Ilan Sade, Presiden Divisi, GenAI & Data di Amdocs – Seri Wawancara

Ilan Sade, Presiden Divisi, GenAI & Data di Amdocs membawa lebih dari dua dekade pengalaman kepemimpinan dalam organisasi yang sama, naik dari awal sebagai programmer dan manajer proyek hingga mengawasi pengiriman global skala besar, strategi produk, dan inovasi. Selama masa jabatannya, ia telah memimpin divisi kritis yang meliputi manajemen pendapatan, sistem dukungan digital dan bisnis, dan inisiatif jaringan terbuka, yang berpuncak pada kepemimpinannya atas divisi T-Mobile sebelum memasuki fokusnya saat ini pada kecerdasan buatan generatif dan data. Karirnya mencerminkan keahlian domain yang mendalam dalam bidang telekomunikasi, terutama dalam sistem penagihan yang kompleks, platform pengalaman pelanggan, dan transformasi perusahaan besar, yang menempatkannya di garis depan pergeseran Amdocs menuju operasi yang didorong oleh kecerdasan buatan dan platform data generasi berikutnya.

Amdocs adalah perusahaan perangkat lunak dan layanan multinasional yang mengkhususkan diri dalam solusi untuk penyedia layanan komunikasi, media, dan digital, membantu mereka mengelola segala sesuatu dari penagihan dan hubungan pelanggan hingga operasi jaringan dan transformasi digital. Didirikan pada tahun 1982 dan beroperasi di lebih dari 90 negara, perusahaan ini telah berkembang menjadi penyedia infrastruktur kunci untuk operator telekom, menawarkan platform asli cloud, analitik yang didorong oleh kecerdasan buatan, dan alat otomatisasi yang memungkinkan pengiriman layanan yang lebih efisien dan pengalaman pelanggan yang lebih personal. Fokusnya yang meningkat pada kecerdasan buatan generatif dan platform data mencerminkan pergeseran industri yang lebih luas menuju jaringan yang cerdas, terdefinisi perangkat lunak, dan ekosistem pelanggan yang sepenuhnya digital.

Anda telah menghabiskan lebih dari dua dekade di Amdocs, naik dari pengembang hingga memimpin divisi GenAI dan Data, dan sebelumnya mengawasi salah satu kemitraan strategis perusahaan dengan T-Mobile. Bagaimana perjalanan itu telah membentuk perspektif Anda tentang apa yang sebenarnya diperlukan untuk memindahkan kecerdasan buatan dari eksperimen ke produksi pada skala telekom?

Apa yang saya pelajari selama bertahun-tahun adalah bahwa memindahkan kecerdasan buatan ke produksi pada skala telekom bukanlah terutama masalah model. Ini adalah masalah operasional. Anda memerlukan fondasi data yang tepat, integrasi yang kuat ke dalam sistem yang ada, akuntabilitas yang jelas, dan tim yang tahu cara menjalankan kecerdasan buatan sebagai bagian dari proses bisnis sehari-hari. Jika salah satu dari bagian tersebut hilang, pilot dapat terlihat mengesankan tetapi tidak akan skala.

Jalur saya di Amdocs memberi saya paparan pada semua sisi persamaan, dari teknik hingga pengiriman pelanggan hingga kemitraan operator besar. Pengalaman itu membentuk pandangan saya bahwa kesuksesan datang dari menggabungkan keunggulan teknis dengan disiplin eksekusi. Di telekom, kecerdasan buatan harus bekerja di seluruh lingkungan yang kompleks, mendukung tingkat layanan yang nyata, dan menghasilkan hasil yang dapat diukur. Itu memerlukan mentalitas produksi sejak hari pertama.

Di Kongres Dunia Seluler (MWC), ada sinyal yang jelas bahwa perusahaan telekom sedang berinvestasi besar-besaran dalam pilot kecerdasan buatan tetapi kesulitan mengoperasikan mereka. Menurut Anda, apa yang menjadi penghalang terbesar yang mencegah operator melangkah lebih jauh dari eksperimen saat ini?

