Entrevistas
Shane Eleniak, director de Producto de Calix – Serie de entrevistas

Puntos claveCalix construyó información procesable para personas específicas años antes de que…
Ver más
- Calix construyó información procesable para personas específicas años antes de que llegara la IA agentiva.
- La mayoría de las empresas fracasan en la IA porque ignoran la capa de confianza necesaria para las decisiones autónomas.
- Las organizaciones deben reestructurar el conocimiento en un almacén federado, no solo agregar IA a los silos.
Shane Eleniak se desempeña como Director de Producto de Calix, donde lidera la visión estratégica y la ejecución de la plataforma y las soluciones de software como servicio (SaaS) de la empresa, líderes en el sector. Con un enfoque en permitir que los proveedores de servicios de comunicaciones simplifiquen su negocio y brinden experiencias excepcionales a los suscriptores, Shane supervisa todo el ciclo de vida del producto, desde la conceptualización hasta la implementación líder en el mercado.
Bajo su liderazgo, Calix ha consolidado su posición como pionera en la industria de la banda ancha, entregando consistentemente herramientas innovadoras que permiten a los proveedores competir y ganar.
Calix es una empresa de tecnología con sede en EE. UU. que ofrece plataformas de nube, software y servicios administrados diseñados para proveedores de servicios de banda ancha y comunicaciones. Su oferta principal se centra en una plataforma de banda ancha habilitada por inteligencia artificial (IA) que integra la infraestructura en la nube, los datos y los sistemas de red para ayudar a los proveedores a simplificar las operaciones, mejorar la participación del cliente y brindar experiencias digitales más personalizadas. Al permitir que estos proveedores transiten de servicios de conectividad básicos a proveedores de experiencias completas, Calix les ayuda a aumentar los ingresos, aumentar la lealtad de los suscriptores y apoyar la transformación digital de las comunidades a través de servicios de banda ancha más avanzados y escalables.
Su carrera abarca más de tres décadas en ingeniería, redes, plataformas en la nube y liderazgo de productos a gran escala. ¿Cómo le han influido esas experiencias en su perspectiva sobre lo que realmente se necesita para que la IA realice un trabajo real dentro de las empresas en lugar de ser solo un experimento lateral?
Comencé en telecomunicaciones tradicionales y redes, donde el juego entero era el camino de los datos y la confiabilidad a escala. Si no puedes entregar un servicio limpio y confiable, nada de lo que construyas sobre eso realmente importa. En ese entonces, el teléfono estaba en la pared de la cocina, el cableado interno nunca se movía y, siempre y cuando hubiera tono de marcado, todo estaba bien.
La banda ancha y Internet cambiaron eso. De repente, no era solo “¿está encendido?”. Era Ethernet y luego Wi-Fi, niños en consolas de juegos y tabletas, usted en una llamada de Zoom colaborando en una hoja de cálculo en la nube y movilidad constante: dispositivos dentro del hogar, en el patio trasero, en el partido de fútbol, en la cafetería. La experiencia del suscriptor se volvió mucho más compleja que un estado binario de encendido/apagado y el mundo para los proveedores de servicios se volvió muy dinámico. En ese mundo, una visión retrospectiva de los datos, como los almacenes de datos clásicos y los informes históricos de un mes después, simplemente no es suficiente. Debes recopilar datos, comprender la experiencia y generar información en tiempo real porque los suscriptores ahora esperan que se solucionen los problemas de manera proactiva, no en horas o días.
Esa evolución ha influido en mi forma de pensar sobre la IA. La mayoría de las personas quieren poner la IA “encima”, de la misma manera que ponen inteligencia empresarial o SaaS sobre los lagos de datos existentes. Mi experiencia dice que debes pensar mucho más allá de eso y diseñar para obtener información útil y aplicable en tiempo real y la capacidad de actuar a tiempo.
Para los suscriptores, sin embargo, las expectativas no han cambiado mucho en los últimos 25 años. Todavía quieren conectividad segura y administrada que se sienta tan simple como el tono de marcado: quieren que todo “funcione” sin pensar en todas las capas y la complejidad, y lo quieren en todas partes de sus vidas. Mi carrera en telecomunicaciones y en la nube me permitió sentirme muy cómodo con esa paradoja: construyes sistemas extremadamente complejos para poder abstraer todo eso y brindar una experiencia simple y excelente en el extremo. Así es exactamente como pienso sobre la IA que hace un trabajo real dentro de cualquier empresa, de banda ancha o no.
