Shane Eleniak, Chief Product Officer hos Calix – Intervju-serie

Shane Eleniak fungerer som Chief Product Officer hos Calix, hvor han leder den strategiske vision og udviklingen af virksomhedens brancheførende platform og SaaS-løsninger. Med fokus på at enable kommunikationstjenesteudbydere til at forenkle deres forretning og levere enestående abonnentoplevelser, overvåger Shane hele produktlivscyklussen – fra konceptualisering til markedsføring.

Under hans ledelse har Calix konsolideret sin position som pionér inden for bredbåndsindustrien, hvor de konsekvent leverer innovative værktøjer, der giver udbydere mulighed for at konkurrere og vinde.

Calix er et amerikansk teknologivirksomhed, der tilbyder cloud-, software- og managed service-platforme designet til bredbånds- og kommunikationstjenesteudbydere. Deres kerneydelse omfatter en AI-aktiveret bredbåndsplatform, der integrerer cloud-infrastruktur, data og netværkssystemer for at hjælpe udbydere med at forenkle operationer, forbedre kundeengagement og levere mere personlige digitale oplevelser. Ved at enable udbydere til at gå fra grundlæggende connectivity-tjenester til fulde “oplevelsesudbydere” hjælper Calix dem med at øge omsætning, øge abonnentloyalitet og støtte den digitale transformation af samfund gennem mere avancerede, skalerbare bredbåndstjenester.

Dit karriere spænder over mere end tre årtier inden for ingeniørvidenskab, netværk, cloud-platforme og storstilede produktledelse. Hvordan har disse oplevelser formet din perspektiv på, hvad det virkelig kræver for at lave AI, der udfører rigtigt arbejde inden for virksomheder, snarere end at blive en sideløbende eksperiment?

Jeg startede med traditionel telekommunikation og netværk, hvor hele spillet var datastien og pålidelighed i stor skala. Hvis du ikke kan levere en ren, pålidelig tjeneste, betyder ingenting, du bygger oven på det, rigtig meget.

Bredbånd og internettet ændrede alt dette. Pludselig var det ikke længere bare “er det tændt?” Det var Ethernet og derefter Wi-Fi, børn på spilkonsoller og tabletter, dig på en Zoom-opkald samarbejder på en cloud-regneark og konstant mobilitet – enheder inde i hjemmet, i baghaven, på fodboldkampen, på kaffebarerne. Abonnentoplevelsen blev meget mere kompleks end en binær tændt/slukket tilstand, og verden for tjenesteudbydere blev meget mere dynamisk. I den verden kan en bagudrettet vy på data – klassiske datawarehouse og historiske rapporter en måned senere – ikke løse opgaven. Du skal indsamle data, forstå oplevelsen og generere indsigt i realtid, fordi abonnenter nu forventer, at problemer løses proaktivt, ikke på timer eller dage.

Den udvikling har formet, hvordan jeg tænker om AI. De fleste mennesker vil sætte AI “oven på”, på samme måde som de sætter business intelligence eller SaaS oven på eksisterende data-søer. Min erfaring siger, at du skal tænke meget dybere end det og designe for realtid, handlebar indsigt og evnen til at tage rettidig handling.

For abonnenterne er forventningerne ikke ændret meget de sidste 25 år. De vil stadig have sikker, administreret connectivity, der føles så enkelt som en dialtone – de vil have, at alt skal “bare virke” uden at tænke over alle lagene og kompleksiteten, og de vil have det overalt i deres liv. Min karriere inden for telekommunikation og cloud har gjort mig meget komfortabel med denne paradoks: du bygger ekstremt komplekse systemer, så du kan abstrahere alt det væk og levere en enkel, god oplevelse på kanten. Det er præcis, hvordan jeg tænker om AI, der udfører rigtigt arbejde inden for enhver virksomhed, bredbånd eller andet.

Hos Calix understreger du ofte, at operationel AI er bygget snarere end købt. Hvad er de mest almindelige fejl, organisationer begår, når de prøver at tilføje AI uden at genoverveje, hvordan arbejdsprocesser flyder gennem virksomheden?

For mig handler det mindre om “bygget versus købt” og mere om, hvorvidt du har trådt tilbage og set på hele teknologistaben. Mange virksomheder besluttede, at AI blot var at bruge nogle API’er til at få adgang til en LLM, wire det ind i din stab med en wrapper og købe tokens – så havde du en AI-strategi. Det er ikke sådan, det fungerer.

