Haastattelut
Shane Eleniak, Calixin tuotejohtaja – Haastattelusarja

Keskeiset kohdatCalix rakensi toiminnallisia oivalluksia tietyille henkilöprofiileille vuosia ennen…
Näytä lisää
- Calix rakensi toiminnallisia oivalluksia tietyille henkilöprofiileille vuosia ennen agenttitekoälyn saapumista.
- Useimmat yritykset epäonnistuvat tekoälyssä, koska ne jättävät huomiotta autonomisten päätösten edellyttämän luottamuskerroksen.
- Organisaatioiden on arkkitehtoitava tieto uudelleen federoiduksi varastoksi, ei vain lisättävä tekoälyä silloutuneisiin järjestelmiin.
Shane Eleniak on Calixin tuotejohtaja. Hän vastaa yhtiön toimialansa johtavien alusta- ja SaaS-ratkaisujen strategisesta visiosta ja toteutuksesta. Hän keskittyy auttamaan viestintäpalveluntarjoajia yksinkertaistamaan liiketoimintaansa ja tarjoamaan erinomaisia tilaajakokemuksia sekä valvoo tuotteiden koko elinkaarta ideoinnista markkinoiden kärjessä olevaan käyttöönottoon.
Hänen johdollaan Calix on vahvistanut asemaansa laajakaista-alan edelläkävijänä ja toimittanut jatkuvasti innovatiivisia työkaluja, jotka auttavat palveluntarjoajia kilpailemaan ja menestymään.
Calix on yhdysvaltalainen teknologiayritys, joka tarjoaa pilvi-, ohjelmisto- ja hallittujen palvelujen alustoja laajakaista- ja viestintäpalveluntarjoajille. Sen ydintarjontaa on tekoälyä hyödyntävä laajakaista-alusta, joka yhdistää pilvi-infrastruktuurin, datan ja verkkojärjestelmät. Tavoitteena on yksinkertaistaa toimintaa, parantaa asiakasvuorovaikutusta ja tarjota yksilöllisempiä digitaalisia kokemuksia. Calix auttaa palveluntarjoajia siirtymään perusyhteyksistä kokonaisvaltaisiksi ”kokemusten tarjoajiksi”, kasvattamaan liikevaihtoa ja tilaajauskollisuutta sekä tukemaan yhteisöjen digitaalista muutosta kehittyneemmillä ja skaalautuvilla laajakaistapalveluilla.
Urasi kattaa yli kolme vuosikymmentä tekniikan, verkkoteknologian, pilvialustojen ja laajamittaisen tuotejohtamisen parissa. Miten nämä kokemukset ovat muovanneet näkemystäsi siitä, mitä tarvitaan, jotta tekoäly tekee yrityksissä oikeaa työtä eikä jää sivukokeiluksi?
Aloitin perinteisessä tietoliikenne- ja verkkotekniikassa, jossa ratkaisevaa oli datan kulkureitti ja luotettavuus suuressa mittakaavassa. Jos palvelu ei ole häiriötön ja luotettava, sen päälle rakennetuilla asioilla ei juuri ole merkitystä. Silloin puhelin oli keittiön seinällä, sisäjohdotus pysyi paikallaan ja kaikki oli hyvin, kunhan luurista kuului valintaääni.
Laajakaista ja internet muuttivat kaiken. Enää ei riittänyt kysymys ”toimiiko se?”. Mukaan tulivat Ethernet ja sitten Wi-Fi, lasten pelikonsolit ja tabletit, oma Zoom-puhelu pilvitaulukon yhteismuokkauksineen sekä jatkuva liikkuvuus: laitteita kotona, takapihalla, jalkapallo-ottelussa ja kahvilassa. Tilaajakokemus oli paljon monimutkaisempi kuin päällä tai pois, ja palveluntarjoajien ympäristöstä tuli hyvin dynaaminen. Siinä maailmassa peruutuspeilistä katsottu data — perinteiset tietovarastot ja kuukautta myöhemmin saatavat historiaraportit — ei riitä. Dataa on kerättävä, kokemusta ymmärrettävä ja havaintoja tuotettava reaaliajassa, koska tilaajat odottavat ongelmien ratkeavan ennakoivasti, eivät tuntien tai päivien päästä.
