Συνεντεύξεις
Shane Eleniak, Chief Product Officer της Calix — σειρά συνεντεύξεων

Βασικά σημείαΗ Calix δημιούργησε αξιοποιήσιμες πληροφορίες για συγκεκριμένες προσωπικότητες χρόνια…
Δείτε περισσότερα
- Η Calix δημιούργησε αξιοποιήσιμες πληροφορίες για συγκεκριμένες προσωπικότητες χρόνια πριν από την εμφάνιση της αυτόνομης τεχνητής νοημοσύνης.
- Οι περισσότερες επιχειρήσεις αποτυγχάνουν στην τεχνητή νοημοσύνη επειδή αγνοούν το επίπεδο εμπιστοσύνης που απαιτείται για αυτόνομες αποφάσεις.
- Οι οργανισμοί πρέπει να ανασχεδιάσουν τη γνώση σε μια ομοσπονδιακή αποθήκη, όχι απλώς να προσθέσουν τεχνητή νοημοσύνη σε απομονωμένα συστήματα.
Ο Shane Eleniak είναι Chief Product Officer της Calix, όπου καθορίζει το στρατηγικό όραμα και διευθύνει την υλοποίηση της κορυφαίας στον κλάδο πλατφόρμας και των λύσεων SaaS της εταιρείας. Με στόχο να βοηθά τους παρόχους υπηρεσιών επικοινωνιών να απλοποιούν την επιχείρησή τους και να προσφέρουν εξαιρετικές εμπειρίες στους συνδρομητές, επιβλέπει ολόκληρο τον κύκλο ζωής των προϊόντων, από τη σύλληψη της ιδέας έως την ανάπτυξη πρωτοπόρων λύσεων στην αγορά.
Υπό την ηγεσία του, η Calix έχει εδραιωθεί ως πρωτοπόρος στον κλάδο της ευρυζωνικότητας, παρέχοντας σταθερά καινοτόμα εργαλεία που επιτρέπουν στους παρόχους να ανταγωνίζονται και να κερδίζουν.
Η Calix είναι εταιρεία τεχνολογίας με έδρα τις ΗΠΑ. Παρέχει πλατφόρμες cloud, λογισμικού και διαχειριζόμενων υπηρεσιών για παρόχους ευρυζωνικών υπηρεσιών και επικοινωνιών. Στον πυρήνα της προσφοράς της βρίσκεται μια ευρυζωνική πλατφόρμα με δυνατότητες AI, η οποία ενοποιεί υποδομές cloud, δεδομένα και συστήματα δικτύου, βοηθώντας τους παρόχους να απλοποιούν τη λειτουργία τους, να ενισχύουν την αλληλεπίδραση με τους πελάτες και να παρέχουν πιο εξατομικευμένες ψηφιακές εμπειρίες. Επιτρέποντάς τους να μεταβαίνουν από βασικές υπηρεσίες συνδεσιμότητας σε ολοκληρωμένους «παρόχους εμπειριών», η Calix τους βοηθά να αυξάνουν τα έσοδα και την αφοσίωση των συνδρομητών και να στηρίζουν τον ψηφιακό μετασχηματισμό των κοινοτήτων μέσω πιο προηγμένων, επεκτάσιμων ευρυζωνικών υπηρεσιών.
Η καριέρα σας καλύπτει περισσότερες από τρεις δεκαετίες στη μηχανική, στα δίκτυα, στις πλατφόρμες cloud και στη διεύθυνση προϊόντων μεγάλης κλίμακας. Πώς διαμόρφωσαν αυτές οι εμπειρίες την άποψή σας για το τι χρειάζεται πραγματικά ώστε η AI να εκτελεί ουσιαστική εργασία μέσα στις επιχειρήσεις, αντί να παραμένει ένα παράπλευρο πείραμα;
Ξεκίνησα στις παραδοσιακές τηλεπικοινωνίες και στα δίκτυα, όπου το παν ήταν η διαδρομή των δεδομένων και η αξιοπιστία σε μεγάλη κλίμακα. Αν δεν μπορείτε να προσφέρετε μια ποιοτική, αξιόπιστη υπηρεσία, τίποτε από όσα χτίζετε πάνω της δεν έχει πραγματική σημασία. Τότε το τηλέφωνο ήταν στον τοίχο της κουζίνας, η εσωτερική καλωδίωση δεν μετακινούνταν ποτέ και, όσο ακουγόταν ο τόνος επιλογής, όλα ήταν καλά.