Saya melihat salah satu penghalang terbesar adalah fragmentasi. Sebagian besar operator memiliki data yang berharga dan kasus penggunaan yang kuat, tetapi lingkungan mereka terbagi di seluruh sistem, tim, dan vendor yang berbeda – membuatnya sulit untuk menghubungkan output kecerdasan buatan dengan alur kerja yang nyata. Ini terutama benar ketika alur kerja tersebut meliputi jaringan, perawatan pelanggan, dan operasi bisnis. Sebagai hasilnya, kecerdasan buatan sering tetap menjadi solusi titik daripada menjadi bagian dari model operasional.

Tambahnya, penghalang lain yang saya saksikan adalah kepercayaan – operator akhirnya memerlukan keandalan, tata kelola, dan kontrol yang jelas sebelum mereka dapat mengintegrasikan kecerdasan buatan ke dalam proses kritis. Misalnya, jika mereka tidak dapat menjelaskan mengapa agen kecerdasan buatan telah membuat keputusan atau menegakkan kebijakan di sekitarnya, teknologi itu akan tetap berada di jalur pilot. Melangkah maju memerlukan kerangka kerja yang menggabungkan otomatisasi dengan observabilitas, auditabilitas, dan pengawasan manusia.

Amdocs memposisikan aOS sebagai “sistem operasi agen”. Bagaimana Anda mendefinisikan kecerdasan buatan agen dalam konteks telekom, dan bagaimana itu secara fundamental berbeda dari pendekatan otomatisasi yang didorong oleh kecerdasan buatan sebelumnya?

Di dalam ruang telekom, kecerdasan buatan agen secara khusus merujuk pada teknologi yang dapat memahami tujuan, merencanakan tugas, mengambil tindakan di seluruh sistem yang berbeda, dan beradaptasi berdasarkan hasil. Sebagai gantinya hanya menghasilkan konten atau memprediksi hasil, agen dapat mengeksekusi alur kerja dari ujung ke ujung. Mereka dapat bernalar atas konteks, berkolaborasi dengan agen lain, dan beroperasi dalam batasan tata kelola untuk menyelesaikan tugas operasional yang nyata.

Ini secara fundamental berbeda dari otomatisasi sebelumnya, yang sebagian besar berbasis aturan dan statis. Otomatisasi tradisional bekerja dengan baik untuk tugas yang berulang dalam lingkungan yang stabil, tetapi mereka kesulitan dengan kompleksitas dan pengecualian. Kecerdasan buatan agen dapat menangani situasi dinamis, belajar dari umpan balik, dan berkoordinasi di seluruh domain.

Anda telah menggambarkan masa depan operasi telekom yang asli kecerdasan buatan. Bagaimana itu sebenarnya terlihat dalam praktek, dan seberapa jauh kita dari jaringan yang sepenuhnya otonom?

Operasi telekom yang asli kecerdasan buatan terlihat seperti kecerdasan buatan yang tertanam di inti bagaimana sebuah bisnis dijalankan – bukan hanya ditambahkan di atasnya. Dalam praktek, itu terlihat seperti alur kerja asuransi layanan yang dapat mendeteksi dan menyelesaikan masalah sebelum pelanggan menyadari, perjalanan perawatan pelanggan yang dipersonalisasi dan proaktif, dan operasi jaringan yang terus-menerus mengoptimalkan kinerja berdasarkan kondisi waktu nyata. Kunci utamanya adalah kecerdasan buatan yang terintegrasi ke dalam keputusan dan eksekusi, bukan hanya analitik.

Kita belum mencapai jaringan yang sepenuhnya otonom, dan kita harus realistis tentang itu. Beberapa tahun ke depan akan tentang otonomi progresif, di mana operator mengotomatisasi alur kerja yang lebih kompleks sambil tetap menjaga kontrol manusia atas keputusan yang berdampak tinggi. Otonomi penuh akan memerlukan standar yang lebih kuat, interoperabilitas yang lebih luas, dan kemajuan terus-menerus dalam keandalan dan tata kelola.

