Shane Eleniak, Chief Product Officer hos Calix – Interviewserie

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

Under hans ledelse har Calix konsolideret sin position som pionér i 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 er 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 aktivere disse udbydere til at gå fra grundlæggende connectivitetstjenester 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 erfaringer formet din perspektiv på, hvad det virkelig kræver for at få AI til at udføre rigtigt arbejde inden for virksomheder i stedet for at blive en sideløbende eksperiment?

Jeg startede i traditionel telekommunikation og netværk, hvor hele spillet var datapunktet og pålidelighed i stor skala. Hvis du ikke kan levere en ren og pålidelig service, betyder det ikke noget, hvad du bygger oven på. Dengang var telefonen på køkkenvæggen, den indvendige ledning blev aldrig flyttet, og så længe der var dialtone, var alt i orden.

Bredbånd og internettet ændrede dette. Pludselig var det ikke længere bare “er det tændt?” Det var Ethernet og derefter Wi-Fi, børn på spilkonsoller og tabletter, du på en Zoom-opkald samarbejder på en cloud-regneark, og konstant mobilitet – enheder inde i hjemmet, i baghaven, på fodboldkampen, på kaffebarerne. Abonnentoplevelsen blev langt mere kompleks end en binær tændt/slukket tilstand, og verden for tjenesteudbydere blev meget dynamisk. I den verden er en bagudretningssyn på data – klassiske datawarehouse og historiske rapporter en måned senere – ikke nok. Du skal samle 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-lagre. Min erfaring siger, at du skal tænke meget dybere end det og designe til realtid, handlebar indsigt og evnen til at træffe rettidige handlinger.

For abonnenter er forventningerne dog ikke ændret meget de sidste 25 år. De vil stadig have sikker, administreret connectivitet, der føles så enkelt som dialtone – de vil have, at alt fungerer uden at tænke over alle lag og kompleksitet, og de vil have det overalt i deres liv. Min karriere i 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 i kanten. Det er præcis, hvordan jeg tænker om AI, der udfører rigtigt arbejde inden for en 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 teknologistakken. Mange virksomheder har besluttet, at AI blot er at bruge nogle API’er til at få adgang til en LLM, wire det ind i din stack med en wrapper og købe tokens – så har 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 hvilket 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, at det skal gøre. 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, reelle værdier og reelt ROI, er teknologiens specifikationer blot støj.

En anden stor fejl er at prøve atbolt AI på til det, du allerede har, uden at spørge, hvad det gør for din arkitektur, dit sikkerhedsmodel og dine omkostninger. AI er grundlæggende teknologi, ikke en inkrementel funktionopgradering. Når du behandler det som inkrementelt, ender du med dårlig data, sikkerhedsproblemer, hallucinationer, løbende omkostninger eller en masse aktivitet, der ikke løser et 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 over telekommunikation, fintech og sundhedssektor. Hos Calix startede vi med dyb erfaring i en branche og byggede en vertikal platform omkring det. Vi forstod allerede data, indsigt, arbejdsprocesser og kontekst, så stakken kunne afspejle den virkelighed. De fleste virksomheder kender deres vertikale industri indgående. Muligheden er at kode den viden ind i en vertikal teknologistak i stedet for at stole på et tyndt horisontalt lag og en generisk AI-model, derefter prøve at sy allesammen sammen. Forretninger 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 virksomheder oftest eller springer helt over?

I lang tid har stakken været ret enkel: data, indsigt, dashboards, arbejdsprocesser, mennesker. Du byggede datawarehouse, satte BI oven på, oprettede arbejdsprocessmotorer og overdrog det hårde arbejde til mennesker. I en agensverden holder det ikke. Du har brug for 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 toppen af isbjerget. Det, der afgør, om du overhovedet kan lade agenter røre ved reelle 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 ismasse under vandlinjen. Operationel AI er det samme. Røret under overfladen er, hvad der gør eller ødelægger dig.

Historisk set har vi aldrig behandlet orkestrering og tillid som separate lag, fordi mennesker udførte det meste af det arbejde. Orkestrering betød chefer og billetter; tillid betød brugernavne og adgangskoder. Nu har du agenter, der skal tillides – og du har brug for at koordinere multiple agenter 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 organisationer 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 regeringsproblem, ikke et adgangskontrolproblem. Hvis du ikke gør dette lag udtrykkeligt, kommer du til at sidde fast i demo-land, fordi du aldrig vil være komfortabel med at lade agenter 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, gennemgangbare og omvendelige, samtidig med at du flytter dig hurtigt nok til at levere forretningsværdi?