Η ευρυζωνικότητα και το διαδίκτυο ανέτρεψαν αυτή την εικόνα. Ξαφνικά το ερώτημα δεν ήταν μόνο «είναι ενεργό;». Ήταν το Ethernet και έπειτα το Wi-Fi, τα παιδιά σε κονσόλες και tablet, εσείς σε κλήση Zoom να συνεργάζεστε σε ένα υπολογιστικό φύλλο στο cloud και η διαρκής κινητικότητα: συσκευές μέσα στο σπίτι, στην αυλή, στον ποδοσφαιρικό αγώνα, στην καφετέρια. Η εμπειρία του συνδρομητή έγινε πολύ πιο σύνθετη από μια δυαδική κατάσταση ενεργό/ανενεργό και ο κόσμος των παρόχων εξαιρετικά δυναμικός. Εκεί δεν αρκεί μια αναδρομική ματιά στα δεδομένα, με κλασικές αποθήκες δεδομένων και ιστορικές αναφορές έναν μήνα αργότερα. Χρειάζεται να συλλέγετε δεδομένα, να κατανοείτε την εμπειρία και να παράγετε χρήσιμα συμπεράσματα σε πραγματικό χρόνο, επειδή οι συνδρομητές περιμένουν πλέον προληπτική επίλυση των προβλημάτων, όχι ώρες ή ημέρες αργότερα.
Αυτή η εξέλιξη διαμόρφωσε τον τρόπο με τον οποίο σκέφτομαι την AI. Οι περισσότεροι θέλουν να την τοποθετήσουν «από πάνω», όπως τοποθετούν την επιχειρηματική ευφυΐα ή το SaaS πάνω από υπάρχουσες λίμνες δεδομένων. Η εμπειρία μου λέει ότι πρέπει να σκεφτείτε πολύ βαθύτερα και να σχεδιάσετε για πρακτικά αξιοποιήσιμα συμπεράσματα σε πραγματικό χρόνο και για τη δυνατότητα έγκαιρης δράσης.
Για τους συνδρομητές, όμως, η προσδοκία δεν έχει αλλάξει πολύ τα τελευταία 25 χρόνια. Θέλουν ασφαλή, διαχειριζόμενη συνδεσιμότητα που να είναι τόσο απλή όσο ο τόνος επιλογής: να «λειτουργούν όλα», χωρίς να σκέφτονται τις υποκείμενες στρώσεις και την πολυπλοκότητα, παντού στη ζωή τους. Η καριέρα μου στις τηλεπικοινωνίες και στο cloud με εξοικείωσε με αυτό το παράδοξο: χτίζετε εξαιρετικά σύνθετα συστήματα, ώστε να αποκρύπτετε όλη αυτή την πολυπλοκότητα και να προσφέρετε μια απλή, εξαιρετική εμπειρία στο τελικό σημείο. Έτσι ακριβώς αντιλαμβάνομαι την AI που κάνει πραγματική δουλειά σε οποιαδήποτε επιχείρηση, είτε σχετίζεται με την ευρυζωνικότητα είτε όχι.
Στην Calix τονίζετε συχνά ότι η λειτουργική AI χτίζεται αντί να αγοράζεται. Ποια είναι τα συνηθέστερα λάθη των οργανισμών που προσπαθούν να προσθέσουν AI χωρίς να επανεξετάσουν πώς ρέει η εργασία μέσα στην επιχείρηση;
Για μένα, το ζήτημα είναι λιγότερο «κατασκευή ή αγορά» και περισσότερο αν έχετε κάνει ένα βήμα πίσω για να εξετάσετε ολόκληρη την τεχνολογική στοίβα. Πολλές εταιρείες αποφάσισαν ότι AI σημαίνει απλώς να χρησιμοποιήσεις API για πρόσβαση σε ένα LLM, να το συνδέσεις στη στοίβα με ένα περίβλημα λογισμικού και να αγοράσεις token — και έτσι έχεις στρατηγική AI. Δεν λειτουργεί έτσι.
Υπερβολικά πολλοί γοητευόμαστε από την τεχνολογία αντί από το αποτέλεσμα. Το έχουμε ξαναδεί. Όταν εμφανίστηκαν οι προσωπικοί υπολογιστές, όλοι ήθελαν να συζητούν αν είχαν 286 ή 386, πόση μνήμη και ποιο DOS έτρεχαν. Σήμερα κανείς δεν μπορεί να σας πει τις προδιαγραφές του φορητού ή του τηλεφώνου του και κανείς δεν ενδιαφέρεται, μέχρι η συσκευή να σταματήσει να κάνει αυτό που χρειάζεται. Το σημαντικό είναι: με κάνει πιο αποτελεσματικό στη δουλειά μου; Το ίδιο ισχύει για την AI. Αν δεν τη συνδέετε με πραγματικές ροές εργασίας, πραγματική αξία και πραγματική απόδοση επένδυσης, οι τεχνικές προδιαγραφές είναι απλώς θόρυβος.
