Shane Eleniak, Chief Product Officer bei Calix – Interview-Serie

Shane Eleniak ist Chief Product Officer bei Calix, wo er die strategische Vision und Umsetzung der branchenführenden Plattform und SaaS-Lösungen des Unternehmens leitet. Mit dem Fokus auf die Ermöglichung von Kommunikationsdienstleistern, ihre Geschäfte zu vereinfachen und außergewöhnliche Abonnentenerlebnisse zu bieten, überwacht Shane den gesamten Produktlebenszyklus – von der Konzeption bis zur marktführenden Bereitstellung.

Unter seiner Führung hat Calix seine Position als Pionier in der Breitbandindustrie gefestigt und konsistent innovative Tools bereitgestellt, die Anbietern ermöglichen, zu konkurrieren und zu gewinnen.

Calix ist ein in den USA ansässiges Technologieunternehmen, das Cloud-, Software- und Managed-Service-Plattformen für Breitband- und Kommunikationsdienstleister bereitstellt. Sein Kernangebot konzentriert sich auf eine künstliche Intelligenz-basierte Breitbandplattform, die Cloud-Infrastruktur, Daten und Netzsysteme integriert, um Anbietern zu helfen, ihre Betriebsabläufe zu vereinfachen, die Kundenbindung zu verbessern und personalisierte digitale Erlebnisse zu bieten. Indem Calix es Anbietern ermöglicht, von grundlegenden Konnektivitätsdiensten zu vollständigen “Erfahrungsanbietern” zu wechseln, hilft es ihnen, Umsatz zu steigern, die Abonnententreue zu erhöhen und die digitale Transformation von Gemeinschaften durch fortschrittlichere und skalierbarere Breitbanddienste zu unterstützen.

Ihre Karriere umfasst mehr als drei Jahrzehnte in den Bereichen Ingenieurwesen, Netzwerke, Cloud-Plattformen und groß angelegte Produktführung. Wie haben diese Erfahrungen Ihre Perspektive auf das geformt, was es wirklich braucht, um künstliche Intelligenz innerhalb von Unternehmen real zu machen, anstatt sie als Seitenexperiment zu belassen?

Ich begann im traditionellen Telekommunikations- und Netzwerkbereich, wo das ganze Spiel um den Datenpfad und die Zuverlässigkeit im großen Maßstab ging. Wenn Sie keinen sauberen, zuverlässigen Dienst liefern können, ist nichts, was Sie darauf aufbauen, wirklich wichtig. Damals war das Telefon an der Wand, die Inneneinrichtung wurde nie verändert und solange es einen Klingelton gab, war alles in Ordnung.

Der Breitband- und Internet-Zugang haben das alles verändert. Plötzlich war es nicht mehr nur “ist es an?” Es war Ethernet und dann Wi-Fi, Kinder auf Gaming-Konsolen und Tablets, Sie auf einem Zoom-Anruf, der auf einer Cloud-Tabelle zusammenarbeitet, und ständige Mobilität – Geräte im Haus, im Hinterhof, auf dem Fußballplatz, im Café. Das Abonnentenerlebnis wurde viel komplexer als ein binärer An/Aus-Zustand, und die Welt für Dienstleister wurde sehr dynamisch. In dieser Welt reicht eine rückwärts gerichtete Sicht auf Daten – klassische Data-Warehouses und historische Berichte einen Monat später – nicht aus. Sie müssen Daten sammeln, das Erlebnis verstehen und Erkenntnisse in Echtzeit generieren, da Abonnenten nun erwarten, dass Probleme proaktiv gelöst werden, nicht in Stunden oder Tagen.

Diese Entwicklung hat meine Sicht auf künstliche Intelligenz geprägt. Die meisten Menschen möchten künstliche Intelligenz “oben drauf” setzen, genauso wie sie Business-Intelligence oder SaaS auf bestehende Data-Lakes setzen. Meine Erfahrung sagt mir, dass man viel tiefer denken und für Echtzeit-Erkenntnisse und die Fähigkeit zu zeitnahen Handlungen entwerfen muss.