Sistem telekom telah secara historis terfragmentasi di seluruh Lapisan Sistem Dukungan Operasional (OSS) dan Lapisan Sistem Dukungan Bisnis (BSS), yang telah membuat otomatisasi ujung-ke-ujung sulit. Bagaimana arsitektur agen membantu menyatukan domain ini dan memungkinkan alur kerja fungsional lintas?

Arsitektur agen membantu dengan memperkenalkan lapisan koordinasi yang dapat bekerja di seluruh OSS dan BSS tanpa memaksa penggantian sistem yang lengkap. Agen dapat terhubung ke platform yang ada melalui API, memahami konteks dari tujuan bisnis, dan kemudian mengatur urutan tindakan yang tepat di seluruh sistem jaringan, layanan, dan pelanggan. Ini memungkinkan operator untuk mengotomatisasi alur kerja yang sebelumnya terputus di batas domain.

Sebagai contoh, jika ada masalah jaringan yang mempengaruhi pelanggan perusahaan yang berharga, sistem agen dapat mengorelasikan kesalahan, menilai dampak, memicu langkah-langkah perbaikan, dan memperbarui alur komunikasi pelanggan secara paralel. Jenis eksekusi fungsional lintas seperti itu sulit dengan otomatisasi tradisional karena setiap domain beroperasi dalam isolasi. Alur kerja agen membantu menutup celah itu.

Salah satu aspek menarik dari sistem agen adalah kolaborasi antara agen kecerdasan buatan dan operator manusia. Di mana Anda melihat keseimbangan antara otomatisasi dan pengawasan manusia di lingkungan telekom?

Keseimbangan antara agen kecerdasan buatan dan operator manusia akan selalu tergantung pada kasus penggunaan tertentu, tetapi sebagian besar akan dipimpin oleh manusia dan dipercepat oleh kecerdasan buatan untuk waktu yang dapat diprediksi. Agen kecerdasan buatan sangat baik dalam kecepatan, skala, dan pengenalan pola, sementara operator manusia membawa penilaian, akuntabilitas, dan konteks. Tujuan bukanlah menghilangkan orang dari lingkaran. Ini adalah membiarkan orang fokus pada keputusan yang memerlukan keahlian sementara kecerdasan buatan menangani beban kerja operasional yang berat.

Dalam praktek, itu berarti menetapkan ambang batas yang jelas untuk tindakan otonom dan jalur eskalasi untuk pengecualian. Tugas risiko rendah yang berulang dapat diotomatisasi dengan pengawasan minimal, sementara keputusan yang berdampak tinggi harus selalu mencakup persetujuan manusia. Pendekatan ini membangun kepercayaan dan membantu operator mengukur kecerdasan buatan dengan aman di seluruh lingkungan yang kritis.

Ada banyak hype sekitar kecerdasan buatan generatif, tetapi operator telekom akhirnya fokus pada ROI. Apa yang menjadi metrik paling penting yang harus dilacak oleh CSP untuk menentukan apakah penerapan kecerdasan buatan benar-benar menghasilkan nilai?

Operator harus melacak metrik yang terkait langsung dengan hasil bisnis, bukan hanya kinerja teknis. Di sisi pelanggan, itu termasuk resolusi kontak pertama, waktu penanganan rata-rata, pengurangan churn, dan kepuasan pelanggan. Di sisi jaringan, itu termasuk waktu rata-rata untuk mendeteksi dan waktu rata-rata untuk memecahkan insiden, ketersediaan layanan, dan gain efisiensi operasional.

Juga penting untuk mengukur adopsi dan keandalan. Jika agen diterapkan tetapi tim tidak mempercayainya, nilai tidak akan terwujud. CSP harus melacak seberapa sering rekomendasi kecerdasan buatan diterima, seberapa sering alur kerja selesai dengan sukses, dan seberapa sering intervensi manusia diperlukan. ROI datang dari dampak operasional yang berkelanjutan, bukan hasil pilot yang terisolasi.

aOS menekankan alur kerja multi-agen yang dapat mengeksekusi proses yang kompleks, ujung-ke-ujung, di seluruh lingkungan telekom. Bagaimana Anda memastikan koordinasi, keandalan, dan tata kelola ketika beberapa agen kecerdasan buatan beroperasi secara bersamaan di seluruh sistem kritis?