Ένα άλλο μεγάλο λάθος είναι να προσπαθείτε να προσαρτήσετε την AI σε ό,τι ήδη έχετε χωρίς να εξετάσετε την επίδραση στην αρχιτεκτονική, στο μοντέλο ασφάλειας και στο κόστος. Η AI είναι θεμελιώδης τεχνολογία, όχι μια σταδιακή αναβάθμιση λειτουργιών. Αν τη χειρίζεστε ως τέτοια, καταλήγετε με κακής ποιότητας δεδομένα, προβλήματα ασφάλειας, παραισθήσεις των μοντέλων, ανεξέλεγκτο κόστος ή πολλή δραστηριότητα που δεν λύνει κανένα πρόβλημα για κανέναν.
Τέλος, δεν μπορείτε να αγνοήσετε το πλαίσιο και τη σημασία της κλαδικής εξειδίκευσης. Η δράση εξαρτάται από το πλαίσιο, το οποίο διαφέρει στις τηλεπικοινωνίες, στη χρηματοοικονομική τεχνολογία και στην υγεία. Στην Calix ξεκινήσαμε με βαθιά εμπειρία σε έναν κλάδο και χτίσαμε γύρω της μια κλαδική πλατφόρμα. Ήδη κατανοούσαμε τα δεδομένα, τα συμπεράσματα, τις ροές εργασίας και το πλαίσιο, επομένως η στοίβα μπορούσε να αντανακλά αυτή την πραγματικότητα. Οι περισσότερες εταιρείες γνωρίζουν τον κλάδο τους σε βάθος. Η ευκαιρία είναι να ενσωματώσουν αυτή τη γνώση σε μια κλαδική τεχνολογική στοίβα, αντί να βασίζονται σε μια λεπτή οριζόντια στρώση και ένα γενικό μοντέλο AI και μετά να προσπαθούν να τα συνδέσουν όλα. Οι επιχειρήσεις ενδιαφέρονται για αποτελέσματα, όχι για μοντέλα. Το πραγματικό ερώτημα είναι πώς η τεχνολογία βοηθά να πετύχετε αυτά τα αποτελέσματα με βάση τον τρόπο που ρέει η εργασία σας.
Έχετε περιγράψει μια αρχιτεκτονική πέντε στρώσεων για τη λειτουργική AI: δεδομένα, γνώση, ενορχήστρωση, εμπιστοσύνη και δράση. Γιατί είναι σημαντικός ο ρητός διαχωρισμός τους και ποια υποτιμούν ή παραλείπουν συχνότερα οι επιχειρήσεις;
Για πολύ καιρό η στοίβα ήταν αρκετά απλή: δεδομένα, συμπεράσματα, πίνακες ελέγχου, ροές εργασίας, άνθρωποι. Χτίζατε αποθήκες δεδομένων, τοποθετούσατε από πάνω επιχειρηματική ευφυΐα, δημιουργούσατε μηχανές ροής εργασίας και αναθέτατε τη δύσκολη δουλειά στους ανθρώπους. Σε έναν κόσμο πρακτόρων αυτό δεν αρκεί. Χρειάζεστε δεδομένα, γνώση, ενορχήστρωση, εμπιστοσύνη και δράση, γιατί κάθε στρώση επιτελεί διαφορετική λειτουργία.
Το ορατό μέρος για το οποίο όλοι θέλουν να μιλούν είναι η στρώση δράσης: οι πράκτορες. Είναι μόνο η κορυφή του παγόβουνου. Το αν μπορείτε ποτέ να επιτρέψετε στους πράκτορες να επεμβαίνουν σε πραγματικά συστήματα εξαρτάται από όλα τα «βαρετά» κάτω από την επιφάνεια: τις διαδρομές επεξεργασίας και τα καθαρά δεδομένα, τη στρώση γνώσης που δίνει πλαίσιο, την ενορχήστρωση δυναμικών ροών εργασίας και το μοντέλο εμπιστοσύνης που αποφασίζει τι πρέπει εξαρχής να επιτρέπεται. Όταν βυθίστηκε ο Τιτανικός, δεν τον βύθισε το μικρό ορατό τμήμα, αλλά η τεράστια μάζα πάγου από κάτω. Το ίδιο ισχύει στη λειτουργική AI. Η υποδομή κάτω από την επιφάνεια καθορίζει την επιτυχία ή την αποτυχία.