Für Abonnenten jedoch hat sich die Erwartung in den letzten 25 Jahren nicht viel geändert. Sie wollen immer noch sichere, verwaltete Konnektivität, die so einfach ist wie ein Klingelton – sie wollen, dass alles “einfach funktioniert”, ohne über alle Schichten und Komplexität nachzudenken, und sie wollen es überall in ihrem Leben. Meine Karriere im Telekommunikations- und Cloud-Bereich hat mich sehr vertraut gemacht mit diesem Paradox: man baut extrem komplexe Systeme, um all diese Komplexität wegzunehmen und ein einfaches, großartiges Erlebnis am Rand zu liefern. Das ist genau, wie ich über künstliche Intelligenz nachdenke, die in jedem Unternehmen real arbeitet.

Bei Calix betonen Sie oft, dass operationale künstliche Intelligenz gebaut und nicht gekauft wird. Welche sind die häufigsten Fehler, die Organisationen machen, wenn sie versuchen, künstliche Intelligenz hinzuzufügen, ohne die Arbeitsabläufe im Unternehmen zu überdenken?

Für mich geht es weniger um “gebaut versus gekauft” und mehr darum, ob Sie einen Schritt zurückgetreten sind und den gesamten Tech-Stack betrachtet haben. Viele Unternehmen haben beschlossen, dass künstliche Intelligenz einfach darin besteht, einige APIs zu verwenden, um Zugang zu einem LLM zu erhalten, es in ihren Stack mit einem Wrapper zu verbinden und Token zu kaufen – dann haben Sie eine künstliche Intelligenz-Strategie. So funktioniert das nicht.

Zu viele von uns werden von der Technologie fasziniert, anstatt von dem Ergebnis. Wir haben diesen Film bereits gesehen. Als PCs aufkamen, wollte jeder darüber diskutieren, ob man einen 286er oder 386er hatte, wie viel Speicher man hatte und welches DOS man verwendete. Heute kann niemand Ihnen die Spezifikationen seines Laptops oder Smartphones sagen, und niemand interessiert sich dafür, bis es aufhört, das zu tun, was man braucht. Was wichtig ist, ist: macht dies mich in meinem Job effektiver? Es ist dasselbe mit künstlicher Intelligenz. Wenn Sie es nicht an reale Arbeitsabläufe, realen Wert und reale ROI binden können, sind die Tech-Spezifikationen nur Rauschen.

Ein weiterer großer Fehler ist es, künstliche Intelligenz auf das zu montieren, was Sie bereits haben, ohne zu fragen, was es mit Ihrer Architektur, Ihrem Sicherheitsmodell und Ihren Kosten macht. Künstliche Intelligenz ist eine grundlegende Technologie, kein inkrementeller Funktionsaufbau. Wenn Sie sie als inkrementell behandeln, erhalten Sie schlechte Daten, Sicherheitsprobleme, Halluzinationen, außer Kontrolle geratene Kosten oder viele Aktivitäten, die niemandem ein Problem lösen.

Schließlich können Sie den Kontext und die Bedeutung von vertikaler Expertise nicht ignorieren. Aktion ist alles über Kontext, und dieser Kontext unterscheidet sich zwischen Telekommunikation, Finanztechnologie und Gesundheitswesen. Bei Calix haben wir mit tiefgreifender Erfahrung in einer Branche begonnen und eine vertikale Plattform darauf aufgebaut. Wir verstanden bereits die Daten, Erkenntnisse, Arbeitsabläufe und den Kontext, so dass der Stack diese Realität widerspiegeln konnte. Die meisten Unternehmen kennen ihre vertikale Branche sehr gut. Die Chance besteht darin, diese Kenntnisse in einen vertikalen Tech-Stack zu kodifizieren, anstatt auf eine dünne horizontale Schicht und ein generisches künstliches Intelligenz-Modell zu vertrauen und dann alles zusammenzufügen. Unternehmen sind um Ergebnisse bemüht, nicht um Modelle. Die eigentliche Frage ist, wie diese Technologie Ihnen hilft, diese Ergebnisse in der Art und Weise zu liefern, wie Ihre Arbeitsabläufe fließen.