Koordinasi dimulai dengan model orkestrasi yang jelas. Dalam lingkungan multi-agen, setiap agen harus memiliki batasan akses yang ditentukan, kriteria keberhasilan, dan model orkestrasi yang mengelola urutan tugas, resolusi konflik, dan pelacakan status sehingga agen tidak bekerja pada tujuan yang berbeda. Ini menjaga agar alur kerja tetap dapat diprediksi bahkan ketika mereka meliputi banyak sistem.

Keandalan dan tata kelola memerlukan kontrol yang kuat dengan desain. Itu termasuk penegakan kebijakan, jejak audit, keterjelasan, dan pemantauan waktu nyata perilaku agen. Itu juga berarti memiliki mekanisme fallback sehingga alur kerja dapat berhenti, dinaikkan, atau dibatalkan dengan aman jika sesuatu yang tidak terduga terjadi. Dalam sistem telekom kritis, tata kelola lebih dari sekedar tambahan – itu adalah persyaratan inti.

Dalam pengumuman aOS terbaru, Amdocs memposisikan kecerdasan buatan generatif sebagai berkembang dari kemampuan “sidecar” menjadi lapisan operasional inti yang tertanam di seluruh proses pelanggan, jaringan, dan bisnis. Apa yang berubah dalam 12 hingga 24 bulan terakhir yang membuat pergeseran ini memungkinkan hari ini?

Beberapa hal yang matang pada saat yang sama. Model dasar membaik secara signifikan dalam kualitas penalaran dan penggunaan alat, yang membuatnya lebih mampu dalam alur kerja perusahaan. Pada saat yang sama, ekosistem di sekitar mereka juga membaik, termasuk kerangka kerja orkestrasi, alat observabilitas, dan kontrol tata kelola. Itu membuatnya praktis untuk beralih dari kasus penggunaan yang terisolasi ke alur kerja operasional yang terkoordinasi.

Perubahan besar lainnya adalah kesiapan organisasi. Operator sekarang memiliki prioritas yang lebih jelas sekitar kecerdasan buatan dan tekanan yang lebih kuat untuk menghasilkan hasil yang dapat diukur. Mereka tidak lagi bereksperimen hanya untuk belajar. Mereka mencari platform yang dapat mengukur kecerdasan buatan di seluruh fungsi dengan keamanan dan kontrol. Pergeseran kematangan ini di kedua sisi teknologi dan bisnis adalah apa yang membuat momen ini berbeda.

Jika aOS mewakili titik balik menuju operasi telekom yang asli kecerdasan buatan, apa yang terlihat seperti fase berikutnya? Apakah kita menuju ke jaringan telekom yang sepenuhnya otonom, dan apa tantangan yang masih perlu dipecahkan sebelum itu menjadi kenyataan?

Fase berikutnya adalah tentang mengukur dari otomatisasi yang terisolasi ke otonomi yang terkoordinasi di seluruh perusahaan. Kita mungkin akan melihat lebih banyak alur kerja multi-agen yang menghubungkan perawatan pelanggan, operasi layanan, dan tim jaringan dalam waktu nyata. Operator mungkin beralih dari operasi reaktif ke model prediktif dan proaktif, di mana kecerdasan buatan dapat mengidentifikasi risiko awal dan mengeksekusi perbaikan sebelum masalah eskalasi.

Jaringan yang sepenuhnya otonom adalah tujuan jangka panjang, tetapi masih ada tantangan penting yang perlu dipecahkan. Kita memerlukan interoperabilitas yang lebih kuat di seluruh ekosistem vendor, standar tata kelola yang lebih robust, dan kemajuan terus-menerus dalam keandalan dan keterjelasan. Yang paling penting, industri memerlukan kepercayaan bahwa sistem otonom dapat berperforma dengan aman di bawah kondisi dunia nyata. Jalur ke depan akan bersifat inkremental, dengan kontrol yang jelas di setiap langkah. Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Amdocs.