Ιστορικά δεν αντιμετωπίζαμε την ενορχήστρωση και την εμπιστοσύνη ως ξεχωριστές στρώσεις, επειδή οι άνθρωποι έκαναν το μεγαλύτερο μέρος αυτής της δουλειάς. Ενορχήστρωση σήμαινε διευθυντές και ουρές αιτημάτων υποστήριξης· εμπιστοσύνη σήμαινε ονόματα χρηστών και κωδικούς. Τώρα πρέπει να εμπιστεύεστε οντότητες —πράκτορες— να εκτελούν ενέργειες και να συντονίζετε πολλούς πράκτορες σε πραγματικό χρόνο γύρω από δυναμικά δεδομένα. Πρόκειται για εντελώς διαφορετικό πρόβλημα σχεδιασμού, γι’ αυτό αυτές οι στρώσεις πρέπει να είναι ρητές.
Η στρώση που οι περισσότεροι υποτιμούν είναι η εμπιστοσύνη. Πολλοί οργανισμοί θεωρούν ότι την καλύπτουν επειδή έχουν ελέγχους πρόσβασης: ποιος μπορεί να συνδεθεί σε ποιο σύστημα. Αλλά πραγματική εμπιστοσύνη σε έναν κόσμο πρακτόρων δεν σημαίνει «έχει πρόσβαση αυτός ο χρήστης;», αλλά «είναι η συγκεκριμένη ενέργεια κατάλληλη για αυτόν τον άνθρωπο ή πράκτορα αυτή τη στιγμή;». Είναι ζήτημα διακυβέρνησης, όχι ελέγχου πρόσβασης. Αν δεν ορίσετε ρητά αυτή τη στρώση, παραμένετε στις επιδείξεις, επειδή ποτέ δεν θα αισθανθείτε άνετα να αφήσετε πράκτορες να κάνουν πραγματική δουλειά σε περιβάλλον παραγωγής.
Η εμπιστοσύνη είναι επομένως θεμελιώδες μέρος της στρατηγικής σας για την AI. Πώς σχεδιάζετε συστήματα ώστε οι αυτοματοποιημένες αποφάσεις να παραμένουν παρατηρήσιμες, ελέγξιμες και αναστρέψιμες, ενώ κινούνται αρκετά γρήγορα ώστε να προσφέρουν επιχειρηματική αξία;
Πρέπει να ξεκινήσετε με νοοτροπία μηδενικής εμπιστοσύνης. Το πρώτο ερώτημα δεν είναι «μπορεί τεχνικά αυτός ο πράκτορας να το κάνει;», αλλά «πρέπει αυτός ο πράκτορας, ενεργώντας για λογαριασμό αυτού του ανθρώπου, να προσπαθήσει καν να το κάνει;». Αν η απάντηση είναι όχι, μην προχωρήσετε.
Αν είναι ναι, περνάτε στις δικλίδες ασφαλείας: δυνατότητα ελέγχου, ιχνηλασιμότητα και ανάγκη ανθρώπινης συμμετοχής στη διαδικασία. Το μοντέλο μας βασίζεται σε μια στρώση εμπιστοσύνης που λειτουργεί σαν τροχονόμος στην αρχή κάθε αλληλεπίδρασης: ποιος είσαι, τι κάνεις και γιατί; Αυτό εξαλείφει πολλά ζητήματα ασφάλειας, επειδή δεν αφήνετε τους πράκτορες να δρουν ανεξέλεγκτα ελπίζοντας ότι θα το αντιληφθείτε εκ των υστέρων.
Η εναλλακτική είναι να τους αφήσετε ελεύθερους και να σημάνετε συναγερμό αν κάνουν κάτι κακό. Υποθέτετε ότι μπορείτε να το δείτε, να το καταλάβετε, να το αναγνωρίσετε και να το σταματήσετε σε πραγματικό χρόνο, στον ρυθμό και στην κλίμακα λειτουργίας αυτών των συστημάτων. Είναι πολύ δύσκολο πρόβλημα και γι’ αυτό τόσοι δυσκολεύονται: αναζητούν κακόβουλους δράστες σε πραγματικό χρόνο αντί να εμποδίζουν εξαρχής κακές ενέργειες.
Επιπλέον, έχουμε προσθέσει πολυεπίπεδες πύλες ελέγχου. Ακόμη κι αν ένας πράκτορας ενεργεί για λογαριασμό του σωστού ανθρώπου, εξετάζουμε τη συνεδρία και το περιεχόμενο: προσπαθεί να δηλητηριάσει ένα μοντέλο, να καταχραστεί ένα API ή να παραβιάσει κάποια πολιτική; Όλα περιβάλλονται από πλήρη παρατηρησιμότητα, ώστε να μπορείτε να ελέγξετε τι συνέβη και να επαναφέρετε την προηγούμενη κατάσταση αν χρειάζεται. Έτσι κινείστε γρήγορα και κοιμάστε ήσυχοι.