En Calix, usted enfatiza a menudo que la IA operativa se construye en lugar de comprarse. ¿Cuáles son los errores más comunes que cometen las organizaciones cuando intentan agregar IA sin replantear cómo fluye el trabajo a través del negocio?
Para mí, se trata menos de “construir versus comprar” y más de si has retrocedido y mirado toda la pila de tecnología. Muchas empresas decidieron que la IA era simplemente usar algunas API para acceder a un modelo de lenguaje grande (LLM), cablearlo a su pila con un envoltorio y comprar tokens: entonces tenías una estrategia de IA. Eso no es así.
Demasiadas personas se dejan fascinar por la tecnología en lugar del resultado. Hemos visto esta película antes. Cuando aparecieron las PCs, todos querían discutir si tenían un 286 o un 386, cuánta memoria tenían y qué DOS estaban ejecutando. Hoy en día, nadie puede decirte las especificaciones de su portátil o teléfono, y a nadie le importa hasta que dejan de hacer lo que necesitas que hagan. Lo que importa es: ¿esto me hace más efectivo en mi trabajo? Lo mismo sucede con la IA. Si no puedes vincularla a flujos de trabajo reales, valor real y ROI real, las especificaciones técnicas son solo ruido.
Otro error grande es intentar agregar la IA a lo que ya tienen sin preguntar qué efecto tiene en su arquitectura, su modelo de seguridad y sus costos. La IA es una tecnología fundamental, no una actualización de características incremental. Cuando la tratas como incremental, terminas con datos de mala calidad, problemas de seguridad, alucinaciones, costos descontrolados o mucha actividad que no resuelve un problema para nadie.
Finalmente, no puedes ignorar el contexto y la importancia de la experiencia vertical. La acción se trata de contexto y ese contexto difiere a través de la telecomunicación, la fintech y la atención médica. En Calix, comenzamos con una experiencia profunda en una industria y construimos una plataforma vertical alrededor de ella. Ya entendíamos los datos, la información útil, los flujos de trabajo y el contexto, por lo que la pila podía reflejar esa realidad. La mayoría de las empresas conocen su industria vertical por dentro. La oportunidad es codificar ese conocimiento en una pila de tecnología vertical en lugar de confiar en una capa horizontal delgada y un modelo de IA genérico, y luego intentar ensamblarlo todo. Las empresas se centran en los resultados, no en los modelos. La verdadera pregunta es cómo ayuda esta tecnología a lograr esos resultados de acuerdo con la forma en que fluye el trabajo.
Ha esbozado una arquitectura de cinco capas para la IA operativa que incluye datos, conocimiento, orquestación, confianza y acción. ¿Por qué es importante separar explícitamente estas capas, y cuál es la capa que las empresas subestiman o saltan por completo con más frecuencia?
Durante mucho tiempo, la pila era bastante simple: datos, información útil, paneles, flujos de trabajo, personas. Construías almacenes de datos, ponías inteligencia empresarial encima, creabas motores de flujo de trabajo y entregabas el trabajo duro a los humanos. En un mundo de agentes, eso no se sostiene. Necesitas datos, conocimiento, orquestación, confianza y acción porque cada capa realiza una función distinta.
La parte visible de la que todos quieren hablar es la capa de acción: los agentes. Eso es solo la punta del iceberg. Lo que determina si puedes dejar que los agentes toquen sistemas reales es todo el “trabajo aburrido” debajo de la línea de flotación: tuberías de datos y datos limpios, la capa de conocimiento que te da contexto, la orquestación que coordina flujos de trabajo dinámicos y el modelo de confianza que decide qué se permite en primer lugar. Cuando el Titanic se hundió, no fue la pequeña parte que se podía ver lo que lo hundió; fue la gran masa de hielo debajo. La IA operativa es lo mismo. La infraestructura bajo la superficie es lo que determina el éxito o el fracaso.
Históricamente, no tratamos la orquestación y la confianza como capas separadas porque los humanos hacían la mayor parte de ese trabajo. La orquestación significaba gerentes y colas de tickets; la confianza significaba nombres de usuario y contraseñas. Ahora tienes que confiar en entidades: agentes para que hagan cosas, y tienes que coordinar múltiples agentes en tiempo real alrededor de datos dinámicos. Ese es un problema de diseño completamente diferente, por lo que esas capas necesitan ser explícitas.
La capa que la mayoría de las personas subestiman es la confianza. Muchas organizaciones piensan que están manejando la confianza porque tienen controles de acceso: ¿quién puede iniciar sesión en qué sistema? Pero la confianza real en un mundo de agentes no es “¿tiene este usuario acceso?”. Es “¿es esta acción particular apropiada para este individuo o este agente en este momento?”. Esa es una cuestión de gobernanza, no de control de acceso. Si no haces que esa capa sea explícita, te quedas atascado en la demostración, porque nunca estarás cómodo dejando que los agentes hagan un trabajo real en producción.