For mange af os bliver vi forfængede af teknologien i stedet for udfaldet. Vi har set denne film før. Da PC’er dukkede op, ville alle diskutere, om de havde en 286 eller en 386, hvor meget hukommelse de havde, og hvilken DOS de kørte. I dag kan ingen fortælle dig specifikationerne på deres bærbare computer eller telefon, og ingen interesserer sig, før det stopper med at gøre, hvad de har brug for, det skal. Det, der betyder noget, er: gør dette mig mere effektiv i mit job? Det er det samme med AI. Hvis du ikke kan binde det til reelle arbejdsprocesser, reel værdi og reel ROI, er teknologiens specifikationer bare støj.

En anden stor fejl er at prøve at bolt AI på, hvad du allerede har, uden at spørge, hvad det gør for din arkitektur, din sikkerhedsmodel og dine omkostninger. AI er grundlæggende teknologi, ikke en inkrementel funktionsoptimering. Når du behandler det som inkrementelt, ender du med dårlig data, sikkerhedsproblemer, hallucinationer, løbende omkostninger eller en masse aktivitet, der ikke løser noget problem for nogen.

Til sidst kan du ikke ignorere kontekst og vigtigheden af vertikal ekspertise. Handling er alt om kontekst, og den kontekst adskiller sig mellem telekommunikation, fintech og sundhedssektoren. Hos Calix startede vi med dyb erfaring inden for en branche og byggede en vertikal platform omkring det. Vi forstod allerede data, indsigt, arbejdsprocesser og kontekst, så staben kunne spejle den virkelighed. De fleste virksomheder kender deres vertikale industri ind og ud. Muligheden er at kode den viden ind i en vertikal teknologistab i stedet for at stole på et tyndt horisontalt lag og en generisk AI-model, derefter prøve at sy allesammen sammen. Virksomheder handler om udfald, ikke modeller. Det virkelige spørgsmål er, hvordan denne teknologi hjælper dig med at levere disse udfald på den måde, din arbejdsproces flyder.

Du har omridset en femlagsarkitektur for operationel AI, der inkluderer data, viden, orkestrering, tillid og handling. Hvorfor er det vigtigt at udtrykkeligt adskille disse lag, og hvilket lag undervurderer eller springer virksomheder oftest over?

I lang tid var staben ret simpel: data, indsigt, dashboards, arbejdsprocesser, mennesker. Du byggede datawarehouse, satte BI oven på, oprettede arbejdsprocesmotorer og overdrog det hårde arbejde til mennesker. I en agensverden holder det ikke. Du skal have data, viden, orkestrering, tillid og handling, fordi hvert lag udfører en distinkt funktion.

Den synlige del, alle vil tale om, er handlingsslaget – agenterne. Det er spidsen af isbjerget. Det, der afgør, om du overhovedet kan lade agenterne røre ved virkelige systemer, er alt det “kedelige” under vandlinjen: datapipelines og ren data, videnlaget, der giver dig kontekst, orkestreringen, der koordinerer dynamiske arbejdsprocesser, og tillidsmodellen, der afgør, hvad der skal være tilladt fra starten. Når Titanic sank, var det ikke den lille del, du kunne se, der sank det; det var den kæmpestore mængde is under vandlinjen. Operationel AI er det samme. Røret under overfladen er, hvad der gør eller ødelægger dig.

Historisk set behandlede vi aldrig orkestrering og tillid som adskilte lag, fordi mennesker udførte det meste af det arbejde. Orkestrering betød chefer og ticketkøer; tillid betød brugernavne og adgangskoder. Nu skal du stole på enheder – agenterne – til at udføre handlinger, og du skal koordinere multiple agenterne i realtid omkring dynamisk data. Det er et helt andet designproblem, og det er derfor, disse lag skal være udtrykkeligt.

Laget, de fleste mennesker undervurderer, er tillid. Mange virksomheder tror, de håndterer tillid, fordi de har adgangskontrol – hvem kan logge ind på hvilket system. Men rigtig tillid i en agensverden er ikke “har denne bruger adgang?” Det er “er denne bestemte handling passende for denne person eller denne agent på dette tidspunkt?” Det er et regerings-spørgsmål, ikke et adgangskontrol-spørgsmål. Hvis du ikke gør dette lag udtrykkeligt, bliver du fast i demo-land, fordi du aldrig vil være komfortabel med at lade agenterne udføre rigtigt arbejde i produktion.