Πολλές εταιρείες παράγουν επιτυχώς συμπεράσματα με AI, αλλά δυσκολεύονται να τα μετατρέψουν σε δράση. Ποιες σχεδιαστικές αποφάσεις επέτρεψαν στην Calix να εντάξει την AI απευθείας στις καθημερινές ροές εργασίας του μάρκετινγκ, της λειτουργίας και της υποστήριξης πελατών;
Πολύ πριν πρωταγωνιστήσει η AI, στην Calix μας απασχολούσε ήδη ένα ερώτημα: τι κάνει ένα συμπέρασμα πραγματικά αξιοποιήσιμο από έναν πραγματικό άνθρωπο σε μια πραγματική δουλειά; Από το 2018 συνεργαζόμαστε με παρόχους υπηρεσιών για να κατανοήσουμε πώς εργάζονται διαφορετικοί επαγγελματικοί ρόλοι: τι κάνει ένας υπεύθυνος μάρκετινγκ ένα πρωινό Τρίτης, μια ομάδα λειτουργίας όταν χτυπά συναγερμός ή μια ομάδα υποστήριξης όταν καλεί ένας απογοητευμένος συνδρομητής. Αυτό μας ανάγκασε να ξεκαθαρίσουμε ποια συμπεράσματα έχουν σημασία για ποιον, σε ποιο πλαίσιο και πώς μοιάζει η «καλή ενέργεια».
Όταν λοιπόν εμφανίστηκε η AI με πράκτορες, δεν ξεκινούσαμε από το μηδέν. Ήδη είχαμε συστήματα που παρήγαν σε πραγματικό χρόνο αξιοποιήσιμα συμπεράσματα συνδεδεμένα με συγκεκριμένους ρόλους και ροές εργασίας. Το σχεδιαστικό ερώτημα έγινε: με διαφορετικά εργαλεία και διαφορετική τεχνολογική στοίβα, πώς θα επανασχεδιάζατε τις ίδιες ροές σε έναν κόσμο AI με πράκτορες, αντί να προσπαθείτε να τις επινοήσετε όλες από την αρχή;
Συνδυάζοντας αυτή τη βαθιά γνώση των ρόλων με την AI με πράκτορες, μπορείτε να χτίσετε δυναμικές ροές εργασίας πάνω σε δυναμικά δεδομένα. Οι πράκτορες προσδιορίζουν σε πραγματικό χρόνο ποια βήματα και ποιοι ρόλοι χρειάζονται με βάση όσα συμβαίνουν, αντί να σας αναγκάζουν να ενσωματώσετε σταθερά στον κώδικα εκατοντάδες άκαμπτες ροές σε μικροϋπηρεσίες. Για τις περισσότερες εταιρείες το δύσκολο πρόβλημα σήμερα είναι οι αποφάσεις σε πραγματικό χρόνο βάσει πλαισίου και ο σχεδιασμός της σωστής ροής γύρω τους. Για εμάς αυτό υπήρχε ήδη: επί χρόνια παράγαμε αξιοποιήσιμα συμπεράσματα σε πραγματικό χρόνο με βάση τους ρόλους. Η AI με πράκτορες είναι απλώς ένα νέο σύνολο εργαλείων πάνω σε αυτό το θεμέλιο.
Το όραμά σας για την πλατφόρμα περιλαμβάνει διαλειτουργικότητα μεταξύ πρακτόρων (A2A) και ομοσπονδιακά συστήματα AI. Πώς αλλάζει αυτή η προσέγγιση τη συνεργασία των επιχειρηματικών εργαλείων σε σχέση με τις παραδοσιακές σημειακές διασυνδέσεις;
Τα τελευταία 20 χρόνια το συνηθισμένο πρότυπο ήταν «αγοράζουμε πολλά εργαλεία SaaS και τα συνδέουμε γύρω από μια λίμνη δεδομένων». Κάθε νέο σύστημα σήμαινε άλλη μία σημειακή διασύνδεση, άλλη μία διαδρομή επεξεργασίας δεδομένων και άλλο ένα σημείο συμφωνίας για το ποια δεδομένα είναι έγκυρα. Σε έναν κόσμο πρακτόρων αυτό δεν κλιμακώνεται. Θέλετε τα δεδομένα να παραμένουν εκεί όπου ανήκουν και οι πράκτορες να συνομιλούν μέσω σαφώς ορισμένων διεπαφών.
Γι’ αυτό μιλάμε για σύνδεση με το σύστημα σε δύο επίπεδα: MCP στη στρώση γνώσης και A2A στις στρώσεις ενορχήστρωσης και εμπιστοσύνης. Με το MCP οι πράκτορες ανακαλύπτουν και χρησιμοποιούν εργαλεία και δεδομένα χωρίς νέα ειδική διασύνδεση κάθε φορά. Με το A2A συντονίζουν την εργασία τους μέσα σε σαφείς δικλίδες ασφαλείας.
