Ilan Sade, Division President, GenAI & Data bei Amdocs – Interview-Serie

Ilan Sade, Division President, GenAI & Data bei Amdocs, bringt mehr als zwei Jahrzehnte Führungserfahrung innerhalb der gleichen Organisation mit, von frühen technischen Positionen als Programmierer und Projektmanager bis hin zur Überwachung von groß angelegten globalen Lieferungen, Produktstrategien und Innovationen. Während seiner Amtszeit hat er wichtige Abteilungen geleitet, die sich auf Revenue-Management, digitale und geschäftliche Unterstützungssysteme sowie offene Netzinitiativen erstreckten, was letztendlich in seiner Führung der T-Mobile-Abteilung vor seinem aktuellen Fokus auf generative KI und Daten mündete. Seine Karriere spiegelt tiefes Fachwissen in der Telekommunikationsbranche wider, insbesondere in komplexen Abrechnungssystemen, Kundenunterstützungsplattformen und großen Unternehmensumstellungen, was ihn an die Spitze von Amdocs’ Schritt in Richtung KI-gesteuerter Betriebe und nächster Generation von Datenplattformen stellt.

Amdocs ist ein multinationales Software- und Dienstleistungsunternehmen, das sich auf Lösungen für Kommunikations-, Medien- und digitale Dienstleister spezialisiert hat, um ihnen bei der Verwaltung von allem, von Abrechnung und Kundenbeziehungen bis hin zu Netzwerkbetrieben und digitaler Transformation, zu helfen. Gegründet im Jahr 1982 und in über 90 Ländern tätig, hat das Unternehmen sich zu einem wichtigen Infrastrukturanbieter für Telekommunikationsbetreiber entwickelt, der cloudbasierte Plattformen, KI-gesteuerte Analysen und Automatisierungstools anbietet, die einen effizienteren Service und personalisierte Kunden Erfahrungen ermöglichen. Der zunehmende Fokus auf generative KI und Datenplattformen spiegelt eine breitere Branchentendenz hin zu intelligenten, softwaredefinierten Netzwerken und vollständig digitalisierten Kundenökosystemen wider.

Sie haben mehr als zwei Jahrzehnte bei Amdocs verbracht, von einem Entwickler bis hin zur Leitung der GenAI- und Datenabteilung, und zuvor die Leitung einer der strategisch wichtigsten Partnerschaften des Unternehmens mit T-Mobile. Wie hat diese Reise Ihre Perspektive darauf geprägt, was es eigentlich braucht, um KI von Experimenten in die Produktion auf Telekommunikationsmaßstab zu bringen?

Was ich im Laufe der Jahre gelernt habe, ist, dass die Überführung von KI in die Produktion auf Telekommunikationsmaßstab nicht in erster Linie ein Modellproblem ist. Es ist ein Betriebsproblem. Man benötigt die richtigen Datenfundamente, starke Integration in bestehende Systeme, klare Verantwortlichkeit und Teams, die wissen, wie man KI als Teil der täglichen Geschäftsprozesse betreibt. Wenn eines dieser Elemente fehlt, können Pilotprojekte beeindruckend aussehen, aber sie skalieren nicht.

Mein Weg bei Amdocs hat mir die Möglichkeit gegeben, alle Seiten der Gleichung zu sehen, von der Technik bis hin zur Kundenlieferung und großen Betreiberpartnerschaften. Diese Erfahrung hat meine Ansicht geprägt, dass Erfolg durch die Kombination von technischer Exzellenz und Ausführungsdisziplin entsteht. In der Telekommunikation muss KI in komplexen Umgebungen funktionieren, reale Servicelevel unterstützen und messbare Ergebnisse liefern. Dazu ist ein Produktionsmindset von Anfang an erforderlich.

Auf dem Mobile World Congress (MWC) gab es ein klares Signal, dass Telekommunikationsunternehmen stark in KI-Pilotprojekte investieren, aber Schwierigkeiten haben, sie zu operationalisieren. Welche sind Ihrer Meinung nach die größten Hindernisse, die Betreiber daran hindern, über Experimente hinauszugehen?