Så er tillid åbenbart en grundlæggende del af din AI-strategi. Hvordan designer du systemer, så automatiserede beslutninger forbliver observerbare, revisionssikre og omvendelige, samtidig med at du flytter hurtigt nok til at levere forretningsværdi?

Du skal starte med en nultillids-holdning. Det første spørgsmål er ikke “kan denne agent teknisk gøre dette?” Det første spørgsmål er “skal denne agent, på vegne af denne person, overhovedet prøve at gøre dette?” Hvis svaret er nej, så gå ikke videre.

Hvis svaret er ja, går du ind i vejledning: revisionssikring, sporbarehed og behov for en menneskelig del i processen. Vores model afhænger af et tillidslag, der fungerer lidt som en trafikpoliti ved starten af hver interaktion: hvem er du, hvad gør du, og hvorfor gør du dette? Det eliminerer mange af sikkerhedsproblemerne, fordi du ikke lader agenterne løbe af med at gøre ting og derefter håber, du når at bemærke det efterfølgende.

Alternativet er at slippe agenterne løs og derefter løfte en alarm, hvis de går af og gør noget dårligt. Du antager, du kan se det, figurere det ud, identificere det og stoppe det i realtid, i den hastighed og skala, disse systemer opererer med. Det er et rigtigt svært problem, og det er derfor, så mange mennesker kæmper – de prøver at se efter dårlige aktører i realtid i stedet for at forhindre dårlige handlinger fra starten.

Oven på det har vi tilføjet lagdelte porte. Selv hvis en agent handler på vegne af den rette person, ser vi stadig på sessionen og indholdet – prøver de at forgifte en model, misbruge en API eller presse noget uden for politik? Alt dette er omsluttet af fuld gennemsigtighed, så du kan revisionssikre, hvad der skete, og rulle det tilbage, hvis du har brug for det. Det er, hvordan du flytter hurtigt og sover godt om natten.

Mange virksomheder lykkes med at generere AI-indsigter, men kæmper med at omsætte dem til handling. Hvad var designbeslutningerne, der tillod Calix at presse AI direkte ind i dag-til-dag-arbejdsprocesser på tværs af marketing, drift og kundeunderstøttelse?

Længe før AI var stjernen af showet, var vi allerede besat af ét spørgsmål hos Calix: hvad gør en indsigt virkelig handlebar for et rigtigt menneske i et rigtigt job? Siden 2018 har vi arbejdet med tjenesteudbydere for at forstå, hvordan forskellige personer arbejder – hvad en marketingsperson gør på en tirsdag morgen, hvad et driftshold gør, når en alarm udløses, hvad understøttelseshold gør, når en abonnent ringer ind og er frustreret. Det tvang os til at blive meget præcise om, hvilke indsigter betyder noget for hvem, i hvilken kontekst og hvad “god handling” ligner.

Så, da agensdrevet AI kom frem, startede vi ikke fra scratch. Vi havde allerede realtids-systemer, der genererede handlebare indsigter knyttet til bestemte personer og arbejdsprocesser. Designspørgsmålet blev: givet et andet værktøjsæt og en anden teknologistab, hvordan ville du omstrukturere disse samme arbejdsprocesser i en agensdrevet AI-verden, i stedet for at prøve at opfinde alt det fra scratch?

Når du parrer denne dybe personkendskab med agensdrevet AI, kan du bygge dynamiske arbejdsprocesser over dynamisk data. Agenterne kan figurere ud, i realtid, hvilke skridt og hvilke personer skal være involveret, afhængigt af hvad der sker, i stedet for at tvinge dig til at kode hundredvis af stive flader i mikrotjenester. For de fleste virksomheder er det hårde problem lige nu at prøve at træffe reelle beslutninger baseret på kontekst og derefter designe den rigtige arbejdsproces omkring det. For os var det allerede på plads; vi havde været beskæftiget med realtid, personbaseret, handlebar indsigt i år. Agensdrevet AI er blot et nyt sæt værktøjer oven på den grund.

Din platformvision omfatter agent-til-agent (A2A) interoperabilitet og fødererede AI-systemer. Hvordan ændrer denne tilgang måden, enterprise-værktøjer samarbejder i forhold til traditionelle punktintegrationer?

Hvis du ser på de sidste 20 år, har standardmønsteret været “køb en masse SaaS-værktøjer og wire dem sammen omkring en data-sø”. Hver ny system betød endnu en punktintegration, endnu en datapipeline og endnu et sted at afklare sandheden. I en agensverden holder det ikke. Du vil have data, der bliver, hvor det tilhører, og have agenterne tale sammen over godt definerede grænseflader.

