Ilan Sade, Presidente de División, GenAI y Datos en Amdocs – Serie de Entrevistas

Ilan Sade, Presidente de División, GenAI y Datos en Amdocs, aporta más de dos décadas de liderazgo dentro de la misma organización, ascendiendo desde puestos técnicos como programador y gerente de proyectos hasta supervisar la entrega global a gran escala, la estrategia de productos y la innovación. A lo largo de su trayectoria, ha liderado divisiones críticas que abarcan la gestión de ingresos, sistemas de soporte digital y empresarial, y iniciativas de redes abiertas, culminando en su liderazgo de la división de T-Mobile antes de asumir su cargo actual centrado en inteligencia artificial generativa y datos. Su carrera refleja una profunda experiencia en el dominio de las telecomunicaciones, particularmente en sistemas de facturación complejos, plataformas de experiencia del cliente y transformaciones empresariales a gran escala, lo que lo posiciona a la vanguardia del cambio de Amdocs hacia operaciones impulsadas por la inteligencia artificial y plataformas de datos de próxima generación.

Amdocs es una empresa multinacional de software y servicios que se especializa en soluciones para proveedores de comunicaciones, medios y servicios digitales, ayudándolos a gestionar todo, desde la facturación y las relaciones con los clientes hasta las operaciones de red y la transformación digital. Fundada en 1982 y operando en más de 90 países, la empresa ha evolucionado hasta convertirse en un proveedor clave de infraestructura para operadores de telecomunicaciones, ofreciendo plataformas nativas de la nube, análisis impulsados por la inteligencia artificial y herramientas de automatización que permiten una entrega de servicios más eficiente y experiencias personalizadas para los clientes. Su creciente enfoque en la inteligencia artificial generativa y las plataformas de datos refleja un cambio más amplio en la industria hacia redes inteligentes, definidas por software y ecosistemas de clientes completamente digitalizados.

Ha pasado más de dos décadas en Amdocs, ascendiendo desde desarrollador a líder de la división GenAI y Datos, y anteriormente supervisando una de las asociaciones estratégicas más importantes de la empresa con T-Mobile. ¿Cómo ha moldeado su perspectiva sobre lo que realmente se necesita para mover la inteligencia artificial desde la experimentación hasta la producción a escala de telecomunicaciones?

Lo que he aprendido a lo largo de los años es que mover la inteligencia artificial a la producción a escala de telecomunicaciones no es principalmente un problema de modelo. Es un problema de operaciones. Necesita las bases de datos adecuadas, una integración sólida en los sistemas existentes, una responsabilidad clara y equipos que sepan cómo ejecutar la inteligencia artificial como parte de los procesos comerciales diarios. Si alguna de esas piezas falta, los pilotos pueden parecer impresionantes, pero no se escalarán.

Mi camino en Amdocs me dio exposición a todos los lados de la ecuación, desde la ingeniería hasta la entrega al cliente y las asociaciones con grandes operadores. Esa experiencia moldeó mi visión de que el éxito proviene de combinar la excelencia técnica con la disciplina de ejecución. En las telecomunicaciones, la inteligencia artificial debe funcionar en entornos complejos, apoyar niveles de servicio reales y entregar resultados medibles. Eso requiere una mentalidad de producción desde el primer día.

En el Congreso Mundial de la Movilidad (MWC), hubo una señal clara de que las empresas de telecomunicaciones están invirtiendo mucho en pilotos de inteligencia artificial, pero están luchando por operacionalizarlos. En su opinión, ¿cuáles son los principales obstáculos que impiden a los operadores avanzar más allá de la experimentación hoy en día?

Veamos uno de los principales obstáculos como la fragmentación. La mayoría de los operadores tienen datos valiosos y casos de uso sólidos, pero sus entornos están divididos en una amplia gama de sistemas, equipos y proveedores, lo que hace difícil conectar las salidas de la inteligencia artificial con flujos de trabajo reales. Esto es especialmente cierto cuando esos flujos de trabajo abarcan la red, la atención al cliente y las operaciones comerciales. Como resultado, la inteligencia artificial a menudo permanece como una solución de punto en lugar de convertirse en parte del modelo operativo.

Además, otro obstáculo que he presenciado es la confianza: los operadores necesitan en última instancia confiabilidad, gobernanza y controles claros antes de poder integrar la inteligencia artificial en procesos críticos. Por ejemplo, si no pueden explicar por qué un agente de inteligencia artificial ha tomado una decisión o hacer cumplir políticas alrededor de ella, esa tecnología se mantendrá en una pista de prueba. Avanzar requiere un marco que combine la automatización con la observabilidad, la auditoría y la supervisión humana.