Du skal starte med en nultillidsindstilling. 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 vejledninger: gennemgangbarhed, sporbarhed og behov for en menneskelig faktor i løkken. Vores model afhænger af et tillidslag, der fungerer lidt som en trafikbetjent ved starten af hver interaktion: hvem er du, hvad gør du, og hvorfor gør du dette? Det eliminerer en masse sikkerhedsproblemer, fordi du ikke lader agenter løbe af med at gøre ting og derefter håber, du bemærker det efterfølgende.

Alternativet er at lade agenterne løbe frit og derefter løfte en alarm, hvis de går af og gør noget dårligt. Du antager, at du kan se det, opdage det, identificere det og stoppe det i realtid, i det tempo og den skala, disse systemer opererer med. Det er et meget svært problem, og det er derfor, så mange mennesker kæmper – de prøver at lede 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 omgivet af fuld gennemgangbarhed, så du kan gennemgå, hvad der skete, og rulle det tilbage, hvis du har brug for det. Det er, hvordan du flytter dig hurtigt og sover godt om natten.

Mange virksomheder lykkes med at generere AI-indsigt, 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, operationer og kundesupport?

Lang tid før AI var stjernen, var vi allerede besat af ét spørgsmål hos Calix: hvad gør en indsigt virkelig handlebar for en rigtig person 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 operationsteam gør, når en alarm lyder, hvad supportteams gør, når en abonnent ringer ind i frustration. Det tvang os til at blive meget præcise om, hvilke indsigtsspørgsmål betød noget for hvem, i hvilken kontekst og hvad “god handling” så ud som.

Så da agensbaseret AI kom frem, startede vi ikke fra scratch. Vi havde allerede realtidsystemer, der genererede handlebare indsigtsspørgsmål knyttet til bestemte personer og arbejdsprocesser. Designspørgsmålet blev: givet et andet værktøjssæt og en anden teknologistak, hvordan ville du genopbygge disse samme arbejdsprocesser i en agensbaseret AI-verden, i stedet for at prøve at opfinde alt det fra scratch?

Når du parrer denne dybe personkendskab med agensbaseret AI, kan du bygge dynamiske arbejdsprocesser over dynamisk data. Agenter kan finde ud af, i realtid, hvilke skridt og hvilke personer skal være involveret baseret på, hvad der sker, i stedet for at tvinge dig til at hårdkode hundredvis af stive arbejdsprocesser i mikrotjenester. For de fleste virksomheder er det hårde problem lige nu at gøre realtidsbeslutninger baseret på kontekst og derefter designe den rigtige arbejdsproces omkring det. For os var det allerede på plads; vi havde arbejdet med realtids-, personbaseret, handlebar indsigt i år. Agensbaseret AI er blot et nyt værktøjssæt oven på den grund.

Din platformvision omfatter agent-til-agent (A2A) interoperabilitet og fødererede AI-systemer. Hvordan ændrer denne tilgang måden, enterprise-værktøjer samarbejder på, 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 et data-lag”. Hver ny system betød en ny punktintegration, en ny datapipeline og et nyt sted at afklare sandheden. I en agensverden skalerer det ikke. Du vil have data til at blive, hvor det hører til, og have agenter tale til hinanden over veldefinerede 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 agenter opdager og bruger værktøjer og data uden en ny brugerdefineret integration hver gang. A2A er, hvordan agenter koordinerer arbejde med hinanden under klare vejledninger.

Når du har det, stopper samarbejdet med at se ud som en bunke ødelagte 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 vigtigt og lige presserende. Nogle arbejdsopgaver er virkelig tidskritiske, nogle er vigtige, men kan planlægges, nogle skal bare gøres, og nogle er støj. Med agent-til-agent-koordination oven på et tillids- og orkestreringslag kan du behandle disse kategorier forskelligt i skala: agenter kan sværme om de presserende og vigtige problemer, køe eller planlægge det vigtige, men ikke presserende, og holde det lavværdige, travlt arbejde væk fra alt andet. Det er en helt anden verden end “lad os tilføje endnu en forbindelse og håbe, køen afløber”. Du ser i stedet tillidsfulde, omhyggeligt orkestrerede dynamiske arbejdsprocesser omkring dynamisk data og begivenheder, i stedet for en klump af enkeltforbindelser, hvor alt råber med samme prioritet.