Tämä kehitys muovasi ajatteluani tekoälystä. Useimmat haluavat lisätä sen ”päälle”, kuten liiketoimintatiedon analytiikan tai SaaS:n nykyisten datajärvien päälle. Kokemukseni mukaan on ajateltava paljon syvemmälle ja suunniteltava reaaliaikaisia, toimintaan johtavia havaintoja sekä kykyä toimia oikeaan aikaan.
Tilaajien odotukset eivät silti ole juuri muuttuneet 25 vuodessa. He haluavat turvallisen, hallitun yhteyden, joka tuntuu yhtä yksinkertaiselta kuin valintaääni. Kaiken pitäisi ”vain toimia” ilman kerrosten ja monimutkaisuuden miettimistä, kaikkialla elämässä. Tietoliikenne- ja pilviurani on tehnyt tämän paradoksin tutuksi: rakennamme erittäin monimutkaisia järjestelmiä, jotta voimme piilottaa monimutkaisuuden ja tarjota yksinkertaisen, erinomaisen kokemuksen käyttäjän päässä. Näin ajattelen myös tekoälyn tekevän oikeaa työtä missä tahansa yrityksessä, laajakaista-alalla tai muualla.
Korostat Calixissa usein, että operatiivinen tekoäly rakennetaan, ei osteta. Mitä virheitä organisaatiot tavallisimmin tekevät lisätessään tekoälyä miettimättä uudelleen, miten työ yrityksessä kulkee?
Minulle kyse on vähemmän rakentamisen ja ostamisen vastakkainasettelusta ja enemmän siitä, onko otettu etäisyyttä ja tarkasteltu koko teknologiapinoa. Monet yritykset ajattelivat tekoälyn tarkoittavan muutamaa API:a kielimalliin pääsemiseksi, sen liittämistä pinoon ohuella sovituskerroksella ja tokenien ostamista. Siinä oli muka tekoälystrategia. Näin tämä ei toimi.
Liian moni lumoutuu tekniikasta lopputulosten sijaan. Olemme nähneet tämän ennenkin. PC-koneiden tullessa väiteltiin 286:sta ja 386:sta, muistin määrästä ja DOS-versiosta. Nykyään harva osaa kertoa kannettavansa tai puhelimensa teknisiä tietoja, eikä niistä välitetä ennen kuin laite ei tee tarvittavaa. Olennaista on, tehostaako se työtäni. Sama koskee tekoälyä. Ellei sitä yhdistetä todellisiin työnkulkuihin, arvoon ja sijoitetun pääoman tuottoon eli ROI:hin, tekniset tiedot ovat vain kohinaa.
Toinen suuri virhe on liittää tekoäly nykyisiin järjestelmiin kysymättä, mitä se tekee arkkitehtuurille, turvallisuusmallille ja kustannuksille. Tekoäly on perustavanlaatuinen teknologia, ei pieni ominaisuuspäivitys. Jos sitä kohdellaan jälkimmäisenä, seurauksena voi olla huonoa dataa, tietoturvaongelmia, hallusinaatioita, hallitsemattomia kustannuksia tai paljon toimintaa, joka ei ratkaise kenenkään ongelmaa.
Kontekstia ja toimialaosaamista ei myöskään voi sivuuttaa. Toiminta riippuu kontekstista, joka vaihtelee tietoliikenteessä, finanssiteknologiassa ja terveydenhuollossa. Calixissa lähdimme yhden alan syvästä tuntemuksesta ja rakensimme sen ympärille toimialakohtaisen alustan. Tunsimme jo datan, havainnot, työnkulut ja kontekstin, joten pino saattoi vastata tätä todellisuutta. Useimmat yritykset tuntevat oman alansa läpikotaisin. Mahdollisuus on koodata tämä osaaminen toimialakohtaiseen teknologiapinoon sen sijaan, että luotetaan ohueen yleiskäyttöiseen kerrokseen ja yleiseen tekoälymalliin ja yritetään sitten yhdistellä kaikki. Liiketoiminnassa ratkaisevat tulokset, eivät mallit. Oikea kysymys on, miten teknologia auttaa saavuttamaan tulokset työn todellisessa kulussa.
Olet kuvannut operatiiviselle tekoälylle viisikerroksisen arkkitehtuurin: data, tietämys, orkestrointi, luottamus ja toiminta. Miksi kerrokset on erotettava selvästi, ja mitä yritykset useimmiten aliarvioivat tai ohittavat?