Amdocs está posicionando aOS como un “sistema operativo agente”. ¿Cómo define la inteligencia artificial agente en el contexto de las telecomunicaciones, y cómo es fundamentalmente diferente de los enfoques de automatización impulsados por la inteligencia artificial anteriores?

Dentro del espacio de las telecomunicaciones, la inteligencia artificial agente se refiere específicamente a la tecnología que puede entender objetivos, planificar tareas, tomar acciones en varios sistemas y adaptarse según los resultados. En lugar de simplemente generar contenido o predecir resultados, los agentes pueden ejecutar flujos de trabajo de extremo a extremo. Pueden razonar sobre el contexto, colaborar con otros agentes y operar dentro de límites de gobernanza para completar tareas operativas reales.

Esto es fundamentalmente diferente de la automatización anterior, que era en gran medida basada en reglas y estática. La automatización tradicional funcionaba bien para tareas repetitivas en entornos estables, pero luchaba con la complejidad y las excepciones. La inteligencia artificial agente puede manejar situaciones dinámicas, aprender de la retroalimentación y coordinarse en varios dominios.

Ha descrito un futuro de operaciones de telecomunicaciones nativas de inteligencia artificial. ¿Cómo se ve eso en la práctica, y qué tan lejos estamos de tener redes completamente autónomas?

Las operaciones de telecomunicaciones nativas de inteligencia artificial se parecen a la inteligencia artificial integrada en el núcleo de cómo se ejecuta un negocio, no solo agregada encima. En la práctica, eso se parece a flujos de trabajo de garantía de servicio que detectan y resuelven problemas antes de que los clientes los noten, trayectorias de atención al cliente personalizadas y proactivas, y operaciones de red que optimizan continuamente el rendimiento en función de condiciones en tiempo real. La clave es que la inteligencia artificial se integra en las decisiones y la ejecución, no solo en el análisis.

No estamos en redes completamente autónomas todavía, y debemos ser realistas al respecto. Los próximos años serán sobre autonomía progresiva, donde los operadores automatizan flujos de trabajo más complejos mientras mantienen a los humanos en control de decisiones de alto impacto. La autonomía total requerirá estándares más sólidos, una mayor interoperabilidad y mejoras continuas en la confiabilidad y la gobernanza.

Los sistemas de telecomunicaciones históricamente han estado fragmentados en capas de Sistemas de Soporte de Operaciones (OSS) y Sistemas de Soporte de Negocios (BSS), lo que ha dificultado la automatización de extremo a extremo. ¿Cómo ayuda una arquitectura agente a unificar estos dominios y habilitar flujos de trabajo transfuncionales?

La arquitectura agente ayuda al introducir una capa de coordinación que puede trabajar a través de OSS y BSS sin forzar un reemplazo completo del sistema. Los agentes pueden conectarse a plataformas existentes a través de API, comprender el contexto de un objetivo empresarial y luego orquestar la secuencia correcta de acciones en sistemas de red, servicio y cliente. Esto permite a los operadores automatizar flujos de trabajo que anteriormente se rompían en los límites del dominio.

Por ejemplo, si hay un problema de red que afecta a un cliente empresarial de alto valor, un sistema agente puede correlacionar la falla, evaluar el impacto, activar pasos de remediación y actualizar el flujo de comunicación del cliente en paralelo. Ese tipo de ejecución transfuncional es difícil con la automatización tradicional porque cada dominio opera en aislamiento. Los flujos de trabajo agentes ayudan a cerrar esa brecha.

Uno de los aspectos interesantes de los sistemas agentes es la colaboración entre agentes de inteligencia artificial y operadores humanos. ¿Dónde ve el equilibrio entre la automatización y la supervisión humana en entornos de telecomunicaciones?

El equilibrio entre los agentes de inteligencia artificial y los operadores humanos siempre dependerá del caso de uso específico, pero en gran medida será liderado por humanos y acelerado por la inteligencia artificial en el futuro predecible. Los agentes de inteligencia artificial son excelentes en velocidad, escala y reconocimiento de patrones, mientras que los operadores humanos aportan juicio, responsabilidad y contexto. El objetivo no es eliminar a las personas del bucle. Es permitir que las personas se concentren en decisiones que requieren experiencia mientras que la inteligencia artificial maneja la carga operativa pesada.

En la práctica, eso significa establecer umbrales claros para acciones autónomas y rutas de escalada para excepciones. Tareas de bajo riesgo y repetitivas pueden automatizarse con una supervisión mínima, mientras que las decisiones de alto impacto siempre deben incluir aprobación humana. Este enfoque construye confianza y ayuda a los operadores a escalar la inteligencia artificial de manera segura en entornos críticos de la misión.

Hay mucho revuelo alrededor de la inteligencia artificial generativa, pero los operadores de telecomunicaciones están en última instancia centrados en el ROI. ¿Cuáles son las métricas más importantes que los CSP deben rastrear para determinar si las implementaciones de inteligencia artificial están entregando realmente valor?