Når AI-agenter er tilladt at handle selvstændigt, 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 agensbaseret AI på, hvad de allerede 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 frihedsfelt – 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 blot skal håndteres stille i baggrunden.

Og så er der “smal over fedt”-delen. De fleste virksomheder tager fejl af, at større indvirkning fra AI kommer fra at blive bred. Du er meget bedre tjent med at vælge en smal vertikal skive – en konkrete brugsmodel, en sæt arbejdsprocesser – og bygge den tillid og orkestrering, du har brug for der. Bliv smallere i den vertikale, få det rette, hold mennesker i løkken på kanten og udvid derefter. Det er, hvordan du flytter dig hurtigt, forbliver ansvarlig og undgår at skabe en rod, du ikke kan afløse senere.

Fra din erfaring med at lede store globale produkt- og ingeniørteam, hvilke organisations- eller kulturelle ændringer er nødvendige for, at AI kan blive en holdbar virksomhedsfærdighed snarere end en samling løsrevne pilotprojekter?

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 gå fra data-lagre til et fødereret viden-lag, 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 pilotprojekter, 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 virker, ikke hvad der er højest i din feed. Trin to er at genopbygge videnlaget, så du kan omdanne data til fælles, fødereret kontekst i stedet for endnu en rapport begravet i et system. Trin tre er at genoverveje arbejdsprocesser omkring den viden og en rigtig tillidsmodel – det meste arbejde i dag er organiseret omkring mennesker, færdigheder og lokale viden-siloer. Hvis du ikke ændrer det, vil agenter blot være endnu et værktøj, der kredser omkring de samme gamle flaskehalse.

Kun derefter kommer den kulturelle ændring, der ofte er den sværeste. Du har brug for en kultur, hvor mennesker ikke primært er bekymrede 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 rigtig distribueret ledelse: mennesker på spidsen af spydet forstår arbejdsprocesserne, føler sig trygge ved at navngive friktionen og er begejstret for at sætte agenter i gang med det.

Settende blikket ud over bredbånd og telekommunikation, hvilke brancher tror du er bedst placeret til at adoptere 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 mønstre. Næsten hver vertikal har den samme underliggende udfordring: de har bygget data-siloer og funktionssiloer i stedet for en samlet visning på tværs af tre livscykler – 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 tilstrækkeligt højkvalitetsdata til at give agenter 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 viden-lag, kan agensbaseret AI blive et fantastisk værktøjssæt.

I den verden kommer “branchereadiness” ned til ledelse. Er en virksomheds ledere villige til at gå ud over marketingværktøjer og tynde horisontale dashboards og i stedet investere i en vertikal teknologistak – omdanne data til viden, føderere 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 placeret til operationel, agentdrevet AI; de, der ikke gør det, vil blive fanget 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 agenter eller modeller; det vil være de agensbaserede arbejdsprocesser, de muliggør, og den forretningsværdi, disse arbejdsprocesser leverer. Agenter 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 nogen bestemt værktøj. Vi bevæger os fra data-lagre til fødererede viden-lagre, fra ødelagte punktforbindelser til åbne, lagdelte stakke. I den verden vil du have agenter, der kører i forskellige cloud-miljøer, rører ved forskellige videnkilder og koordinerer over veldefinerede grænseflader – MCP på videnlaget og agent-til-agent-protokoller på orkestrerings- og tillidslagene. Når teknologien forbedres, vil du gerne kunne udskifte bedre dele 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 strømme, ikke funktioner, så du er klar over, hvilke arbejdsprocesser betyder noget, og hvad “godt” ser ud som i kunde-, medarbejder- og produktlivscyklusser. Og design til styring på agentniveau: antag nultillid som standard, define klar “agentkort”, og brug orkestrering til at afgøre, hvad der er presserende, hvad der er vigtigt, og hvad der blot skal gøres. Hvis du gør det, kan du lade teknologien ændre sig – som den altid gør – uden at være konstant bekymret for at genopbygge.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Calix.