Sie haben eine fünfschichtige Architektur für operationale künstliche Intelligenz skizziert, die Daten, Wissen, Orchestrierung, Vertrauen und Aktion umfasst. Warum ist es wichtig, diese Schichten explizit zu trennen, und welche Schicht unterschätzen Unternehmen am häufigsten oder überspringen sie ganz?

Seit langem war der Stack ziemlich einfach: Daten, Erkenntnisse, Dashboards, Arbeitsabläufe, Menschen. Man baute Data-Warehouses, setzte Business-Intelligence darauf, erstellte Workflow-Engines und überließ die harte Arbeit den Menschen. In einer agentischen Welt hält das nicht stand. Sie benötigen Daten, Wissen, Orchestrierung, Vertrauen und Aktion, da jede Schicht eine unterschiedliche Funktion ausführt.

Der sichtbare Teil, über den jeder sprechen möchte, ist die Aktionsschicht – die Agenten. Das ist die Spitze des Eisbergs. Was darüber entscheidet, ob Sie jemals Agenten realen Systemen anfassen lassen können, ist all das “langweilige” Zeug unter der Wasserlinie: Datenpipelines und saubere Daten, die Wissensschicht, die Kontext bietet, die Orchestrierung, die dynamische Arbeitsabläufe koordiniert, und das Vertrauensmodell, das entscheidet, was erlaubt ist. Als die Titanic unterging, war es nicht der kleine Teil, den man sehen konnte, der sie unterging, sondern die riesige Masse des Eises unterhalb. Operationale künstliche Intelligenz ist dasselbe. Die Rohre unter der Oberfläche sind es, die Sie machen oder brechen.

Historisch haben wir Orchestrierung und Vertrauen nicht als separate Schichten behandelt, weil Menschen die meiste Arbeit geleistet haben. Orchestrierung bedeutete Manager und Ticket-Schlangen; Vertrauen bedeutete Benutzernamen und Passwörter. Jetzt müssen Sie Agenten vertrauen, um Dinge zu tun, und Sie müssen mehrere Agenten in Echtzeit um dynamische Daten herum koordinieren. Das ist ein völlig anderes Designproblem, weshalb diese Schichten explizit sein müssen.

Die Schicht, die die meisten Menschen unterschätzen, ist Vertrauen. Viele Organisationen denken, sie hätten Vertrauen im Griff, weil sie Zugriffskontrollen haben – wer kann sich in welches System einloggen. Aber wahres Vertrauen in einer agentischen Welt ist nicht “hat dieser Benutzer Zugriff?” Es ist “ist diese bestimmte Aktion für diesen Einzelnen oder diesen Agenten zu diesem Zeitpunkt angemessen?” Das ist eine Regierungsfrage, keine Zugriffskontrollfrage. Wenn Sie diese Schicht nicht explizit machen, stecken Sie in der Demo-Land fest, weil Sie nie damit zufrieden sein werden, Agenten in der Produktion echte Arbeit leisten zu lassen.

Vertrauen ist also offensichtlich ein grundlegender Teil Ihrer künstlichen Intelligenz-Strategie. Wie entwerfen Sie Systeme, um sicherzustellen, dass automatisierte Entscheidungen beobachtbar, überprüfbar und rückgängig gemacht werden können, während sie gleichzeitig schnell genug sind, um Geschäftswert zu liefern?

Sie müssen mit einer Null-Vertrauens-Grundhaltung beginnen. Die erste Frage ist nicht “kann dieser Agent technisch dies tun?” Die erste Frage ist “sollte dieser Agent im Namen dieser Person überhaupt versuchen, dies zu tun?” Wenn die Antwort nein ist, dann gehen Sie nicht weiter.