Pino oli pitkään melko yksinkertainen: data, havainnot, koontinäytöt, työnkulut ja ihmiset. Rakennettiin tietovarastoja, lisättiin päälle BI-analytiikkaa, luotiin työnkulkumoottoreita ja jätettiin vaikea työ ihmisille. Agenttien maailmassa tämä ei riitä. Tarvitaan dataa, tietämystä, orkestrointia, luottamusta ja toimintaa, koska jokaisella kerroksella on oma tehtävänsä.
Kaikkia kiinnostava näkyvä osa on toimintakerros eli agentit. Se on jäävuoren huippu. Sen, voiko agenteille koskaan antaa pääsyn oikeisiin järjestelmiin, ratkaisee vedenpinnan alla oleva ”tylsä” osa: dataputket ja puhdas data, kontekstia tuottava tietämyskerros, dynaamisia työnkulkuja koordinoiva orkestrointi sekä luottamusmalli, joka päättää, mitä ylipäätään pitäisi sallia. Titanicia ei upottanut näkyvä pieni osa, vaan sen alla ollut valtava jäämassa. Sama koskee operatiivista tekoälyä: pinnanalainen putkisto ratkaisee onnistumisen tai epäonnistumisen.
Orkestrointia ja luottamusta ei aiemmin käsitelty erillisinä kerroksina, koska ihmiset tekivät suurimman osan työstä. Orkestrointi tarkoitti johtajia ja tikettijonoja, luottamus käyttäjänimiä ja salasanoja. Nyt on luotettava agentteihin toimijoina ja koordinoitava useita agentteja reaaliajassa dynaamisen datan ympärillä. Tämä on täysin erilainen suunnitteluongelma, joten kerrosten on oltava selkeästi määriteltyjä.
Eniten aliarvioidaan luottamusta. Monet ajattelevat hoitavansa sen pääsynvalvonnalla: kuka voi kirjautua mihinkin järjestelmään. Agenttimaailman todellinen luottamus ei kuitenkaan kysy ”onko käyttäjällä pääsy?”, vaan ”onko juuri tämä toimi sopiva tälle henkilölle tai agentille juuri nyt?”. Se on hallintakysymys, ei pääsynvalvontakysymys. Ilman erillistä kerrosta jäädään demoihin, koska agenttien päästäminen oikeaan tuotantotyöhön ei koskaan tunnu turvalliselta.
Luottamus on siis tekoälystrategiasi perusta. Miten järjestelmät suunnitellaan niin, että automaattiset päätökset ovat havaittavia, auditoitavia ja peruttavissa mutta tuottavat silti liiketoiminta-arvoa riittävän nopeasti?
On aloitettava Zero Trust -ajattelusta. Ensimmäinen kysymys ei ole, pystyykö agentti tähän teknisesti, vaan pitäisikö tämän agentin tämän henkilön puolesta edes yrittää sitä. Jos vastaus on ei, ei jatketa.
Jos vastaus on kyllä, tarvitaan suojakaiteita: auditoitavuutta, jäljitettävyyttä ja ihmisen osallistumista prosessiin. Mallimme luottamuskerros toimii kuin liikennepoliisi jokaisen vuorovaikutuksen alussa: kuka olet, mitä teet ja miksi? Se poistaa paljon turvallisuusongelmia, koska agentteja ei päästetä toimimaan vapaasti siinä toivossa, että tapahtumat huomataan jälkeenpäin.
Vaihtoehto on päästää agentit irti ja hälyttää, jos ne tekevät jotain pahaa. Silloin oletetaan, että tapahtuma voidaan nähdä, ymmärtää, tunnistaa ja pysäyttää reaaliajassa järjestelmien toimintanopeudella ja -mittakaavassa. Se on hyvin vaikeaa. Siksi niin moni kamppailee: etsitään pahantahtoisia toimijoita reaaliajassa sen sijaan, että estettäisiin haitalliset toimet ennalta.
Olemme lisänneet myös kerroksellisia yhdyskäytäviä. Vaikka agentti toimisi oikean henkilön puolesta, tutkimme istuntoa ja sisältöä: yritetäänkö myrkyttää mallia, väärinkäyttää API:a tai toimia sääntöjen vastaisesti? Kaikkea ympäröi täysi havaittavuus, jotta tapahtumat voidaan auditoida ja tarvittaessa perua. Näin toimitaan nopeasti ja silti nukutaan yöt rauhassa.