Τότε η συνεργασία παύει να μοιάζει με σωρό εύθραυστων συνδέσεων και γίνεται δίκτυο ειδικών που σχηματίζουν δυναμικά ομάδες γύρω από πραγματική δουλειά. Εδώ βοηθά η αναλογία με τη μήτρα Eisenhower. Δεν είναι όλα εξίσου επείγοντα και σημαντικά. Κάποια εργασία είναι πράγματι χρονικά κρίσιμη, κάποια σημαντική αλλά μπορεί να προγραμματιστεί, κάποια απλώς πρέπει να γίνει και κάποια είναι θόρυβος. Με συντονισμό μεταξύ πρακτόρων πάνω από μια στρώση εμπιστοσύνης και ενορχήστρωσης, αντιμετωπίζετε διαφορετικά αυτές τις κατηγορίες σε μεγάλη κλίμακα: οι πράκτορες μπορούν να συγκεντρώνουν τις δυνάμεις τους στα επείγοντα και σημαντικά προβλήματα, να βάζουν σε ουρά ή να προγραμματίζουν τα σημαντικά αλλά μη επείγοντα και να εμποδίζουν τις χαμηλής αξίας μικροδουλειές να εκτοπίζουν τα υπόλοιπα.
Είναι πολύ διαφορετικό από το «ας προσθέσουμε άλλη μια σύνδεση και ας ελπίσουμε ότι θα αδειάσει η ουρά». Έχετε ουσιαστικά αξιόπιστες, προσεκτικά ενορχηστρωμένες δυναμικές ροές γύρω από δυναμικά συμβάντα και δεδομένα, αντί για ένα μπλέξιμο μεμονωμένων διασυνδέσεων όπου όλα απαιτούν την ίδια προτεραιότητα.
Όταν οι πράκτορες AI επιτρέπεται να ενεργούν αυτόνομα, η διακυβέρνηση γίνεται γρήγορα πρόκληση. Πώς εξισορροπείτε ταχύτητα, λογοδοσία και ανθρώπινη εποπτεία όταν τα συστήματα AI λαμβάνουν ή εκτελούν αποφάσεις σε μεγάλη κλίμακα;
Το λάθος είναι ότι κάποιοι πιστεύουν πως μπορούν να προσαρτήσουν την AI με πράκτορες σε ό,τι έχουν και μετά να «εξισορροπήσουν» ταχύτητα, λογοδοσία και ανθρώπινη εποπτεία. Δεν γίνεται. Πρέπει εξαρχής να αναγνωρίσετε ότι το πρόβλημα αφορά μια κλαδική τεχνολογική στοίβα και να χτίσετε συνειδητά στρώσεις εμπιστοσύνης και ενορχήστρωσης. Χωρίς αυτές τις δύο στρώσεις επικρατεί ασυδοσία: προτεραιότητα έχει όποιος φτάσει πρώτος ή φωνάζει δυνατότερα.
Είναι πάλι η μήτρα Eisenhower: δεν είναι όλες οι εργασίες ίδιες. Η εμπιστοσύνη και η ενορχήστρωση εφαρμόζουν αυτή την αρχή σε έναν κόσμο πρακτόρων. Δεν θέλετε κάθε πράκτορας να αντιμετωπίζει κάθε εργασία σαν συναγερμό πυρκαγιάς· θέλετε το σύστημα να ξέρει τι είναι πραγματικά χρονικά κρίσιμο, τι μπορεί να προγραμματιστεί και τι πρέπει να διεκπεραιώνεται αθόρυβα στο παρασκήνιο.
Υπάρχει επίσης η αρχή «στενή εστίαση αντί για μεγάλο εύρος». Οι περισσότερες εταιρείες συγχέουν τον μεγαλύτερο αντίκτυπο της AI με την ευρεία κάλυψη. Είναι καλύτερο να επιλέξετε ένα στενό κλαδικό τμήμα —μία συγκεκριμένη περίπτωση χρήσης και ένα σύνολο ροών εργασίας— και να χτίσετε πρώτα εκεί την αναγκαία εμπιστοσύνη και ενορχήστρωση. Περιορίστε το κλαδικό εύρος, κάντε το σωστά, διατηρήστε ανθρώπινη συμμετοχή στις οριακές περιπτώσεις και έπειτα επεκταθείτε. Έτσι κινείστε γρήγορα, διατηρείτε τη λογοδοσία και αποφεύγετε ένα μπλέξιμο που δεν θα μπορείτε να ξετυλίξετε αργότερα.