Wenn die Antwort ja ist, gehen Sie in die Schutzmaßnahmen: Überprüfbarkeit, Nachvollziehbarkeit und die Notwendigkeit eines Menschen im Entscheidungsprozess. Unser Modell basiert auf einer Vertrauensschicht, die ein bisschen wie ein Verkehrspolizist am Anfang jeder Interaktion wirkt: wer sind Sie, was tun Sie und warum tun Sie dies? Das eliminiert viele Sicherheitsprobleme, weil Sie Agenten nicht loslassen und hoffen, dass Sie es später bemerken.

Die Alternative ist, die Agenten loszulassen und dann einen Alarm auszulösen, wenn sie etwas Schlechtes tun. Sie gehen davon aus, dass Sie es sehen, herausfinden, identifizieren und in Echtzeit stoppen können, im Tempo und Umfang, in dem diese Systeme arbeiten. Das ist ein sehr hartes Problem, und es ist der Grund, warum so viele Menschen kämpfen – sie versuchen, schlechte Akteure in Echtzeit zu finden, anstatt schlechte Aktionen im Voraus zu verhindern.

Daraufhin haben wir zusätzlich geschichtete Gateways hinzugefügt. Selbst wenn ein Agent im Namen der richtigen Person handelt, überprüfen wir immer noch die Sitzung und den Inhalt – versuchen sie, ein Modell zu vergiften, eine API zu missbrauchen oder etwas außerhalb der Richtlinie zu tun? All dies ist in voller Überprüfbarkeit gehüllt, so dass Sie überprüfen können, was passiert ist, und es zurücksetzen können, wenn Sie müssen. So können Sie schnell handeln und gleichzeitig ruhig schlafen.

Viele Unternehmen haben Erfolg bei der Generierung von künstlichen Intelligenz-Erkenntnissen, aber sie kämpfen darum, diese in Aktionen umzusetzen. Welche Entwurfsentscheidungen ermöglichten es Calix, künstliche Intelligenz direkt in den täglichen Arbeitsabläufen von Marketing, Betrieb und Kundensupport einzusetzen?

Lang bevor künstliche Intelligenz der Star der Show war, haben wir bei Calix bereits eine Frage gestellt: Was macht eine Erkenntnis wirklich handhabbar für eine reale Person in einem realen Job? Seit 2018 arbeiten wir mit Dienstleistern zusammen, um zu verstehen, wie unterschiedliche Personas arbeiten – was ein Marketingspezialist am Dienstagmorgen tut, was ein Betriebsteam tut, wenn ein Alarm ausgelöst wird, was Support-Teams tun, wenn ein Abonnent anruft und frustriert ist. Das hat uns gezwungen, sehr präzise zu werden, welche Erkenntnisse für wen in welchem Kontext wichtig sind und was “gute Aktion” aussieht.

Als agentische künstliche Intelligenz kam, waren wir nicht von vorneherein dabei. Wir hatten bereits Echtzeit-Systeme, die handhabbare Erkenntnisse generierten, die an bestimmte Personas und Arbeitsabläufe gebunden waren. Die Entwurfsfrage wurde: Wie würden Sie diese Arbeitsabläufe in einer agentischen künstlichen Intelligenz-Welt neu entwerfen, anstatt alles von vorneherein zu erfinden?

Wenn Sie diese tiefgreifende Persona-Kenntnis mit agentischer künstlicher Intelligenz kombinieren, können Sie dynamische Arbeitsabläufe über dynamische Daten aufbauen. Agenten können in Echtzeit herausfinden, welche Schritte und welche Personas involviert sein müssen, basierend auf dem, was passiert, anstatt Sie zu zwingen, hunderte starre Flows in Micro-Services zu kodifizieren. Für die meisten Unternehmen ist das harte Problem derzeit, in Echtzeit Entscheidungen auf der Grundlage von Kontext und dann den richtigen Arbeitsablauf zu entwerfen. Für uns war das bereits vorhanden; wir hatten bereits Echtzeit-, persona-basierte, handhabbare Erkenntnisse seit Jahren. Agentische künstliche Intelligenz ist einfach ein neues Werkzeugset auf dieser Grundlage.

