Ilan Sade, Président de la Division GenAI & Data chez Amdocs – Série d’entretiens

Ilan Sade, Président de la Division GenAI & Data chez Amdocs, compte plus de deux décennies de leadership au sein de la même organisation, ayant commencé comme programmeur et chef de projet pour finalement superviser la livraison mondiale, la stratégie produit et l’innovation à grande échelle. Au cours de son mandat, il a dirigé des divisions clés couvrant la gestion des revenus, les systèmes de support numérique et commercial, ainsi que les initiatives de réseau ouvert, ce qui a culminé avec la direction de la division T-Mobile avant de prendre son poste actuel axé sur l’intelligence artificielle générative et les données. Sa carrière reflète une expertise approfondie dans les télécommunications, en particulier dans les systèmes de facturation complexes, les plateformes d’expérience client et les transformations d’entreprise à grande échelle, le plaçant à l’avant-garde du virage d’Amdocs vers les opérations pilotées par l’IA et les plateformes de données de nouvelle génération.

Amdocs est une société multinationale de logiciels et de services spécialisée dans les solutions pour les fournisseurs de communications, de médias et de services numériques, les aidant à gérer tout, des factures et des relations avec les clients aux opérations de réseau et à la transformation numérique. Fondée en 1982 et opérant dans plus de 90 pays, l’entreprise est devenue un fournisseur clé d’infrastructures pour les opérateurs de télécoms, offrant des plateformes natives de cloud, des outils d’analyse et d’automatisation pilotés par l’IA qui permettent une prestation de services plus efficace et des expériences client personnalisées. Son accent croissant sur l’IA générative et les plateformes de données reflète un changement plus large dans l’industrie vers des réseaux intelligents, logiciels définis et des écosystèmes client entièrement numérisés.

Vous avez passé plus de deux décennies chez Amdocs, évoluant d’un développeur à la direction de la division GenAI et Data, et supervisant précédemment l’un des partenariats stratégiques les plus importants de l’entreprise avec T-Mobile. Comment ce parcours a-t-il façonné votre perspective sur ce qu’il faut réellement pour passer de l’expérimentation à la production à l’échelle des télécoms avec l’IA ?

Ce que j’ai appris au fil des ans, c’est que passer de l’IA de l’expérimentation à la production à l’échelle des télécoms n’est pas principalement un problème de modèle. C’est un problème d’opérations. Vous avez besoin des bonnes fondations de données, d’une forte intégration dans les systèmes existants, d’une responsabilité claire et d’équipes qui savent comment faire fonctionner l’IA comme partie intégrante des processus métier quotidiens. Si l’un de ces éléments manque, les pilotes peuvent paraître impressionnants mais ils ne sont pas évolutifs.

Mon parcours chez Amdocs m’a donné une exposition à tous les aspects de l’équation, de l’ingénierie à la livraison client et aux partenariats importants avec les opérateurs. Cette expérience a façonné ma vision selon laquelle le succès vient de la combinaison de l’excellence technique et de la discipline d’exécution. Dans les télécoms, l’IA doit fonctionner dans des environnements complexes, supporter de véritables niveaux de service et livrer des résultats mesurables. Cela nécessite une mentalité de production dès le premier jour.

Lors du Congrès mondial de la mobilité (MWC), il y a eu un signal clair que les entreprises de télécoms investissent massivement dans les pilotes d’IA mais peinent à les opérationnaliser. Quels sont, selon vous, les principaux obstacles qui empêchent les opérateurs de passer au-delà de l’expérimentation aujourd’hui ?

Je vois l’un des plus grands obstacles comme étant la fragmentation. La plupart des opérateurs ont des données précieuses et de solides cas d’utilisation, mais leurs environnements sont divisés entre une large gamme de systèmes, d’équipes et de fournisseurs, ce qui rend difficile la connexion des sorties de l’IA aux flux de travail réels. C’est particulièrement vrai lorsque ces flux de travail couvrent le réseau, les soins aux clients et les opérations commerciales. En conséquence, l’IA reste souvent une solution ponctuelle au lieu de devenir partie intégrante du modèle opérationnel.

En outre, un autre obstacle que j’ai constaté est la confiance – les opérateurs ont finalement besoin de fiabilité, de gouvernance et de contrôles clairs avant de pouvoir intégrer l’IA dans les processus critiques. Par exemple, s’ils ne peuvent pas expliquer pourquoi un agent d’IA a pris une décision ou appliquer des politiques à ce sujet, cette technologie sera maintenue dans une voie de pilote. Pour avancer, il faut un cadre qui combine l’automatisation avec l’observabilité, la traçabilité et la surveillance humaine.

