Ilan Sade, divisionspræsident, GenAI & Data hos Amdocs – Interviewserie

Ilan Sade, divisionspræsident, GenAI & Data hos Amdocs, har mere end to årtiers ledelseserfaring inden for samme organisation, hvor han er avanceret fra tidlige tekniske stillinger som programmerer og projektleder til at overvåge storstilet global levering, produktstrategi og innovation. Gennem sin embedsperiode har han ledet kritiske afdelinger, der omfatter omsætningsstyring, digitale og forretningsstøttesystemer samt åbne netværksinitiativer, der kulminerede i hans ledelse af T-Mobile-afdelingen, før han trådte ind i sin nuværende stilling, der fokuserer på generativ AI og data. Hans karriere afspejler dyb domæneekspertise inden for telekommunikation, særligt i komplekse faktureringsystemer, kundeoplevelsesplatforme og store virksomhedsomstillinger, hvilket placerer ham i spidsen for Amdocs’ skift mod AI-drevne operationer og næste generations dataplatforme.

Amdocs er et multinationelt software- og servicefirma, der specialiserer sig i løsninger til kommunikations-, medie- og digitale serviceudbydere, hvilket hjælper dem med at styre alt fra fakturering og kunderelationer til netværksoperationer og digital transformation. Grundlagt i 1982 og opererende i over 90 lande, har virksomheden udviklet sig til en nøgleinfrastrukturudbyder for telekommunikationsoperatører, der tilbyder cloud-native-platforme, AI-drevne analyser og automatiseringsværktøjer, der muliggør mere effektiv servicetilførsel og personlige kundeoplevelser. Dens voksende fokus på generativ AI og dataplatforme afspejler en bredere industriel skiftning mod intelligente, software-definerede netværk og fuldt digitaliserede kundeøkosystemer.

De har tilbragt mere end to årtier hos Amdocs, hvor de er avanceret fra udvikler til leder af GenAI- og Data-afdelingen, og tidligere har overvåget en af virksomhedens mest strategiske partnerskaber med T-Mobile. Hvordan har denne rejse formet Deres perspektiv på, hvad det faktisk kræver for at flytte AI fra eksperimenter til produktion i telekommunikationsmæssig skala?

Det, jeg har lært gennem årene, er, at at flytte AI til produktion i telekommunikationsmæssig skala ikke primært er et modelproblem. Det er et operationsproblem. Du behøver de rette datafundamenter, stærk integration i eksisterende systemer, klar ansvarliggørelse og hold, der ved, hvordan man kører AI som en del af daglige forretningsprocesser. Hvis blot ét af disse dele mangler, kan pilotprojekter se imponerende ud, men de skalerer ikke.

Min vej hos Amdocs gav mig eksponering for alle sider af ligningen, fra ingeniørarbejde til kundelevering til store operatørpartnerskaber. Denne erfaring formede min opfattelse af, at succes kommer fra at kombinere teknisk excellence med udviklingsdisciplin. I telekommunikation skal AI fungere på tværs af komplekse miljøer, støtte reelle serviceniveauer og levere målbare resultater. Dette kræver en produktionsorienteret tilgang fra dag ét.

Ved Mobile World Congress (MWC) var der et tydeligt signal om, at telekommunikationsvirksomheder investerer kraftigt i AI-pilotprojekter, men kæmper med at operationalisere dem. I Deres mening, hvad er de største hindringer for, at operatører ikke kan flytte beyond eksperimenter i dag?

Jeg ser en af de største hindringer som fragmentering. De fleste operatører har værdifulde data og stærke brugstilfælde, men deres miljøer er opdelt på tværs af en bred vifte af systemer, hold og leverandører – hvilket gør det svært at forbinde AI-udgangspunkter med reelle arbejdsgange. Dette er særligt sandt, når disse arbejdsgange omfatter netværk, kundeservice og forretningsoperationer. Som resultat bliver AI ofte en punktløsning i stedet for at blive en del af driftsmodellen.

Amdocs positionerer aOS som et “agentic operativsystem”. Hvordan definerer De agentic AI i telekommunikationskonteksten, og hvordan adskiller det sig fundamentalt fra tidligere AI-drevne automatiserings tilgange?

I telekommunikationsrummet refererer agentic AI specifikt til teknologien, der kan forstå mål, planlægge opgaver, udføre handlinger på tværs af multiple systemer og tilpasse sig efter resultater. I stedet for blot at generere indhold eller forudsige resultater kan agenter udføre arbejdsgange fra ende til anden. De kan resonere over kontekst, samarbejde med andre agenter og operere inden for styregrænser for at fuldføre reelle operationelle opgaver.

Dette adskiller sig fundamentalt fra tidligere automatisering, der primært var regelbaseret og statisk. Traditionel automatisering fungerede godt for repetitive opgaver i stabile miljøer, men den kæmpede med kompleksitet og undtagelser. Agentic AI kan håndtere dynamiske situationer, lære af feedback og koordinere på tværs af domæner.

De har beskrevet en fremtid for AI-naturlig telekommunikationsdrift. Hvad ser det ud til i praksis, og hvor langt væk er vi fra fuldt autonome netværk?