Entonces, la confianza es obviamente una parte fundamental de su estrategia de IA. ¿Cómo diseña sistemas para que las decisiones automatizadas permanezcan observables, auditables y reversibles mientras se mueven lo suficientemente rápido como para brindar valor empresarial?
Tienes que comenzar con una mentalidad de confianza cero. La primera pregunta no es “¿puede este agente técnicamente hacer esto?”. La primera pregunta es “¿debe este agente, en nombre de esta persona, intentar hacer esto en absoluto?”. Si la respuesta es no, entonces no procedas.
Si la respuesta es sí, entran en juego las salvaguardas: capacidad de auditoría, trazabilidad y la necesidad de mantener la intervención humana. Nuestro modelo depende de una capa de confianza que actúa un poco como un policía de tráfico al comienzo de cada interacción: ¿quién eres, qué estás haciendo y por qué lo estás haciendo? Eso elimina muchos de los problemas de seguridad, porque no dejas que los agentes se escapen y hagan cosas y luego esperas darte cuenta a posteriori.
La alternativa es dejar que los agentes se escapen y luego levantar una alarma si se van y hacen algo malo. Estás asumiendo que puedes verlo, entenderlo, identificarlo y detenerlo en tiempo real, al ritmo y escala en que operan estos sistemas. Ese es un problema muy difícil, y es por eso que muchas personas están luchando: están tratando de buscar actores maliciosos en tiempo real en lugar de prevenir acciones malas desde el principio.
Además, hemos agregado pasarelas en capas. Incluso si un agente está actuando en nombre de la persona correcta, todavía estamos mirando la sesión y el contenido: ¿están tratando de envenenar un modelo, abusar de una API o empujar algo fuera de la política? Todo eso está envuelto en observabilidad completa para que puedas auditar lo que sucedió y revertirlo si es necesario. Así puedes avanzar rápidamente y aún puedes dormir por la noche.
Muchas empresas tienen éxito al generar información de IA pero luchan por traducir esa información útil en acción. ¿Qué decisiones de diseño permitieron a Calix empujar la IA directamente a los flujos de trabajo diarios en marketing, operaciones y soporte al cliente?
Mucho antes de que la IA fuera la estrella del espectáculo, en Calix ya estábamos obsesionados con una pregunta: ¿qué hace que una información sea realmente accionable para una persona real en un trabajo real? Desde 2018, hemos estado trabajando con proveedores de servicios para entender cómo trabajan diferentes personas: qué hace un profesional de marketing el martes por la mañana, qué hace un equipo de operaciones cuando suena una alarma, qué hace un equipo de soporte cuando un suscriptor llama frustrado. Eso nos obligó a ser muy claros sobre qué información útil importaba a quién, en qué contexto y cómo sería una “buena acción”.
Entonces, cuando llegó la IA agéntica, no estábamos empezando desde cero. Ya teníamos sistemas en tiempo real que generaban información útil y aplicable vinculada a personas y flujos de trabajo específicos. La pregunta de diseño se convirtió en: dado un conjunto de herramientas diferente y una pila de tecnología diferente, ¿cómo re-arquitectarías esos mismos flujos de trabajo en un mundo de IA agéntica, en lugar de tratar de inventar todo eso desde cero?
Cuando emparejas este conocimiento profundo de las personas con la IA agéntica, puedes construir flujos de trabajo dinámicos sobre datos dinámicos. Los agentes pueden averiguar en tiempo real qué pasos y qué personas necesitan estar involucradas en función de lo que está sucediendo, en lugar de forzarte a codificar cientos de flujos rígidos en microservicios. Para la mayoría de las empresas, el problema difícil en este momento es tratar de tomar decisiones en tiempo real basadas en el contexto y diseñar el flujo de trabajo correcto alrededor de eso. Para nosotros, esa parte ya estaba en su lugar; habíamos estado haciendo información útil en tiempo real, aplicable y basada en perfiles profesionales durante años. La IA agéntica es solo un conjunto de herramientas nuevo sobre esa base.
Su visión de plataforma incluye la interoperabilidad de agente a agente (A2A) y sistemas de IA federados. ¿Cómo cambia este enfoque la forma en que las herramientas empresariales colaboran en comparación con las integraciones tradicionales de punto a punto?