Amdocs positionne aOS comme un « système d’exploitation agentic ». Comment définissez-vous l’IA agentic dans le contexte des télécoms, et comment est-elle fondamentalement différente des approches d’automatisation pilotées par l’IA antérieures ?

Dans l’espace des télécoms, l’IA agentic fait spécifiquement référence à la technologie qui peut comprendre les objectifs, planifier des tâches, prendre des actions à travers plusieurs systèmes et s’adapter en fonction des résultats. Au lieu de simplement générer du contenu ou prédire les résultats, les agents peuvent exécuter des flux de travail de bout en bout. Ils sont capables de raisonner sur le contexte, de collaborer avec d’autres agents et d’opérer dans les limites de la gouvernance pour accomplir de véritables tâches opérationnelles.

Ceci est fondamentalement différent de l’automatisation antérieure, qui était principalement basée sur des règles et statique. L’automatisation traditionnelle fonctionnait bien pour les tâches répétitives dans des environnements stables, mais elle a lutté avec la complexité et les exceptions. L’IA agentic peut gérer des situations dynamiques, apprendre des commentaires et coordonner à travers les domaines.

Vous avez décrit un avenir d’opérations de télécoms natives en IA. Quelle est la réalité de cela dans la pratique, et à quel point sommes-nous éloignés de réseaux entièrement autonomes ?

Les opérations de télécoms natives en IA ressemblent à l’IA intégrée dans le cœur de la façon dont une entreprise fonctionne – et non simplement ajoutée dessus. Dans la pratique, cela ressemble à des flux de travail d’assurance de service qui détectent et résolvent les problèmes avant que les clients ne les remarquent, à des parcours de soins aux clients personnalisés et proactifs, et à des opérations de réseau qui optimisent continuellement les performances en fonction des conditions en temps réel. La clé est que l’IA est intégrée dans les décisions et l’exécution, et non seulement dans l’analyse.

Nous ne sommes pas encore à des réseaux entièrement autonomes, et nous devrions être réalistes à ce sujet. Les prochaines années seront consacrées à l’autonomie progressive, où les opérateurs automatiseront des flux de travail plus complexes tout en gardant les humains sous contrôle des décisions à forte incidence. L’autonomie totale nécessitera des normes plus solides, une interopérabilité plus large et des améliorations continues en matière de fiabilité et de gouvernance.

Les systèmes de télécoms ont historiquement été fragmentés à travers les couches OSS et BSS, ce qui a rendu difficile l’automatisation de bout en bout. Comment une architecture agentic aide-t-elle à unifier ces domaines et à permettre des flux de travail transversaux ?

L’architecture agentic aide en introduisant une couche de coordination qui peut fonctionner à travers OSS et BSS sans forcer un remplacement complet de système. Les agents peuvent se connecter à des plateformes existantes via des API, comprendre le contexte d’un objectif commercial et orchestrer ensuite la bonne séquence d’actions à travers les systèmes de réseau, de service et de client. Cela permet aux opérateurs d’automatiser des flux de travail qui précédemment se cassaient aux frontières de domaine.

Par exemple, s’il y a un problème de réseau affectant un client d’entreprise à forte valeur, un système agentic peut corréler la défaillance, évaluer l’impact, déclencher des étapes de remédiation et mettre à jour le flux de communication client en parallèle. Ce type d’exécution transversale est difficile avec l’automatisation traditionnelle car chaque domaine opère de manière isolée. Les flux de travail agentic aident à combler cet écart.

L’un des aspects intéressants des systèmes agentic est la collaboration entre les agents d’IA et les opérateurs humains. Où voyez-vous l’équilibre se situer entre l’automatisation et la surveillance humaine dans les environnements de télécoms ?

L’équilibre entre les agents d’IA et les opérateurs humains dépendra toujours de l’utilisation spécifique, mais sera largement mené par les humains et accéléré par l’IA pour un avenir prévisible. Les agents d’IA sont excellents pour la vitesse, l’échelle et la reconnaissance de modèles, tandis que les opérateurs humains apportent le jugement, la responsabilité et le contexte. L’objectif n’est pas de retirer les gens de la boucle. Il s’agit de laisser les gens se concentrer sur les décisions qui nécessitent une expertise tandis que l’IA gère la charge de travail opérationnel lourde.

Dans la pratique, cela signifie fixer des seuils clairs pour les actions autonomes et des chemins d’escalade pour les exceptions. Les tâches à faible risque et répétitives peuvent être automatisées avec une surveillance minimale, tandis que les décisions à forte incidence devraient toujours inclure une approbation humaine. Cette approche construit la confiance et aide les opérateurs à mettre à l’échelle l’IA en toute sécurité à travers des environnements critiques.

Il y a beaucoup d’hypothèses autour de l’IA générative, mais les opérateurs de télécoms sont finalement axés sur le ROI. Quels sont les métriques les plus importantes que les CSP devraient suivre pour déterminer si les déploiements d’IA livrent réellement de la valeur ?