Ich sehe eines der größten Hindernisse in der Fragmentierung. Die meisten Betreiber haben wertvolle Daten und starke Anwendungsfälle, aber ihre Umgebungen sind auf eine Vielzahl von Systemen, Teams und Anbietern aufgeteilt, was es schwierig macht, KI-Ergebnisse mit realen Workflows zu verbinden. Dies gilt insbesondere, wenn diese Workflows Netzwerk, Kundenservice und Geschäftsprozesse umfassen. Als Ergebnis bleibt KI oft eine Punkt-Lösung anstelle eines Teil des Betriebsmodells.

Darüber hinaus ist ein weiteres Hindernis, das ich beobachtet habe, Vertrauen – Betreiber benötigen letztendlich Zuverlässigkeit, Governance und klare Kontrollen, bevor sie KI in kritische Prozesse integrieren können. Wenn sie beispielsweise nicht erklären können, warum ein KI-Agent eine Entscheidung getroffen hat oder Richtlinien umsetzen, wird diese Technologie im Pilotmodus bleiben. Um voranzukommen, benötigt man ein Framework, das Automatisierung mit Beobachtbarkeit, Prüfbarkeit und menschlicher Aufsicht kombiniert.

Amdocs positioniert aOS als “agentic Operating System”. Wie definieren Sie agentic KI im Kontext der Telekommunikation, und wie unterscheidet sie sich grundlegend von früheren KI-gesteuerten Automatisierungsansätzen?

Im Telekommunikationsbereich bezieht sich agentic KI speziell auf die Technologie, die Ziele verstehen, Aufgaben planen, Aktionen über mehrere Systeme hinweg ausführen und basierend auf Ergebnissen anpassen kann. Anstatt einfach nur Inhalte zu generieren oder Ergebnisse vorherzusagen, können Agenten Workflows von Anfang bis Ende ausführen. Sie können über Kontext nachdenken, mit anderen Agenten zusammenarbeiten und innerhalb von Governance-Grenzen operieren, um reale operationale Aufgaben zu erledigen.

Das ist grundlegend anders als frühere Automatisierung, die hauptsächlich regelbasiert und statisch war. Traditionelle Automatisierung funktionierte gut für repetitive Aufgaben in stabilen Umgebungen, aber sie hatte Schwierigkeiten mit Komplexität und Ausnahmen. Agentic KI kann dynamische Situationen bewältigen, aus Feedback lernen und über Domänen hinweg koordinieren.

Sie haben eine Zukunft von KI-nativen Telekommunikationsbetrieben beschrieben. Wie sieht das in der Praxis aus, und wie weit entfernt sind wir von vollständig autonomen Netzen?

KI-nativer Telekommunikationsbetrieb sieht so aus, dass KI in den Kern des Geschäfts eingebettet ist – nicht nur darauf gesetzt. In der Praxis sieht das so aus, dass Service-Gewährleistungs-Workflows Probleme erkennen und lösen, bevor Kunden sie bemerken, Kundenbetreuungsreisen, die personalisiert und proaktiv sind, und Netzwerkbetrieb, der kontinuierlich die Leistung basierend auf Echtzeitbedingungen optimiert. Der Schlüssel ist, dass KI in Entscheidungen und Ausführung integriert ist, nicht nur in der Analyse.

Wir sind noch nicht bei vollständig autonomen Netzen angelangt, und wir sollten realistisch darüber sein. Die nächsten Jahre werden von progressiver Autonomie geprägt sein, bei der Betreiber komplexere Workflows automatisieren, während sie Menschen bei hochwertigen Entscheidungen im Griff behalten. Vollständige Autonomie erfordert stärkere Standards, breitere Interoperabilität und kontinuierliche Verbesserungen in Zuverlässigkeit und Governance.

Telekommunikationssysteme waren historisch fragmentiert über Operations Support Systems (OSS) und Business Support Systems (BSS) -Schichten, was eine End-to-End-Automatisierung erschwert hat. Wie hilft eine agentic Architektur dabei, diese Domänen zu vereinen und cross-funktionale Workflows zu ermöglichen?