Moni yritys tuottaa tekoälyn avulla havaintoja mutta ei saa niitä muutettua toiminnaksi. Mitkä suunnitteluratkaisut mahdollistivat tekoälyn tuomisen Calixissa markkinoinnin, operaatioiden ja asiakastuen päivittäisiin työnkulkuihin?
Jo kauan ennen tekoälyn nousua pääosaan mietimme Calixissa pakkomielteisesti, mikä tekee havainnosta oikeasti käyttökelpoisen tietylle ihmiselle tietyssä työssä. Vuodesta 2018 olemme selvittäneet palveluntarjoajien kanssa eri käyttäjäroolien työtä: mitä markkinoija tekee tiistaiaamuna, operaatiotiimi hälytyksen tullessa tai tukitiimi turhautuneen tilaajan soittaessa. Oli määriteltävä tarkasti, mitkä havainnot merkitsevät kenelle, missä kontekstissa ja miltä hyvä toiminta näyttää.
Agenttitekoälyn tullessa emme siis aloittaneet tyhjästä. Meillä oli reaaliaikaisia järjestelmiä, joiden toimintaan johtavat havainnot liittyivät tiettyihin käyttäjärooleihin ja työnkulkuihin. Suunnittelukysymys oli, miten samat työnkulut rakennettaisiin uudelleen agenttitekoälyn maailmassa erilaisilla työkaluilla ja teknologiapinolla sen sijaan, että kaikki keksittäisiin alusta.
Syvän käyttäjäroolien tuntemuksen ja agenttitekoälyn yhdistelmä mahdollistaa dynaamiset työnkulut dynaamisen datan pohjalta. Agentit voivat päätellä reaaliajassa tilanteesta, mitä vaiheita ja rooleja tarvitaan, ilman satojen jäykkien mikropalvelutyönkulkujen kovakoodausta. Useimmille yrityksille vaikeaa on tehdä reaaliaikaisia päätöksiä kontekstista ja suunnitella niiden ympärille oikea työnkulku. Meillä tämä oli jo olemassa: olimme tuottaneet vuosia reaaliaikaisia, roolikohtaisia ja toimintaan johtavia havaintoja. Agenttitekoäly on vain uusi työkalujoukko tällä perustalla.
Alustavisioosi kuuluvat agenttien välinen yhteentoimivuus (A2A) ja federatiiviset tekoälyjärjestelmät. Miten tämä muuttaa yritystyökalujen yhteistyötä verrattuna perinteisiin erillisiin integraatioihin?
Viimeisten 20 vuoden oletusmalli on ollut ostaa joukko SaaS-työkaluja ja kytkeä ne datajärven ympärille. Jokainen uusi järjestelmä toi uuden erillisen integraation, dataputken ja paikan, jossa tiedon oikeellisuus piti sovittaa yhteen. Agenttimaailmassa tämä ei skaalaudu. Datan halutaan pysyvän oikeassa paikassaan ja agenttien keskustelevan selkeästi määriteltyjen rajapintojen kautta.
Siksi puhumme järjestelmään liittymisestä kahdessa kerroksessa: MCP tietämyskerroksessa ja A2A orkestrointi- ja luottamuskerroksissa. MCP:n avulla agentit löytävät ja käyttävät työkaluja sekä dataa ilman jokaista kertaa varten rakennettavaa integraatiota. A2A:n avulla ne koordinoivat työtä keskenään selkeiden suojakaiteiden puitteissa.
Tällöin yhteistyö lakkaa näyttämästä hauraiden liittimien kasalta ja alkaa muistuttaa asiantuntijaverkostoa, joka muodostaa dynaamisesti tiimejä oikean työn ympärille. Tässä auttaa Eisenhowerin matriisi. Kaikki ei ole yhtä kiireellistä eikä tärkeää: osa on aikakriittistä, osa tärkeää mutta ajoitettavissa, osa vain tehtävä ja osa kohinaa. Luottamus- ja orkestrointikerrosten päälle rakennettu agenttikoordinointi käsittelee luokkia eri tavoin suuressa mittakaavassa. Agentit voivat kokoontua kiireellisten ja tärkeiden ongelmien ympärille, jonottaa tai ajoittaa tärkeät mutta ei-kiireelliset työt ja estää vähäarvoista puuhastelua syrjäyttämästä muuta työtä.