AI-naturlig telekommunikationsdrift ser ud til, at AI er integreret i kernen af, hvordan en forretning drives – ikke blot lagt oven på. I praksis ser det ud til servicestyringsarbejdsgange, der kan detektere og løse problemer, før kunderne bemærker dem, kundeservicerejser, der er personlige og proaktive, og netværksoperationer, der kontinuerligt optimerer ydeevne baseret på realtidsbetingelser. Nøglen er, at AI er integreret i beslutninger og udførelse, ikke kun analyser.

Vi er ikke endnu ved fuldt autonome netværk, og vi skal være realistiske omkring det. De næste få år vil være om progressiv autonomi, hvor operatører automatiserer mere komplekse arbejdsgange, mens de holder mennesker i kontrol over højimpaktbeslutninger. Fuldt autonomi kræver stærkere standarder, bredere interoperabilitet og fortsat forbedringer i pålidelighed og styre.

Telekommunikationsystemer har historisk været fragmenterede på tværs af Operations Support Systems (OSS) og Business Support Systems (BSS) lag, hvilket har gjort det svært at automatisere slut til slut. Hvordan hjælper en agentic arkitektur med at samle disse domæner og muliggøre tværfunktionelle arbejdsgange?

Agentic arkitektur hjælper med at introducere en koordineringslag, der kan fungere på tværs af OSS og BSS uden at tvinge en komplet systemsætning. Agenter kan forbinde sig til eksisterende platforme via API’er, forstå konteksten af et forretningsmål og derefter orkestrere den rigtige sekvens af handlinger på tværs af netværk-, service- og kundesystemer. Dette tillader operatører at automatisere arbejdsgange, der tidligere brød ved domænegrænser.

En af de interessante aspekter ved agentic systemer er samarbejdet mellem AI-agenter og menneskelige operatører. Hvor ser De balancen lande mellem automatisering og menneskelig oversigt i telekommunikationsmiljøer?

Balancen mellem AI-agenter og menneskelige operatører vil altid afhænge af det specifikke brugs tilfælde, men vil primært være menneskeledet og AI-accelereret i den nærmeste fremtid. AI-agenter er fremragende til hastighed, skala og mønstergenkendelse, mens menneskelige operatører bringer dømmekraft, ansvar og kontekst. Målet er ikke at fjerne mennesker fra løkken. Det er at lade mennesker fokusere på beslutninger, der kræver ekspertise, mens AI håndterer den tungt operationelle arbejdsbyrde.

Der er meget hype omkring generativ AI, men telekommunikationsoperatører er ultimativt fokuseret på ROI. Hvad er de vigtigste nøgletal, CSP’er skal spore for at bestemme, om AI-udrulninger faktisk leverer værdi?

Operatører skal spore nøgletal, der direkte hænger sammen med forretningsresultater, ikke kun teknisk præstation. På kundesiden omfatter det første kontakløsning, gennemsnitlig håndteringstid, kundereduktion og kundetilfredshed. På netværkssiden omfatter det gennemsnitlig tid til at detektere og gennemsnitlig tid til at løse hændelser, servicetilgængelighed og operationel effektivitetsgevinster.

aOS fremhæver multi-agent arbejdsgange, der kan udføre komplekse, slut til slut processer på tværs af telekommunikationsmiljøer. Hvordan sikrer De koordination, pålidelighed og styre, når multiple AI-agenter opererer samtidigt på tværs af kritiske systemer?

Koordination starter med en klar orkestreringsmodel. I et multi-agent miljø skal hver agent have en defineret, adgangsgrænser og succeskriterier. En central orkestreringslag styrer opgavesequencing, konfliktløsning og tilstandssporing, så agenterne ikke arbejder modstridende. Dette holder arbejdsgange forudsigelige, selv når de omfatter mange systemer.

I en seneste aOS-meddelelse positionerer Amdocs generativ AI som udvikling fra en “sidecar”-funktion til en kerneoperationel lag, der er integreret på tværs af kunde-, netværks- og forretningsprocesser. Hvad ændrede sig i de sidste 12 til 24 måneder, der gør dette skift muligt i dag?

Flere ting modnedes på samme tid. Grundlæggende modeller forbedrede sig betydeligt i resonanskvalitet og værktøjsbrug, hvilket gjorde dem mere kapable i virksomhedsarbejdsgange. Samtidig forbedrede økosystemet omkring dem, herunder orkestreringsrammer, overvågningsværktøjer og styrekontroller. Dette gjorde det praktisk muligt at flytte fra isolerede brugs tilfælde til koordinerede operationelle arbejdsgange.

Hvis aOS repræsenterer et vendepunkt mod AI-naturlig telekommunikationsdrift, hvad ser den næste fase ud til? Er vi på vej mod fuldt autonome telekommunikationsnetværk, og hvilke udfordringer skal endnu løses, før det bliver virkelighed?

Den næste fase handler om at skale fra isoleret automatisering til koordineret autonomi på tværs af virksomheden. Vi vil sandsynligvis se mere multi-agent arbejdsgange, der forbinder kundeservice, serviceoperationer og netværkshold i realtid. Operatører kan flytte fra reaktive operationer til prædiktive og proaktive modeller, hvor AI kan identificere risici tidligt og udføre remediering, før problemer eskalerer.

Tak for det store interview. Læsere, der ønsker at lære mere, kan besøge Amdocs.