Με βάση την εμπειρία σας στη διεύθυνση μεγάλων παγκόσμιων ομάδων προϊόντων και μηχανικής, ποιες οργανωτικές ή πολιτισμικές αλλαγές χρειάζονται ώστε η AI να γίνει μόνιμη επιχειρηματική δυνατότητα αντί για συλλογή ασύνδετων πιλοτικών έργων;
Οι περισσότερες επιχειρήσεις δεν έχουν «πρόβλημα AI», αλλά πρόβλημα γνώσης και ροών εργασίας. Η πρώτη αλλαγή είναι να σταματήσουν τα παιχνίδια με μεμονωμένες λύσεις και να περάσουν από τις αποθήκες δεδομένων σε μια ομοσπονδιακή αποθήκη γνώσης, που όλοι μπορούν να βλέπουν και να αξιοποιούν για δράση. Όσο η γνώση μένει σε σιλό και η AI είναι απλώς το κερασάκι σε κάθε σιλό, θα έχετε πιλοτικά έργα, όχι μετασχηματισμό.
Έπειτα πρέπει να αντιμετωπίσετε τα δυσκολότερα προβλήματα με συγκεκριμένη σειρά. Πρώτο βήμα: διαχωρίστε την υπερβολή από την πραγματικότητα και υιοθετήστε ό,τι λειτουργεί, όχι ό,τι κάνει περισσότερο θόρυβο στη ροή ενημερώσεών σας. Δεύτερο: επανασχεδιάστε τη στρώση γνώσης, ώστε τα δεδομένα να γίνονται κοινό, ομοσπονδιακό πλαίσιο και όχι άλλη μία αναφορά θαμμένη σε κάποιο σύστημα. Τρίτο: επανεξετάστε τις ροές εργασίας γύρω από αυτή τη γνώση και μια πραγματική στρώση εμπιστοσύνης. Η περισσότερη εργασία σήμερα οργανώνεται γύρω από ανθρώπους, δεξιότητες και τοπικά σιλό γνώσης. Αν δεν το αλλάξετε, οι πράκτορες θα είναι άλλο ένα εργαλείο που περιστρέφεται γύρω από τα ίδια παλιά σημεία συμφόρησης.
Μόνο τότε φτάνετε στην πολιτισμική αλλαγή, συχνά τη δυσκολότερη. Χρειάζεστε κουλτούρα όπου οι άνθρωποι δεν ανησυχούν πρωτίστως ότι θα χάσουν τη δουλειά, τα εργαλεία ή την ταυτότητά τους, αλλά χαίρονται πραγματικά να δουλέψουν με νέες δυνατότητες. Είναι ζήτημα διαχείρισης αλλαγών, όχι τεχνολογίας. Μοιάζει πολύ με πραγματική κατανεμημένη ηγεσία: οι άνθρωποι στην πρώτη γραμμή κατανοούν τις ροές, αισθάνονται ασφαλείς να κατονομάζουν τα εμπόδια και θέλουν να βάλουν τους πράκτορες να τα αντιμετωπίσουν.
Πέρα από την ευρυζωνικότητα και τις τηλεπικοινωνίες, ποιοι κλάδοι θεωρείτε ότι βρίσκονται στην καλύτερη θέση για να υιοθετήσουν στη συνέχεια λειτουργική AI με πράκτορες και ποιες συνθήκες τους καθιστούν έτοιμους;
Δεν το σκέφτομαι ως επιλογή νικητών βάσει κλαδικής ετικέτας, αλλά βάσει μοτίβων. Σχεδόν κάθε κλάδος έχει την ίδια υποκείμενη πρόκληση: έχει χτίσει σιλό δεδομένων και λειτουργιών αντί για ενιαία εικόνα των τριών κύκλων ζωής —πελάτη, εργαζομένου και προϊόντος. Έτοιμοι είναι όσοι είναι διατεθειμένοι να το δουν, να παραδεχθούν ότι δεν έχουν πραγματική στρώση γνώσης και να το διορθώσουν.
Οι προϋποθέσεις είναι έπειτα παρόμοιες, είτε πρόκειται για υγεία, χρηματοοικονομική τεχνολογία, λιανεμπόριο είτε κρίσιμες υποδομές. Χρειάζεστε σύνθετες ροές όπου οι άνθρωποι εργάζονται στα όρια των δυνατοτήτων τους, συγκεκριμένα εμπόδια που μπορείτε να κατονομάσετε και αρκετά ποιοτικά δεδομένα για να δώσετε πλαίσιο στους πράκτορες. Αν χαρτογραφήσετε τις τρέχουσες ροές, δείτε πού η εργασία επιβραδύνεται ή συσσωρεύεται, κατανοήσετε ποιες παραδόσεις εργασίας προκαλούν καθυστερήσεις και στηρίξετε αυτή τη βάση σε μια ομοσπονδιακή αποθήκη γνώσης, η AI με πράκτορες γίνεται εξαιρετικό σύνολο εργαλείων.