Si miras los últimos 20 años, el patrón por defecto ha sido “comprar una serie de herramientas de SaaS y cablearlas alrededor de un lago de datos”. Cada nuevo sistema significaba otra integración de punto a punto, otra tubería de datos y otro lugar para reconciliar la verdad. En un mundo de agentes, eso no escala. Quieres que los datos se queden donde pertenecen y que los agentes hablen entre sí a través de interfaces bien definidas.
Eso es por lo que hablamos de conectar el sistema en dos capas: MCP en la capa de conocimiento y A2A en las capas de orquestación y confianza. MCP es cómo los agentes descubren y utilizan herramientas y datos sin una integración personalizada cada vez. A2A es cómo los agentes coordinan el trabajo entre sí bajo salvaguardas claras.
Una vez que tienes eso, la colaboración deja de parecerse a un montón de conectores frágiles y comienza a parecerse a una red de especialistas que pueden unirse dinámicamente alrededor del trabajo real. Aquí es donde entra la analogía de la matriz de Eisenhower. No todo es igualmente urgente e importante. Algunos trabajos son verdaderamente críticos en el tiempo, algunos son importantes pero se pueden programar, algunos solo necesitan hacerse y algunos son ruido. Con la coordinación de agente a agente sentada sobre una capa de confianza y orquestación, puedes tratar esas categorías de manera diferente a escala: los agentes pueden concentrarse conjuntamente en los problemas urgentes e importantes, poner en cola o programar los importantes pero no urgentes y evitar que las tareas de poco valor desplacen el resto del trabajo.
Es un mundo muy diferente al de “vamos a agregar otro conector y esperar que la cola se drene”. Estás viendo flujos de trabajo dinámicos y orquestados alrededor de eventos y datos dinámicos, en lugar de un enredo de integraciones de punto a punto donde todo grita con la misma prioridad.
Una vez que los agentes de IA son autorizados a actuar de forma autónoma, la gobernanza se convierte rápidamente en un desafío. ¿Cómo equilibra la velocidad, la rendición de cuentas y la supervisión humana cuando los sistemas de IA están tomando o ejecutando decisiones a escala?
El error que veo es que la gente piensa que pueden agregar la IA agéntica a lo que tienen y tratar de “equilibrar” la velocidad, la rendición de cuentas y la supervisión humana después del hecho. No puedes. Tienes que comenzar reconociendo que este es un problema de pila de tecnología vertical y construyendo intencionalmente una capa de confianza y una capa de orquestación. Sin esas dos capas, se convierte en un desorden: todo es primero en llegar, primero en ser servido, o quien grita más fuerte.
Nuevamente, es la matriz de Eisenhower: no todo el trabajo es igual. La confianza y la orquestación son cómo operacionalizas eso en un mundo de agentes. No quieres que cada agente trate cada tarea como una alarma de incendio; quieres que el sistema sepa qué es verdaderamente crítico en el tiempo, qué se puede programar y qué debe manejarse en silencio en el fondo.
Y luego está la parte de “profundidad en un ámbito acotado antes que amplitud”. La mayoría de las empresas confunden un mayor impacto de la IA con permanecer amplio. Estás mucho mejor si eliges una rebanada vertical estrecha: un caso de uso concreto, un conjunto de flujos de trabajo, y construyes la confianza y la orquestación que necesitas allí primero. Acotas el ámbito de ese sector, lo haces bien, mantienes a los humanos en el bucle en los bordes y luego expandes. Así avanzas rápido, te mantienes responsable y evitas crear un desorden que no puedes desenredar más tarde.
Desde su experiencia liderando grandes equipos de producto y ingeniería a nivel mundial, ¿qué cambios organizativos o culturales son necesarios para que la IA se convierta en una capacidad empresarial duradera en lugar de una colección de pilotos desconectados?
La mayoría de las empresas no tienen un “problema de IA”; tienen un problema de conocimiento y flujo de trabajo. El primer cambio es dejar de jugar con soluciones puntuales y moverse de almacenes de datos a un almacén de conocimiento federado que todos puedan consultar y usar para actuar. Mientras el conocimiento viva en silos y la IA sea la guinda sobre cada silo, obtendrás pilotos, no transformación.
Desde allí, tienes que estar dispuesto a ir tras los problemas más difíciles en un orden específico. El paso uno es separar la exageración de la realidad y adoptar lo que está funcionando, no lo que más ruido hace en tu feed. El paso dos es re-arquitectar la capa de conocimiento para que puedas convertir los datos en contexto compartido y federado en lugar de otro informe enterrado en un sistema. El paso tres es replantear los flujos de trabajo alrededor de ese conocimiento y una capa de confianza real: la mayoría del trabajo de hoy se organiza alrededor de personas, habilidades y silos de conocimiento locales. Si no cambias eso, los agentes solo serán otra herramienta que orbita los mismos cuellos de botella antiguos.