Tämä eroaa ajatuksesta ”lisätään vielä yksi liitin ja toivotaan jonon tyhjenevän”. Kyse on luotetuista, huolellisesti orkestroiduista dynaamisista työnkuluista muuttuvien tapahtumien ja datan ympärillä, ei kertaluonteisten integraatioiden sotkusta, jossa kaikki vaatii samaa etusijaa.
Kun agentit saavat toimia itsenäisesti, hallinnasta tulee nopeasti haaste. Miten tasapainotat nopeuden, vastuun ja ihmisen valvonnan, kun tekoäly tekee tai toteuttaa päätöksiä suuressa mittakaavassa?
Virhe on uskoa, että agenttitekoäly voidaan vain liittää nykyiseen kokonaisuuteen ja nopeus, vastuu sekä ihmisen valvonta tasapainottaa jälkikäteen. Ei voida. On ensin tunnustettava, että kyse on toimialakohtaisesta teknologiapinosta, ja rakennettava tarkoituksella luottamus- ja orkestrointikerrokset. Ilman niitä syntyy vapaa kilpailu, jossa palvellaan saapumisjärjestyksessä tai äänekkäintä ensin.
Kyse on taas Eisenhowerin matriisista: kaikki työ ei ole samanarvoista. Luottamus ja orkestrointi muuttavat tämän käytännöksi agenttimaailmassa. Jokaisen agentin ei pidä kohdella jokaista tehtävää hätätilanteena. Järjestelmän on tiedettävä, mikä on aidosti aikakriittistä, mikä ajoitettavissa ja mikä hoidettavissa huomaamatta taustalla.
Sitten on kapean lähestymisen etu laajaan verrattuna. Monet yritykset sekoittavat tekoälyn suuremman vaikuttavuuden laajaan kattavuuteen. On parempi valita kapea toimialakohtainen osa: yksi konkreettinen käyttötapaus ja joukko työnkulkuja. Rakennetaan ensin niiden tarvitsema luottamus ja orkestrointi. Rajataan kohde, tehdään se oikein, pidetään ihmiset mukana reuna- ja rajatilanteissa ja laajennetaan vasta sitten. Näin edetään nopeasti, säilytetään vastuu eikä luoda sotkua, jota ei voi myöhemmin purkaa.
Mitä organisaation tai kulttuurin muutoksia suurten kansainvälisten tuote- ja kehitystiimien johtamiskokemuksesi perusteella tarvitaan, jotta tekoälystä tulee pysyvä yrityksen kyvykkyys eikä joukko irrallisia pilotteja?
Useimmilla yrityksillä ei ole tekoälyongelmaa, vaan tietämys- ja työnkulkuongelma. Ensimmäinen muutos on luopua erillisratkaisuilla leikittelystä ja siirtyä datavarastoista federatiiviseen tietämysvarastoon, jota kaikki voivat hyödyntää ja jonka pohjalta toimia. Jos tietämys pysyy siiloissa ja tekoäly on vain kunkin siilon koriste, tuloksena on pilotteja, ei uudistumista.
Vaikeampiin ongelmiin on sen jälkeen tartuttava tietyssä järjestyksessä. Ensin erotetaan hype todellisuudesta ja otetaan käyttöön toimiva, ei syötteen äänekkäintä asiaa. Toiseksi tietämyskerros suunnitellaan uudelleen niin, että datasta tulee yhteistä, federatiivista kontekstia eikä vielä yksi järjestelmään hautautuva raportti. Kolmanneksi työnkulut mietitään uudelleen tämän tietämyksen ja aidon luottamuskerroksen pohjalta. Nykytyö rakentuu pitkälti ihmisten, taitojen ja paikallisten tietämyssiilojen ympärille. Ellei sitä muuteta, agentit vain kiertävät samoja vanhoja pullonkauloja yhtenä lisätyökaluna.
Vasta sitten päästään usein vaikeimpaan eli kulttuurimuutokseen. Ihmisten ei pitäisi ensisijaisesti pelätä työnsä, työkalujensa tai identiteettinsä menettämistä, vaan innostua uusien kyvykkyyksien kanssa työskentelystä. Se on muutosjohtamisen, ei teknologian ongelma. Se muistuttaa aitoa hajautettua johtajuutta: etulinjan ihmiset ymmärtävät työnkulut, uskaltavat nimetä hankauskohdat ja ovat innostuneita antamaan ne agenttien ratkaistaviksi.