Σε αυτόν τον κόσμο, η «κλαδική ετοιμότητα» ανάγεται στην ηγεσία. Είναι οι επικεφαλής διατεθειμένοι να ξεπεράσουν τα εργαλεία μάρκετινγκ και τους λεπτούς οριζόντιους πίνακες ελέγχου και να επενδύσουν σε κλαδική τεχνολογική στοίβα; Να μετατρέψουν τα δεδομένα σε γνώση, να οργανώσουν ομοσπονδιακά αυτή τη γνώση, να θεσπίσουν πλαίσια ενορχήστρωσης και εμπιστοσύνης και να συζητήσουν ειλικρινά πού υπάρχει πραγματική απόδοση επένδυσης; Κάθε εταιρεία σε οποιονδήποτε κλάδο που κάνει αυτή τη δουλειά βρίσκεται σε καλή θέση για λειτουργική AI με πράκτορες. Οι υπόλοιπες θα μείνουν να προσθέτουν άλλο ένα εργαλείο σε έναν ήδη θορυβώδη σωρό.
Καθώς η επιχειρηματική AI εξελίσσεται προς περιβάλλοντα πολλών πρακτόρων και πολλών cloud, πώς θα μοιάζει μια καλή αρχιτεκτονική AI σε πέντε χρόνια και σε ποιες αρχές πρέπει να δεσμευτούν οι ηγέτες σήμερα για να αποφύγουν μεταγενέστερη ανακατασκευή των συστημάτων τους;
Σε πέντε χρόνια το ενδιαφέρον στην AI δεν θα είναι οι μεμονωμένοι πράκτορες ή τα μοντέλα, αλλά οι ροές εργασίας με πράκτορες που επιτρέπουν και η επιχειρηματική αξία αυτών των ροών. Οι πράκτορες θα έρχονται και θα φεύγουν. Οι υποκείμενες στρώσεις —δεδομένα, γνώση, ενορχήστρωση, εμπιστοσύνη και δράση— θα συνεχίσουν να εξελίσσονται, αλλά η ανάγκη γι’ αυτές δεν θα εξαφανιστεί.
Γι’ αυτό εστιάζω περισσότερο στην αρχιτεκτονική παρά σε συγκεκριμένο εργαλείο. Περνάμε από αποθήκες δεδομένων σε ομοσπονδιακές αποθήκες γνώσης και από εύθραυστες σημειακές διασυνδέσεις σε ανοικτές, πολυεπίπεδες στοίβες. Εκεί θα έχετε πράκτορες που τρέχουν σε διαφορετικά cloud, αξιοποιούν διαφορετικές πηγές γνώσης και συντονίζονται μέσω σαφώς ορισμένων διεπαφών: MCP στη στρώση γνώσης και πρωτόκολλα μεταξύ πρακτόρων στις στρώσεις ενορχήστρωσης και εμπιστοσύνης. Καθώς η τεχνολογία βελτιώνεται, θέλετε να αντικαθιστάτε τα επιμέρους στοιχεία αυτών των στρώσεων με καλύτερα χωρίς να ξαναχτίζετε τα πάντα κάθε φορά.
Οι αρχές για τους ηγέτες είναι λοιπόν απλές. Μη χτίζετε μονολιθικά. Σχεδιάστε σε στρώσεις, ώστε δεδομένα, γνώση, ενορχήστρωση, εμπιστοσύνη και δράση να εξελίσσονται ανεξάρτητα. Σχεδιάστε για ροές, όχι για λειτουργίες, ώστε να ξέρετε ποιες ροές έχουν σημασία και πώς μοιάζει το καλό αποτέλεσμα στους κύκλους ζωής πελάτη, εργαζομένου και προϊόντος. Και σχεδιάστε διακυβέρνηση στο επίπεδο του πράκτορα: θεωρήστε τη μηδενική εμπιστοσύνη προεπιλογή, ορίστε σαφείς «κάρτες πρακτόρων» και χρησιμοποιήστε την ενορχήστρωση για να ξεχωρίζετε τι είναι επείγον, τι σημαντικό και τι απλώς πρέπει να γίνει. Έτσι αφήνετε την τεχνολογία να αλλάζει —όπως πάντα— χωρίς διαρκή ανησυχία για ανακατασκευή.
Ευχαριστώ για την εξαιρετική συνέντευξη. Οι αναγνώστες που θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν την Calix.