Solo entonces llegas al cambio cultural, que a menudo es el más difícil. Necesitas una cultura en la que las personas no estén preocupadas principalmente por perder sus trabajos, herramientas o identidad, sino que estén genuinamente emocionadas de trabajar con nuevas capacidades. Eso es un problema de gestión del cambio, no un problema de tecnología. Se parece mucho al liderazgo distribuido real: las personas en la punta de la lanza entienden los flujos de trabajo, se sienten seguras nombrando la fricción y están emocionadas de poner a los agentes a trabajar en ello.
Mirando más allá de la banda ancha y las telecomunicaciones, ¿qué industrias cree que están mejor posicionadas para adoptar la IA operativa e impulsada por agentes a continuación, y qué condiciones las hacen listas?
No pienso en esto como elegir ganadores por etiqueta de industria; pienso en términos de patrones. Casi todas las verticales tienen el mismo desafío subyacente: han construido silos de datos y silos de función en lugar de una vista única a través de tres ciclos de vida: cliente, empleado y producto. Las que están listas son las que están dispuestas a ver eso, admitir que no tienen una capa de conocimiento real y arreglarlo.
Desde allí, las condiciones parecen bastante similares, independientemente de que estés en atención médica, fintech, retail o infraestructura crítica. Necesitas flujos de trabajo complejos donde las personas trabajen al límite de su capacidad, puntos de fricción reales que puedas nombrar y suficientes datos de alta calidad para dar contexto a los agentes. Si puedes mapear flujos de trabajo actuales, ver dónde se ralentiza o se acumula el trabajo, entender qué traspasos de trabajo generan retrasos y luego respaldar eso con un almacén de conocimiento federado, la IA agéntica se convierte en una herramienta increíble.
En ese mundo, la “preparación de la industria” se reduce a liderazgo. ¿Están los líderes de la empresa dispuestos a moverse más allá de herramientas de marketing y paneles horizontales delgados, e invertir en una pila de tecnología vertical: convirtiendo los datos en conocimiento, federando ese conocimiento, poniendo en su lugar marcos de orquestación y confianza, y teniendo conversaciones honestas sobre dónde está el ROI real? Cualquier empresa en cualquier industria que haga ese trabajo está bien posicionada para la IA operativa e impulsada por agentes; las que no lo hacen se quedarán atrás, agregando otra herramienta a un montón de ruido ya existente.
A medida que la IA empresarial evoluciona hacia entornos multiagente y multinube, ¿cómo será una buena arquitectura de IA dentro de cinco años, y con qué principios deben comprometerse los líderes hoy para evitar reconstruir sus sistemas más tarde?
En cinco años, la parte interesante de la IA no serán los agentes o modelos individuales; serán los flujos de trabajo agénticos que permiten y el valor empresarial que esos flujos de trabajo entregan. Los agentes en sí vendrán y se irán. Las capas debajo de ellos: datos, conocimiento, orquestación, confianza y acción, seguirán evolucionando, pero la necesidad de ellas no desaparecerá.
Es por eso que me enfoco más en la arquitectura que en cualquier herramienta específica. Nos estamos moviendo de almacenes de datos a almacenes de conocimiento federados, de integraciones frágiles punto a punto a pilas abiertas por capas. En ese mundo, tendrás agentes que se ejecutan en diferentes nubes, que tocan diferentes fuentes de conocimiento y que se coordinan a través de interfaces bien definidas: MCP en la capa de conocimiento y protocolos de agente a agente en las capas de orquestación y confianza. A medida que mejora la tecnología, quieres poder sustituir los componentes de esas capas por otros mejores sin tener que reconstruir todo cada vez.
Entonces, los principios para los líderes son simples. No construyas monolíticamente. Diseña por capas para que los datos, el conocimiento, la orquestación, la confianza y la acción puedan evolucionar de forma independiente. Diseña para flujos, no para funciones, para que tengas claro qué flujos de trabajo importan y qué significa un buen resultado en los ciclos de vida del cliente, del empleado y del producto. Y diseña para la gobernanza a nivel de agente: asume confianza cero por defecto, define “tarjetas de agente” claras y usa la orquestación para decidir qué es urgente, qué es importante y qué solo necesita hacerse. Si haces eso, puedes dejar que la tecnología cambie, como siempre lo hace, sin preocuparte constantemente por reconstruir.
Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Calix.