Ihre Plattformvision umfasst Agent-to-Agent-(A2A)-Interoperabilität und föderierte künstliche Intelligenz-Systeme. Wie ändert sich diese Herangehensweise die Art und Weise, wie Unternehmenswerkzeuge zusammenarbeiten, im Vergleich zu herkömmlichen Punkt-zu-Punkt-Integrationen?

Wenn man auf die letzten 20 Jahre zurückblickt, war das Standardmuster “eine Menge SaaS-Tools kaufen und sie um einen Data-Lake herum verbinden”. Jedes neue System bedeutete eine weitere Punkt-zu-Punkt-Integration, eine weitere Datenpipeline und einen weiteren Ort, an dem man die Wahrheit überprüfen musste. In einer agentischen Welt skaliert das nicht. Sie möchten, dass die Daten dort bleiben, wo sie hingehören, und dass Agenten miteinander über gut definierte Schnittstellen sprechen.

Das ist der Grund, warum wir von MCP auf der Wissensschicht und A2A auf der Orchestrierungs- und Vertrauensschicht sprechen. MCP ist, wie Agenten Tools und Daten ohne eine neue benutzerdefinierte Integration verwenden können. A2A ist, wie Agenten unter klaren Schutzmaßnahmen miteinander arbeiten.

Sobald Sie das haben, sieht die Zusammenarbeit nicht mehr wie ein Haufen brüchiger Verbindungen aus, sondern wie ein Netzwerk von Spezialisten, die dynamisch um reale Arbeit herum teamen können. Hier kommt die Eisenhower-Matrix-Analogie ins Spiel. Nicht alles ist gleichzeitig dringend und wichtig. Einige Arbeiten sind wirklich zeitkritisch, einige sind wichtig, aber können geplant werden, einige müssen einfach erledigt werden, und einige sind nur Lärm. Mit Agent-to-Agent-Koordination auf einer Vertrauens- und Orchestrierungsschicht können Sie diese Kategorien unterschiedlich behandeln: Agenten können die dringendsten und wichtigsten Probleme umschwärmen, die wichtigen, aber nicht dringenden, planen oder in eine Warteschlange stellen und die geringwertigen, lästigen Arbeiten davon abhalten, alles andere zu überfluten.

Das ist eine völlig andere Welt als “lassen Sie uns noch einen Connector hinzufügen und hoffen, dass die Warteschlange leer wird”. Sie sehen effektiv vertrauenswürdige, sorgfältig orchestrierte dynamische Arbeitsabläufe um dynamische Ereignisse und Daten herum, anstatt ein Gewirr von Einzelintegrationen, bei denen alles mit der gleichen Priorität schreit.

Sobald künstliche Intelligenz-Agenten autonom handeln dürfen, wird Regierungsführung schnell zu einer Herausforderung. Wie balancieren Sie Geschwindigkeit, Rechenschaftspflicht und menschliche Aufsicht, wenn künstliche Intelligenz-Systeme Entscheidungen treffen oder ausführen, im großen Maßstab?

Der Fehler, den ich sehe, ist, dass die Leute denken, sie könnten agentische künstliche Intelligenz auf das montieren, was sie haben, und dann versuchen, Geschwindigkeit, Rechenschaftspflicht und menschliche Aufsicht nachträglich auszugleichen. Sie können nicht. Sie müssen von Anfang an anerkennen, dass dies ein vertikales Tech-Stack-Problem ist, und absichtlich eine Vertrauensschicht und eine Orchestrierungsschicht aufbauen. Ohne diese beiden Schichten wird es zu einem freien Für-alle, bei dem alles zuerst kommt, zuerst bedient wird, oder wer am lautesten schreit.

Wiederum ist es die Eisenhower-Matrix: nicht alle Arbeiten sind gleich. Vertrauen und Orchestrierung sind die Art und Weise, wie Sie dies in einer agentischen Welt operationalisieren. Sie möchten nicht, dass jeder Agent jeden Auftrag wie einen Feueralarm behandelt; Sie möchten, dass das System weiß, was wirklich zeitkritisch ist, was geplant werden kann und was leise im Hintergrund erledigt werden kann.