Det er derfor, vi taler om at røre systemet på to lag: MCP på videnlaget og A2A på orkestrerings- og tillidslagene. MCP er, hvordan agenterne opdager og bruger værktøjer og data uden en ny brugerdefineret integration hver gang. A2A er, hvordan agenterne koordinerer arbejde med hinanden under klare vejledninger.

Når du har det, stopper samarbejde med at se ud som en bunke skrøbelige forbindelser og begynder at se ud som et netværk af specialister, der kan dynamisk samarbejde omkring rigtigt arbejde. Her kommer Eisenhower-matrix-analogien ind. Ikke alt er lige akut og lige vigtigt. Nogle arbejde er virkelig tidskritisk, nogle er vigtigt, men kan planlægges, nogle skal bare gøres, og nogle er støj. Med agent-til-agent-koordination siddende oven på et tillids- og orkestreringslag kan du behandle disse kategorier forskelligt i skala: agenterne kan sværme om de akutte-og-vigtige problemer, køe eller planlægge de vigtige, men ikke akutte, og holde lavværdi-arbejdet fra at overbelaste alt andet.

Det er en helt anden verden end “lad os tilføje endnu en forbindelse og håbe, køen afdræner”. Du ser effektivt på tillid, omhyggeligt orkestrerede dynamiske arbejdsprocesser omkring dynamiske begivenheder og data, i stedet for en klump af one-off-integrationer, hvor alt råber med samme prioritet.

Når AI-agenter er tilladt at handle autonomt, bliver styring hurtigt en udfordring. Hvordan balancerer du hastighed, ansvarlighed og menneskelig oversigt, når AI-systemer træffer eller udfører beslutninger i stor skala?

Fejlen, jeg ser, er, at folk tror, de kan bolt agensdrevet AI på, hvad de har, og så prøve at “balancere” hastighed, ansvarlighed og menneskelig oversigt efterfølgende. Du kan ikke. Du skal starte med at anerkende, at dette er et vertikalt teknologiproblem, og derefter bygge en tillids- og orkestreringslag. Uden disse to lag bliver det et fri-for-alle – alt er først-til-mølle, eller hvem der råber højest.

Igen er det Eisenhower-matrixen: ikke alt arbejde er skabt lige. Tillid og orkestrering er, hvordan du operationaliserer det i en agensverden. Du vil ikke have, at hver agent behandler hver opgave som en brandalarm; du vil have, at systemet ved, hvad der virkelig er tidskritisk, hvad der kan planlægges og hvad der bør håndteres stille i baggrunden.

Og så er der “smal over fed” -delen. De fleste virksomheder tager fejl af, at større indvirkning fra AI kommer fra at blive bred. Du er meget bedre stillet til at vælge et smalt vertikalt snit – ét konkrekt brugstilfælde, ét sæt arbejdsprocesser – og bygge den tillid og orkestrering, du har brug for der. Få det tyndere i det vertikale, få det ret, hold mennesker i løkken på kanten og udvid derefter. Det er, hvordan du flytter hurtigt, bliver ansvarlig og undgår at skabe en rod, du ikke kan afvikle senere.

Fra din erfaring med at lede store globale produkt- og ingeniørhold, hvilke organisations- eller kulturelle ændringer er nødvendige for, at AI kan blive en holdbar virksomhedsfærdighed snarere end en samling af ikke-tilknyttede piloter?

De fleste virksomheder har ikke et “AI-problem”; de har et viden- og arbejdsprocesproblem. Den første ændring er at stoppe med at lege med punktløsninger og flytte fra datawarehouse til et fødereret videnwarehouse, som alle kan se og handle på. Så længe viden bor i siloer og AI er en kirse på toppen af hver silo, får du piloter, ikke transformation.

Derefter skal du være villig til at gå efter de sværere problemer i en bestemt rækkefølge. Trin ét er at adskille hype fra virkelighed og antage, hvad der fungerer, ikke hvad der er højest i din feed. Trin to er at omstrukturere videnlaget, så du kan omdanne data til fælles, fødereret kontekst i stedet for endnu en rapport begravet i et system. Trin tre er at omstrukturere arbejdsprocesser omkring den viden og et rigtigt tillidslag – det meste arbejde i dag er organiseret omkring mennesker, færdigheder og lokale viden-siloer. Hvis du ikke ændrer det, vil agenterne blot være endnu et værktøj, der kredser omkring de samme gamle flaskehals.

