Ilan Sade, Division President, GenAI & Data at Amdocs – Interview Series

Ilan Sade, Division President, GenAI & Data at Amdocs bringt mehr als zwei Jahrzehnte Führungserfahrung innerhalb der gleichen Organisation mit, beginnend als Programmierer und Projektmanager und aufsteigend zur Überwachung von groß angelegten globalen Lieferungen, Produktstrategie und Innovation. Während seiner Amtszeit hat er kritische Abteilungen geleitet, die sich auf Revenue-Management, digitale und geschäftliche Unterstützungssysteme und offene Netzinitiativen erstreckten, die in seiner Führung der T-Mobile-Abteilung gipfelten, bevor er in seine aktuelle Position wechselte, die sich auf generative KI und Daten konzentriert. Seine Karriere spiegelt tiefes Fachwissen im Bereich Telekommunikation wider, insbesondere in komplexen Abrechnungssystemen, Customer-Experience-Plattformen und großen Unternehmensumstellungen, die ihn an die Spitze des Übergangs von Amdocs zu KI-gesteuerten Betrieben und Next-Generation-Dataplattformen stellen.

Amdocs ist ein multinationales Software- und Dienstleistungsunternehmen, das sich auf Lösungen für Kommunikations-, Medien- und digitale Diensteanbieter spezialisiert hat, um ihnen bei der Verwaltung von allem, von Abrechnung und Kundenbeziehungen bis hin zu Netzwerkbetrieb 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. Die wachsende Konzentration auf generative KI und Datenplattformen spiegelt eine breitere Branchenverschiebung 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 Überwachung 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 über die Jahre gelernt habe, ist, dass das Einbringen von KI in die Produktion auf Telekommunikationsmaßstab nicht in erster Linie ein Modellproblem ist. Es ist ein Betriebsproblem. Sie benötigen die richtigen Datengrundlagen, starke Integration in bestehende Systeme, klare Verantwortlichkeit und Teams, die wissen, wie man KI als Teil der täglichen Geschäftsprozesse betreibt. Wenn eines dieser Teile fehlt, können Pilotprojekte beeindruckend aussehen, aber sie lassen sich nicht skalieren.

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

Bei der Mobile World Congress (MWC) gab es ein klares Signal, dass Telekommunikationsunternehmen stark in KI-Pilotprojekte investieren, aber Schwierigkeiten haben, sie zu operationalisieren. In Ihrer Meinung, was sind 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 breite Palette von Systemen, Teams und Anbietern aufgeteilt, was es schwierig macht, KI-Ausgaben mit realen Workflows zu verbinden. Dies ist besonders dann der Fall, 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 Pilotprojekt 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 Bereich der Telekommunikation bezieht sich agentic KI speziell auf die Technologie, die Ziele verstehen, Aufgaben planen, Aktionen über mehrere Systeme hinweg ausführen und auf Basis der Ergebnisse 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 operative Aufgaben zu erfüllen.

Dies unterscheidet sich grundlegend von früherer Automatisierung, die in erster Linie 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 Netzwerken?

KI-nativer Telekommunikationsbetrieb sieht so aus, dass KI in den Kern des Geschäfts eingebettet ist – nicht nur hinzugefügt. In der Praxis sieht das aus wie Service-Gewährleistungs-Workflows, die Probleme erkennen und lösen, bevor Kunden sie bemerken, Kundenbetreuungsreisen, die personalisiert und proaktiv sind, und Netzwerkbetrieb, der kontinuierlich die Leistung auf Basis von 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 Netzwerken angelangt und sollten realistisch darüber sein. Die nächsten Jahre werden von progressiver Autonomie geprägt sein, bei der Betreiber komplexere Workflows automatisieren, während sie die Kontrolle über wichtige Entscheidungen 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 schwierig gemacht hat. Wie hilft eine agentic Architektur dabei, diese Domänen zu vereinen und cross-funktionale Workflows zu ermöglichen?

Eine 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 abgebrochen sind.

Zum Beispiel 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. Diese Art von cross-funktionalem Ausführen 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 vom spezifischen Anwendungsfall abhängen, aber sie wird größtenteils menschlich geführt und durch KI beschleunigt für die absehbare Zukunft. 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 dazu zu bringen, sich auf Entscheidungen zu konzentrieren, die Expertenwissen erfordern, während KI die schwere operative Arbeitslast übernimmt.

In der Praxis bedeutet dies, klare Schwellenwerte für autonome Aktionen und Eskalationspfade für Ausnahmen festzulegen. Geringrisikige, repetitive Aufgaben können mit minimaler Aufsicht automatisiert werden, während hochwertige Entscheidungen immer menschliche Genehmigung erfordern sollten. 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 Metriken sollten CSPs verfolgen, 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 umfassen dies die erste Kontaktlösung, die durchschnittliche Bearbeitungszeit, die Reduzierung der Fluktuationsrate und die Kundenzufriedenheit. Auf der Netzwerksseite umfassen dies die mittlere Zeit bis zur Erkennung und die mittlere Zeit bis zur Lösung von Vorfällen, die Serviceverfügbarkeit und die operativen 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-agentische Workflows, die komplexe, end-to-end-Prozesse über Telekommunikationsumgebungen hinweg ausführen können. Wie stellen Sie sicher, dass die Koordination, Zuverlässigkeit und Governance gewährleistet sind, wenn mehrere KI-Agenten gleichzeitig über kritische Systeme operieren?

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

Zuverlässigkeit und Governance erfordern starke Kontrollen durch Design. Dazu gehören Richtlinienumsetzung, Prüfspuren, Erklärbarkeit und Echtzeitüberwachung des Agentenverhaltens. Es bedeutet auch, Ausfallmechanismen zu haben, 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 KernbetriebsEbene, die über Kunden-, Netzwerk- und Geschäftsprozesse eingebettet ist. Was hat sich in den letzten 12 bis 24 Monaten geändert, um diesen Übergang 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 gemacht hat. Gleichzeitig hat sich das Ökosystem um sie herum verbessert, einschließlich Orchestrierungsframeworks, Beobachtbarkeitstools und Governance-Steuerungen. Das hat es praktisch gemacht, von isolierten Anwendungsfällen zu koordinierten Betriebsworkflows 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 Telekommunikationsnetzwerke zu, und welche Herausforderungen müssen noch gelöst werden, bevor dies Realität wird?

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

Vollständig autonome Netzwerke 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 darin gewinnt, dass autonome Systeme unter realen Bedingungen sicher funktionieren können. Der Weg nach vorne wird inkrementell sein, mit klaren Kontrollen bei jedem Schritt.

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