Und dann gibt es den “schmal über breit” Teil. Die meisten Unternehmen irren, wenn sie denken, dass größere Auswirkungen von künstlicher Intelligenz mit Breite einhergehen. Sie sind viel besser dran, wenn sie sich auf einen schmalen vertikalen Ausschnitt konzentrieren – einen konkreten Anwendungsfall, einen Satz von Arbeitsabläufen – und dort das Vertrauen und die Orchestrierung aufbauen, die sie benötigen. Dünner werden im Vertikalen, es richtig machen, Menschen am Rand im Loop halten und dann erweitern. So können Sie schnell vorankommen, rechenschaftspflichtig bleiben und vermeiden, ein Durcheinander zu schaffen, das Sie später nicht mehr entwirren können.

Aus Ihrer Erfahrung als Leiter großer globaler Produkt- und Ingenieursteams: Welche organisatorischen oder kulturellen Veränderungen sind erforderlich, damit künstliche Intelligenz zu einer dauerhaften Unternehmensfähigkeit wird, anstatt eine Sammlung von nicht verbundenen Pilotprojekten?

Die meisten Unternehmen haben kein “künstliche Intelligenz-Problem”; sie haben ein Wissens- und Arbeitsablauf-Problem. Der erste Schritt ist, aufzuhören, mit Punkt-Lösungen zu spielen, und von Data-Warehouses zu einem föderalen Wissens-Repository zu wechseln, auf das jeder zugreifen und handeln kann. Solange Wissen in Silos lebt und künstliche Intelligenz nur ein Kirschen auf den bestehenden Data-Lakes ist, erhalten Sie Pilotprojekte, nicht Transformation.

Danach müssen Sie bereit sein, die härteren Probleme in einer bestimmten Reihenfolge anzugehen. Schritt eins ist, Hype von Realität zu trennen und das zu adoptieren, was funktioniert, anstatt dem zu folgen, was am lautesten in Ihrem Feed ist. Schritt zwei ist, die Wissensschicht so umzubauen, dass Sie Daten in geteilten, föderierten Kontext umwandeln können, anstatt nur einen weiteren Bericht in einem System zu begraben. Schritt drei ist, Arbeitsabläufe um dieses Wissen und eine echte Vertrauensschicht herum zu überdenken – die meisten Arbeiten sind heute um Menschen, Fähigkeiten und lokale Wissenssilos organisiert. Wenn Sie das nicht ändern, werden Agenten nur ein weiteres Werkzeug sein, das um die gleichen alten Flaschenhälse kreist.

Erst dann kommen Sie zur kulturellen Veränderung, die oft die schwerste ist. Sie benötigen eine Kultur, in der Menschen nicht in erster Linie besorgt sind, ihre Jobs, Tools oder Identität zu verlieren, sondern wirklich aufgeregt sind, mit neuen Fähigkeiten zu arbeiten. Das ist ein Change-Management-Problem, kein Technologieproblem. Es sieht aus wie echte verteilte Führung: Menschen an der Spitze des Speers verstehen die Arbeitsabläufe, fühlen sich sicher, die Reibung zu benennen, und sind aufgeregt, Agenten darauf ansetzen zu lassen.

Außerhalb von Breitband und Telekommunikation: Welche Branchen sind Ihrer Meinung nach am besten geeignet, operationale, agentengetriebene künstliche Intelligenz als Nächstes zu übernehmen, und welche Bedingungen machen sie bereit?

Ich denke nicht darüber nach, Gewinner nach Branchenlabel auszuwählen; ich denke in Mustern. Fast jede vertikale hat die gleiche zugrunde liegende Herausforderung: Sie haben Data-Silos und Funktions-Silos aufgebaut, anstatt einen Blick über drei Lebenszyklen – Kunden, Mitarbeiter und Produkt. Diejenigen, die bereit sind, dies zu sehen, zuzugeben, dass sie keine echte Wissensschicht haben, und es zu beheben, sind diejenigen, die bereit sind.