Agentic-Architektur hilft, indem sie eine Koordinierungsebene einführt, die über OSS und BSS hinweg ohne eine vollständige Systemersetzung arbeiten kann. Agenten können über APIs mit bestehenden Plattformen verbinden, den Kontext eines Geschäftsziels verstehen und dann die richtige Sequenz von Aktionen über Netzwerk-, Service- und Kunden-Systeme hinweg orchestrieren. Dies ermöglicht es Betreibern, Workflows zu automatisieren, die zuvor an Domänen-Grenzen abbrachen.

Beispielsweise kann ein agentic-System, wenn es ein Netzwerkproblem gibt, das einen hochwertigen Unternehmenskunden betrifft, den Fehler korrelieren, die Auswirkungen bewerten, Wiederherstellungsmaßnahmen auslösen und den Kundenkommunikationsfluss parallel aktualisieren. Eine solche cross-funktionale Ausführung ist mit traditioneller Automatisierung schwierig, da jede Domäne isoliert operiert. Agentic-Workflows helfen, diese Lücke zu schließen.

Eines der interessanten Aspekte von agentic-Systemen ist die Zusammenarbeit zwischen KI-Agenten und menschlichen Operatoren. Wo sehen Sie die Balance zwischen Automatisierung und menschlicher Aufsicht in Telekommunikationsumgebungen?

Die Balance zwischen KI-Agenten und menschlichen Operatoren wird immer von dem spezifischen Anwendungsfall abhängen, wird aber größtenteils von Menschen geleitet und durch KI beschleunigt sein. KI-Agenten sind hervorragend bei Geschwindigkeit, Skalierbarkeit und Mustererkennung, während menschliche Operatoren Urteilsvermögen, Verantwortlichkeit und Kontext mitbringen. Das Ziel ist nicht, Menschen aus der Schleife zu entfernen. Es ist, Menschen die Entscheidungen zu überlassen, die Fachwissen erfordern, während KI den schweren operativen Arbeitsaufwand übernimmt.

In der Praxis bedeutet das, klare Schwellenwerte für autonome Aktionen und Eskalationspfade für Ausnahmen festzulegen. Niedrigrisikige, repetitive Aufgaben können mit minimaler Aufsicht automatisiert werden, während hochwertige Entscheidungen immer menschliche Genehmigung erfordern. Dieser Ansatz baut Vertrauen auf und hilft Betreibern, KI sicher über mission-kritische Umgebungen zu skalieren.

Es gibt viel Hype um generative KI, aber Telekommunikationsbetreiber sind letztendlich auf ROI fokussiert. Welche sind die wichtigsten Metriken, die CSPs verfolgen sollten, um zu bestimmen, ob KI-Einsätze tatsächlich Wert liefern?

Betreiber sollten Metriken verfolgen, die direkt mit Geschäftsergebnissen zusammenhängen, nicht nur mit technischer Leistung. Auf der Kundenseite umfasst dies Erstkontaktlösung, durchschnittliche Bearbeitungszeit, Abbruchreduzierung und Kundenzufriedenheit. Auf der Netzwerksseite umfasst dies mittlere Zeit zur Erkennung und mittlere Zeit zur Lösung von Vorfällen, Serviceverfügbarkeit und operationelle Effizienzgewinne.

Es ist auch wichtig, die Akzeptanz und Zuverlässigkeit zu messen. Wenn Agenten bereitgestellt werden, aber Teams ihnen nicht vertrauen, wird der Wert nicht realisiert. CSPs sollten verfolgen, wie oft KI-Empfehlungen akzeptiert werden, wie oft Workflows erfolgreich abgeschlossen werden und wie oft menschliche Intervention erforderlich ist. ROI kommt von nachhaltigem operativem Einfluss, nicht von isolierten Pilotergebnissen.

aOS betont multi-Agenten-Workflows, die komplexe, End-to-End-Prozesse über Telekommunikationsumgebungen hinweg ausführen können. Wie stellen Sie sicher, dass bei der gleichzeitigen Ausführung mehrerer KI-Agenten über kritische Systeme hinweg Koordination, Zuverlässigkeit und Governance gewährleistet sind?