Mitkä alat laajakaistan ja tietoliikenteen ulkopuolella ovat mielestäsi seuraavaksi parhaassa asemassa ottamaan käyttöön operatiivista, agenttivetoista tekoälyä, ja mikä tekee ne valmiiksi?
En oikeastaan valitse voittajia toimialanimikkeiden perusteella, vaan tarkastelen toimintamalleja. Lähes kaikilla aloilla on sama haaste: on rakennettu data- ja toimintosiiloja yhden, asiakkaan, työntekijän ja tuotteen elinkaaret kattavan näkymän sijaan. Valmiita ovat ne, jotka tunnistavat tämän, myöntävät aidon tietämyskerroksen puuttuvan ja korjaavat asian.
Edellytykset ovat samankaltaiset terveydenhuollossa, finanssiteknologiassa, vähittäiskaupassa ja kriittisessä infrastruktuurissa. Tarvitaan monimutkaisia työnkulkuja, joissa ihmisten kapasiteetti on kovilla, nimettävissä olevia todellisia hankauskohtia ja riittävästi laadukasta dataa agenttien kontekstiksi. Jos nykytyönkulut, hidastuvat ja kasautuvat työt sekä viivästyttävät vastuunvaihdot voidaan tunnistaa ja tueksi tuoda federatiivinen tietämysvarasto, agenttitekoälystä tulee uskomaton työkalujoukko.
Toimialan valmius palautuu silloin johtajuuteen. Ovatko johtajat valmiit menemään markkinointityökaluja ja ohuita yleisiä koontinäyttöjä pidemmälle ja investoimaan toimialakohtaiseen teknologiapinoon: muuttamaan dataa tietämykseksi, federoimaan sen, luomaan orkestrointi- ja luottamuskehykset sekä keskustelemaan rehellisesti todellisesta ROI:sta? Minkä tahansa alan yritys, joka tekee tämän työn, on hyvässä asemassa hyödyntämään operatiivista agenttitekoälyä. Muut jäävät lisäämään yhden työkalun ennestään meluisaan kasaan.
Miltä hyvä tekoälyarkkitehtuuri näyttää viiden vuoden kuluttua monen agentin ja monen pilven ympäristöissä, ja mihin periaatteisiin johtajien tulisi sitoutua nyt välttääkseen järjestelmien uudelleenrakentamisen?
Viiden vuoden kuluttua kiinnostavinta eivät ole yksittäiset agentit tai mallit, vaan niiden mahdollistamat agenttityönkulut ja niiden tuottama liiketoiminta-arvo. Agentteja tulee ja menee. Niiden alla olevat data-, tietämys-, orkestrointi-, luottamus- ja toimintakerrokset kehittyvät, mutta niiden tarve ei katoa.
Siksi keskityn arkkitehtuuriin enemmän kuin tiettyyn työkaluun. Siirrymme datavarastoista federatiivisiin tietämysvarastoihin ja hauraista erillisintegraatioista avoimiin, kerroksellisiin pinoihin. Agentit toimivat eri pilvissä, käyttävät eri tietämyslähteitä ja koordinoivat selkeillä rajapinnoilla: MCP tietämyskerroksessa ja agenttien väliset protokollat orkestrointi- ja luottamuskerroksissa. Teknologian kehittyessä kerroksiin pitää voida vaihtaa parempia osia rakentamatta kaikkea uudelleen.
Johtajien periaatteet ovat siis yksinkertaisia. Älkää rakentako monoliittisesti. Suunnitelkaa kerroksittain, jotta data, tietämys, orkestrointi, luottamus ja toiminta voivat kehittyä itsenäisesti. Suunnitelkaa työnkulkuja, ei ominaisuuksia, jotta tärkeät työnkulut ja hyvä lopputulos asiakkaan, työntekijän ja tuotteen elinkaarissa ovat selvillä. Suunnitelkaa myös agenttitason hallinta: oletuksena Zero Trust, selkeät ”agenttikortit” ja orkestrointi ratkaisemaan, mikä on kiireellistä, tärkeää tai vain tehtävä. Silloin teknologia saa muuttua, kuten se aina muuttuu, ilman jatkuvaa huolta uudelleenrakentamisesta.
Kiitos hienosta haastattelusta. Lisätietoja haluavat lukijat voivat tutustua Calixiin.