Danach sehen die Bedingungen ziemlich ähnlich aus, unabhängig davon, ob Sie im Gesundheitswesen, in der Finanztechnologie, im Einzelhandel oder in der kritischen Infrastruktur tätig sind. Sie benötigen komplexe Arbeitsabläufe, bei denen Menschen belastet sind, echte Reibungspunkte, die Sie benennen können, und genügend hochwertige Daten, um Agenten Kontext zu geben. Wenn Sie aktuelle Arbeitsabläufe kartieren können, sehen, wo die Arbeit verlangsamt oder aufhört, verstehen, welche Übergaben Verzögerungen verursachen, und dies dann mit einem föderalen Wissens-Repository untermauern, wird agentische künstliche Intelligenz zu einem unglaublichen Werkzeugset.

In dieser Welt kommt die “Branchenbereitschaft” auf die Führung zurück. Sind die Führungskräfte eines Unternehmens bereit, über Marketing-Tools und dünne horizontale Dashboards hinauszugehen und stattdessen in einen vertikalen Tech-Stack zu investieren – Daten in Wissen umzuwandeln, Wissen zu föderalisieren, Orchestrierungs- und Vertrauensrahmen aufzubauen und ehrliche Gespräche über den echten ROI zu führen? Jedes Unternehmen in jeder Branche, das diese Arbeit leistet, ist gut positioniert für operationale, agentengetriebene künstliche Intelligenz; diejenigen, die es nicht tun, werden stecken bleiben und ein weiteres Tool zu einem bereits lauten Haufen hinzufügen.

Wenn Unternehmens-künstliche Intelligenz in Richtung Multi-Agenten- und Multi-Cloud-Umgebungen evolviert, wie sieht eine gute künstliche Intelligenz-Architektur in fünf Jahren aus, und welche Grundsätze sollten Führungskräfte heute verpflichten, um zu vermeiden, ihre Systeme später neu aufzubauen?

In fünf Jahren wird der interessante Teil von künstlicher Intelligenz nicht die einzelnen Agenten oder Modelle sein; es wird die agentischen Arbeitsabläufe sein, die sie ermöglichen, und der Geschäftswert, den diese Arbeitsabläufe liefern. Agenten selbst werden kommen und gehen. Die Schichten unter ihnen – Daten, Wissen, Orchestrierung, Vertrauen und Aktion – werden weiterhin evolvieren, aber die Notwendigkeit dafür wird nicht verschwinden.

Das ist der Grund, warum ich mich mehr auf Architektur konzentriere als auf ein bestimmtes Tool. Wir bewegen uns von Data-Warehouses zu föderalen Wissens-Repositorys, von brüchigen Punkt-zu-Punkt-Integrationen zu offenen, geschichteten Stacks. In dieser Welt werden Sie Agenten haben, die in verschiedenen Clouds laufen, verschiedene Wissensquellen berühren und über gut definierte Schnittstellen koordinieren – MCP auf der Wissensschicht, Agent-to-Agent-Protokolle auf der Orchestrierungs- und Vertrauensschicht. Wenn die Technologie besser wird, möchten Sie in der Lage sein, bessere Teile in diese Schichten einsetzen, ohne das ganze Ding jedes Mal neu aufzubauen.

Die Grundsätze für Führungskräfte sind einfach. Bauen Sie nicht monolithisch. Entwerfen Sie für Schichten, so dass Daten, Wissen, Orchestrierung, Vertrauen und Aktion unabhängig voneinander evolvieren können. Entwerfen Sie für Flows, nicht für Funktionen, so dass Sie klar sind, welche Arbeitsabläufe wichtig sind und was “gut” in Kunden-, Mitarbeiter- und Produktlebenszyklen aussieht. Und entwerfen Sie für Governance auf der Agentenebene: gehen Sie von Null-Vertrauen aus, definieren Sie klare “Agenten-Karten” und verwenden Sie Orchestrierung, um zu entscheiden, was dringend ist, was wichtig ist und was einfach erledigt werden muss. Wenn Sie das tun, können Sie die Technologie ändern – wie sie es immer tut – ohne ständig daran zu denken, neu aufzubauen.

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