Les opérateurs devraient suivre les métriques qui sont directement liées aux résultats commerciaux, et non seulement à la performance technique. Du côté client, cela inclut la résolution au premier contact, le temps de traitement moyen, la réduction de la rotation et la satisfaction client. Du côté réseau, cela inclut le temps moyen de détection et le temps moyen de résolution des incidents, la disponibilité du service et les gains d’efficacité opérationnelle.

Il est également important de mesurer l’adoption et la fiabilité. Si les agents sont déployés mais que les équipes ne leur font pas confiance, la valeur ne se concrétisera pas. Les CSP devraient suivre à quelle fréquence les recommandations d’IA sont acceptées, à quelle fréquence les flux de travail se terminent avec succès et à quelle fréquence l’intervention humaine est nécessaire. Le ROI vient de l’impact opérationnel durable, et non des résultats isolés de pilotes.

aOS met l’accent sur les flux de travail multi-agents qui peuvent exécuter des processus complexes de bout en bout à travers les environnements de télécoms. Comment assurez-vous la coordination, la fiabilité et la gouvernance lorsque plusieurs agents d’IA opèrent simultanément sur des systèmes critiques ?

La coordination commence avec un modèle d’orchestration clair. Dans un environnement multi-agents, chaque agent doit avoir des limites d’accès définies, des critères de réussite et une gestion de l’état pour que les agents ne travaillent pas à des fins contraires. Une couche d’orchestration centrale gère la séquencing des tâches, la résolution des conflits et le suivi de l’état pour que les flux de travail restent prévisibles même lorsqu’ils couvrent de nombreux systèmes.

La fiabilité et la gouvernance nécessitent des contrôles solides par conception. Cela inclut l’application des politiques, les traces d’audit, l’explicabilité et la surveillance en temps réel du comportement des agents. Cela signifie également avoir des mécanismes de secours pour que les flux de travail puissent être interrompus, escaladés ou rétablis en toute sécurité si quelque chose d’inattendu se produit. Dans les systèmes de télécoms critiques, la gouvernance est plus qu’un ajout – c’est une exigence fondamentale.

Dans un récent annonce d’aOS, Amdocs positionne l’IA générative comme évoluant d’une capacité « sidecar » à une couche opérationnelle de base intégrée dans les processus client, réseau et commercial. Qu’est-ce qui a changé au cours des 12 à 24 derniers mois pour rendre ce changement possible aujourd’hui ?

Plusieurs choses ont mûri en même temps. Les modèles de base se sont considérablement améliorés en termes de qualité de raisonnement et d’utilisation d’outils, ce qui les a rendus plus capables dans les flux de travail d’entreprise. En même temps, l’écosystème qui les entoure s’est amélioré, y compris les cadres d’orchestration, les outils d’observabilité et les contrôles de gouvernance. Cela a rendu pratique le passage d’utilisation de cas isolés à des flux de travail opérationnels coordonnés.

L’autre grand changement est la maturité organisationnelle. Les opérateurs ont maintenant des priorités plus claires autour de l’IA et une pression plus forte pour livrer des résultats mesurables. Ils n’expérimentent plus juste pour apprendre. Ils recherchent des plateformes qui peuvent mettre à l’échelle l’IA à travers les fonctions avec sécurité et contrôle. Ce changement de maturité, à la fois sur le plan technologique et commercial, est ce qui rend ce moment différent.

Si aOS représente un tournant vers les opérations de télécoms natives en IA, quelle est la prochaine phase ? Allons-nous vers des réseaux de télécoms entièrement autonomes, et quels défis restent à résoudre avant que cela ne devienne une réalité ?

La prochaine phase consiste à passer de l’automatisation isolée à l’autonomie coordonnée à l’échelle de l’entreprise. Nous allons probablement voir plus de flux de travail multi-agents qui relient les soins aux clients, les opérations de service et les équipes de réseau en temps réel. Les opérateurs pourraient passer d’opérations réactives à des modèles prédictifs et proactifs, où l’IA peut identifier les risques tôt et exécuter des mesures de remédiation avant que les problèmes ne s’aggravent.

Les réseaux de télécoms entièrement autonomes sont un objectif à long terme, mais il reste encore des défis importants à résoudre. Nous avons besoin d’une interopérabilité plus solide entre les écosystèmes de fournisseurs, de normes de gouvernance plus robustes et de progrès continus en matière de fiabilité et d’explicabilité. Le plus important, l’industrie a besoin de la confiance que les systèmes autonomes puissent fonctionner en toute sécurité dans des conditions du monde réel. Le chemin à suivre sera progressif, avec des contrôles clairs à chaque étape.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Amdocs.