Koordination beginnt mit einem klaren Orchestrierungsmodell. In einer multi-Agenten-Umgebung sollte jeder Agent definierte Zugriffsgrenzen und Erfolgskriterien haben. Eine zentrale Orchestrierungsebene verwaltet die Aufgabenfolge, Konfliktlösung und Zustandstracking, damit Agenten nicht im Widerspruch zueinander arbeiten. Dies hält Workflows vorhersehbar, auch wenn sie viele Systeme umfassen.

Zuverlässigkeit und Governance erfordern starke Kontrollen von Beginn an. Dazu gehören Richtlinienumsetzung, Prüfspuren, Erklärbarkeit und Echtzeitüberwachung des Agentenverhaltens. Es bedeutet auch, dass es Fallback-Mechanismen gibt, damit Workflows sicher pausieren, eskalieren oder zurückgesetzt werden können, wenn etwas Unerwartetes passiert. In kritischen Telekommunikationssystemen ist Governance mehr als nur ein Add-on – es ist eine Kernanforderung.

In einer jüngsten aOS-Ankündigung positioniert Amdocs generative KI als Entwicklung von einer “Sidecar”-Fähigkeit zu einer Kernbetriebs Ebene, die über Kunden-, Netzwerk- und Geschäftsprozesse hinweg eingebettet ist. Was hat sich in den letzten 12 bis 24 Monaten geändert, um diesen Schritt heute möglich zu machen?

Mehrere Dinge haben sich gleichzeitig entwickelt. Grundmodellverbesserungen haben sich erheblich in der Argumentationsqualität und Werkzeugnutzung verbessert, was sie in Unternehmensworkflows leistungsfähiger machte. Gleichzeitig hat sich das Ökosystem um sie herum verbessert, einschließlich Orchestrierungsframeworks, Beobachtungstools und Governance-Kontrollen. Das machte es praktisch, von isolierten Anwendungsfällen zu koordinierten operativen Workflows überzugehen.

Die andere große Veränderung ist die organisatorische Reife. Betreiber haben jetzt klarere Prioritäten um KI und stärkeren Druck, messbare Ergebnisse zu liefern. Sie experimentieren nicht mehr nur, um zu lernen. Sie suchen nach Plattformen, die KI über Funktionen hinweg mit Sicherheit und Kontrolle skalieren können. Diese Verschiebung in der Reife auf beiden Seiten, Technologie und Geschäft, ist es, was diesen Moment anders macht.

Wenn aOS einen Wendepunkt hin zu KI-nativen Telekommunikationsbetrieben darstellt, wie sieht die nächste Phase aus? Steuern wir auf vollständig autonome Telekommunikationsnetze zu, und welche Herausforderungen müssen noch gelöst werden, bevor das Wirklichkeit wird?

Die nächste Phase ist die Skalierung von isolierter Automatisierung zu koordinierter Autonomie über das gesamte Unternehmen hinweg. Wir werden wahrscheinlich mehr multi-Agenten-Workflows sehen, die Kundenbetreuung, Service-Operationen und Netzwerkteams in Echtzeit verbinden. Betreiber könnten von reaktiven Betrieben zu prädiktiven und proaktiven Modellen übergehen, bei denen KI Risiken frühzeitig erkennen und Abhilfemaßnahmen ergreifen kann, bevor Probleme eskalieren.

Vollständig autonome Netze sind ein langfristiges Ziel, aber es gibt noch wichtige Herausforderungen zu lösen. Wir benötigen stärkere Interoperabilität über Anbieterökosysteme hinweg, robustere Governance-Standards und kontinuierliche Fortschritte in Zuverlässigkeit und Erklärbarkeit. Am wichtigsten ist, dass die Branche Vertrauen in die Fähigkeit autonomer Systeme benötigt, sicher unter realen Bedingungen zu funktionieren. Der Weg nach vorne wird schrittweise sein, mit klaren Kontrollen bei jedem Schritt.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Amdocs besuchen.