Los operadores deben rastrear métricas que se relacionen directamente con los resultados comerciales, no solo con el rendimiento técnico. En el lado del cliente, eso incluye la resolución de contacto inicial, el tiempo de manejo promedio, la reducción de la rotación y la satisfacción del cliente. En el lado de la red, incluye el tiempo medio para detectar y el tiempo medio para resolver incidentes, la disponibilidad del servicio y las ganancias de eficiencia operativa.

Es importante medir también la adopción y la confiabilidad. Si se despliegan agentes pero los equipos no confían en ellos, el valor no se materializará. Los CSP deben rastrear cuán a menudo se aceptan las recomendaciones de la inteligencia artificial, cuán a menudo los flujos de trabajo se completan con éxito y cuán a menudo se requiere la intervención humana. El ROI proviene del impacto operativo sostenido, no de los resultados aislados de los pilotos.

aOS enfatiza flujos de trabajo de múltiples agentes que pueden ejecutar procesos complejos de extremo a extremo en entornos de telecomunicaciones. ¿Cómo garantiza la coordinación, la confiabilidad y la gobernanza cuando múltiples agentes de inteligencia artificial operan simultáneamente en sistemas críticos?

La coordinación comienza con un modelo de orquestación claro. En un entorno de múltiples agentes, cada agente debe tener un límite de acceso definido, criterios de éxito y un modelo de gobernanza. Una capa de orquestación central gestiona la secuenciación de tareas, la resolución de conflictos y el seguimiento del estado para que los agentes no trabajen en direcciones opuestas. Esto mantiene los flujos de trabajo predecibles incluso cuando abarcan muchos sistemas.

La confiabilidad y la gobernanza requieren controles sólidos por diseño. Eso incluye la aplicación de políticas, registros de auditoría, explicabilidad y monitoreo en tiempo real del comportamiento del agente. También significa tener mecanismos de respaldo para que los flujos de trabajo puedan pausarse, escalarse o revertirse de manera segura si algo inesperado sucede. En sistemas de telecomunicaciones críticos, la gobernanza es más que un complemento: es un requisito fundamental.

En un anuncio reciente de aOS, Amdocs posiciona la inteligencia artificial generativa como una evolución de una “capacidad de asiento” a una capa operativa central integrada en procesos de clientes, redes y negocios. ¿Qué cambió en los últimos 12 a 24 meses que hace que este cambio sea posible hoy?

Varias cosas maduraron al mismo tiempo. Los modelos de base mejoraron significativamente en calidad de razonamiento y uso de herramientas, lo que los hizo más capaces en flujos de trabajo empresariales. Al mismo tiempo, el ecosistema que los rodea mejoró, incluyendo marcos de orquestación, herramientas de observabilidad y controles de gobernanza. Eso hizo que fuera práctico moverse de casos de uso aislados a flujos de trabajo operativos coordinados.

El otro gran cambio es la preparación organizativa. Los operadores ahora tienen prioridades más claras alrededor de la inteligencia artificial y una presión más fuerte para entregar resultados medibles. Ya no están experimentando solo para aprender. Están buscando plataformas que puedan escalar la inteligencia artificial a través de funciones con seguridad y control. Ese cambio en la madurez tanto en la tecnología como en el lado empresarial es lo que hace que este momento sea diferente.

Si aOS representa un punto de inflexión hacia operaciones de telecomunicaciones nativas de inteligencia artificial, ¿cómo se ve la próxima fase? ¿Estamos avanzando hacia redes de telecomunicaciones completamente autónomas, y qué desafíos aún necesitan resolverse antes de que eso se convierta en realidad?

La próxima fase se trata de escalar desde la automatización aislada hasta la autonomía coordinada en toda la empresa. Probablemente veremos más flujos de trabajo de múltiples agentes que conectan la atención al cliente, las operaciones de servicio y los equipos de red en tiempo real. Los operadores pueden moverse desde operaciones reactivas a modelos predictivos y proactivos, donde la inteligencia artificial puede identificar riesgos temprano y ejecutar la remediación antes de que los problemas escalen.

Las redes completamente autónomas son un objetivo a largo plazo, pero todavía hay desafíos importantes que resolver. Necesitamos una mayor interoperabilidad en los ecosistemas de los proveedores, estándares de gobernanza más robustos y un progreso continuo en la confiabilidad y la explicabilidad. Lo más importante es que la industria necesita confianza en que los sistemas autónomos pueden realizar sus funciones de manera segura en condiciones del mundo real. El camino hacia adelante será incremental, con controles claros en cada paso. Gracias por la gran entrevista, los lectores que deseen aprender más deben visitar Amdocs.