zvýšit 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.

<p Navíc jsme přidali vrstvené brány. I když je 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.

Mnohé společnosti se daří generovat poznatky z umělé inteligence, ale mají problémy s tím, aby je převedly do akce. Jaké designové rozhodnutí umožnilo 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 v reálné práci? Od roku 2018 pracujeme se 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 co vypadá “dobrá akce”.

Takže, když přišla agentic umělá inteligence, nezačínali jsme od nuly. Již jsme měli reálné systémy generující akční poznatky spojené se specifickými osobami a pracovními postupy. Designová otázka se stala: danou sadou nástrojů a technologického stacku, jak byste přepracovali stejné pracovní postupy v agentic světě, místo aby se snažili vynalézt vše od začátku?

Když spojíte tuto hlubokou znalost osob s agentic umělou inteligencí, můžete postavit dynamické pracovní postupy nad dynamickými daty. Agenti mohou 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 udělat reálné rozhodnutí na základě kontextu a navrhnout správný pracovní postup kolem toho. Pro nás nebyl tento problém, protože jsme již dělali reálné, osobně založené, akční poznatky po léta. Agentic 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 se tato přístup liší od tradičních bodových integrací?

Pokud se podíváte na posledních 20 let, defaultní vzorec byl “koupit spoustu SaaS nástrojů a propojit je kolem datové jámy”. Každý nový systém znamenal další bodovou integraci, další datový potok a další místo, kde se musela sjednotit pravda. V agentic světě 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 dotyku 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 nové vlastních integrací každý čas. A2A je to, jak agenti koordinují práci mezi sebou pod jasnými guardrails.

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 útočit na naléhavé a důležité problémy, fronty nebo naplánovat důležité, ale ne naléhavé, a udržet nízkou hodnotu rušivých aktivit od 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 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 agentic 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 na volný trh – všechno je první, kdo přijde, nebo kdo křičí nejvíce.

Znovu se vracíme k Eisenhowerově matici: ne všechna práce je stejně důležitá. Důvěra a orchestrace jsou tím, jak operationalizujete to v agentic světě. Nechcete, aby každý agent zacházel s každým úkolem jako s požární poplach; 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 “úzká nad tlustou” část. Většina společností se domnívá, že větší dopad z umělé inteligence spočívá v tom, že zůstávají široké. Jste mnohem lepší, když si vyberete úzký vertikální řez – jednu konkrétní případovou studii, jeden sadu pracovních postupů – a postavíte důvěru a orchestraci, kterou potřebujete tam. Získejte tenčí ve vertikále, udělejte to správně, držte lidi v smyčce na okrajích 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 решенияmi a přesunout se z datových skladů na federovaný sklad znalostí, na který může každý vidět a 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, aby jste 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 znalostí. 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 se 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 datové 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 bastante stejně bez ohledu na to, zda jste ve zdravotnictví, fintech, maloobchodě nebo kritické infrastruktuře. Potřebujete komplexní pracovní postupy, kde jsou lidé napjatí, 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, které předávání vytváří zpoždění, a poté to podpořit federovaným skladem znalostí, agentic 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, budou uvízly v přidávání dalšího nástroje do již hlučného balíku.

Jak se bude vypadat dobrá architektura umělé inteligence za pět let, a jaké zásady by se měly leadershipy zavázat dnes, aby se vyhnuly přestavbě svých systémů později?

Za pět let bude zajímavá část umělé inteligence spočívat v agentic pracovních postupech, které umožňuje, 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 stavy. V tomto světě budete mít agenti 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 vyměnit lepší kusy do těchto vrstev bez přestavby celého systému každý čas.

Principy pro leadershipy jsou jednoduché. Nebudujte monoliticky. Navrhujte pro vrstvy, aby data, znalosti, orchestrace, důvěra a akce mohly každý evoluvovat nezávisle. Navrhujte pro toky, ne pro funkce, abyste byli jasně přesvědčeni, které pracovní postupy záleží a co vypadá “dobře” v životních cyklech zákazníků, zaměstnanců a produktů. A navrhujte pro řízení na úrovni agenta: předpokládejte nulovou důvěru, definujte jasná “agentní karty” a použijte orchestraci, aby rozhodla, co je naléhavé, co je důležité a co prostě potřebuje být vyřešeno. Pokud to uděláte, můžete nechat technologii měnit – jako vždy – bez neustálého obav o přestavbu.

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