Først derefter kommer den kulturelle ændring, som ofte er den sværeste. Du har brug for en kultur, hvor mennesker ikke primært er bekymret for at miste deres job, værktøjer eller identitet, men er ægte begejstret for at arbejde med nye færdigheder. Det er et ændringsledelsesproblem, ikke et teknologiproblem. Det ligner rigtigt fordelt lederskab: mennesker på spidsen af spydet forstår arbejdsprocesserne, føler sig sikre på at navngive friktionen og er begejstret for at sætte agenterne i gang med det.

Set ud over bredbånd og telekommunikation, hvilke brancher tror du er bedst positioneret til at antage operationel, agentdrevet AI næste, og hvad betingelser gør dem klar?

Jeg tænker ikke rigtigt over det som at vælge vindere efter branchelabel; jeg tænker i termer af mønstre. Næsten hver vertikale har den samme underliggende udfordring: de har bygget data-siloer og funktion-siloer i stedet for én visning på tværs af tre livscyklusser – kunde, medarbejder og produkt. De, der er klar, er de, der er villige til at se det, indrømme, at de ikke har et rigtigt videnlag, og fikse det.

Derefter ligner betingelserne ret ens, uanset om du er i sundhedssektoren, fintech, detail eller kritisk infrastruktur. Du har brug for komplekse arbejdsprocesser, hvor mennesker er strakt, rigtige friktionspunkter, du kan navngive, og nok højkvalitetsdata til at give agenterne kontekst. Hvis du kan kortlægge nuværende arbejdsprocesser, se, hvor arbejdet langsommelser eller hobrer sig op, forstå, hvilke overdragelser skaber forsinkelser, og derefter bakke det op med et fødereret videnwarehouse, er agensdrevet AI et fantastisk værktøjsæt.

I den verden handler “branchereadiness” om lederskab. Er virksomhedens ledere villige til at flytte sig ud over marketing-værktøjer og tynde horisontale dashboards og i stedet investere i en vertikal teknologistab – omdanne data til viden, føderalisere den viden, sætte orkestrerings- og tillidsrammer på plads og have ærlige samtaler om, hvor den rigtige ROI er? Enhver virksomhed i enhver branche, der gør det arbejde, er godt positioneret til operationel, agentdrevet AI; de, der ikke gør det, vil være fast i at tilføje endnu et værktøj til en allerede støjende bunke.

Da enterprise AI udvikler sig mod multi-agent og multi-cloud-miljøer, hvordan ser god AI-arkitektur ud om fem år, og hvilke principper skal ledere forpligte sig til i dag for at undgå at genopbygge deres systemer senere?

Om fem år vil den interessante del af AI ikke være de enkelte agent eller modeller; det vil være de agensdrevne arbejdsprocesser, de muliggør, og den forretningsværdi, disse arbejdsprocesser leverer. Agenterne selv vil komme og gå. Lagene under dem – data, viden, orkestrering, tillid og handling – vil fortsætte med at udvikle sig, men behovet for dem er ikke på vej væk.

Det er derfor, jeg er mere fokuseret på arkitektur end på et bestemt værktøj. Vi bevæger os fra datawarehouse til fødereret videnwarehouse, fra skrøbelige punktintegrationer til åbne, lagdelte stakke. I den verden vil du have agenterne køre i forskellige cloud, røre forskellige videnkilder og koordinere over godt definerede grænseflader – MCP på videnlaget, agent-til-agent-protokoller på orkestrerings- og tillidslagene. Da teknologien forbedres, vil du gerne kunne udskifte bedre dele ind i disse lag uden at genopbygge det hele hver gang.

Så principperne for ledere er simple. Byg ikke monolitisk. Design til lag, så data, viden, orkestrering, tillid og handling kan udvikle sig uafhængigt. Design til flader, ikke funktioner, så du er klar over, hvilke arbejdsprocesser betyder noget, og hvad “godt” ligner i kunde-, medarbejder- og produktlivscyklusser. Og design til styring på agentniveau: antag nultillid som standard, definer klare “agentkort” og brug orkestrering til at afgøre, hvad der er akut, hvad der er vigtigt, og hvad der bare skal gøres. Hvis du gør det, kan du lade teknologien ændre sig – som den altid gør – uden at være konstant bekymret for at genopbygge.