Wawancara
Shane Eleniak, Chief Product Officer di Calix – Seri Wawancara
Shane Eleniak menjabat sebagai Chief Product Officer di Calix, di mana ia memimpin visi strategis dan eksekusi platform dan solusi SaaS perusahaan yang memimpin industri. Dengan fokus pada memungkinkan penyedia layanan komunikasi untuk menyederhanakan bisnis mereka dan menyampaikan pengalaman pelanggan yang luar biasa, Shane mengawasi seluruh siklus hidup produk – dari konseptualisasi hingga penerapan yang memimpin pasar.
Di bawah kepemimpinannya, Calix telah memantapkan posisinya sebagai pelopor di industri broadband, secara konsisten menghadirkan alat inovatif yang memungkinkan penyedia untuk bersaing dan menang.
Calix adalah perusahaan teknologi yang berbasis di AS yang menyediakan platform cloud, perangkat lunak, dan layanan terkelola yang dirancang untuk penyedia broadband dan komunikasi. Penawaran intinya berpusat pada platform broadband yang diaktifkan AI yang mengintegrasikan infrastruktur cloud, data, dan sistem jaringan untuk membantu penyedia menyederhanakan operasi, meningkatkan keterlibatan pelanggan, dan menyampaikan pengalaman digital yang lebih dipersonalisasi. Dengan memungkinkan penyedia untuk beralih dari layanan koneksi dasar ke penyedia pengalaman penuh, Calix membantu mereka meningkatkan pendapatan, meningkatkan loyalitas pelanggan, dan mendukung transformasi digital komunitas melalui layanan broadband yang lebih maju dan dapat diskalakan.
Karir Anda mencakup lebih dari tiga dekade di bidang teknik, jaringan, platform cloud, dan kepemimpinan produk skala besar. Bagaimana pengalaman itu membentuk perspektif Anda tentang apa yang dibutuhkan untuk membuat AI melakukan pekerjaan nyata di dalam bisnis, bukan hanya menjadi eksperimen sampingan?
Saya memulai di bidang telekomunikasi tradisional dan jaringan, di mana seluruh permainan adalah jalur data dan keandalan skala. Jika Anda tidak bisa menyampaikan layanan yang bersih dan andal, tidak ada yang Anda bangun di atasnya yang benar-benar penting. Waktu itu, telepon ada di dinding, kabel dalam tidak pernah bergerak, dan selama ada nada dering, semuanya baik-baik saja.
Broadband dan Internet meledak. Tiba-tiba, bukan hanya “apakah itu menyala?” Ini adalah Ethernet dan kemudian Wi-Fi, anak-anak di konsol game dan tablet, Anda dalam panggilan Zoom yang berkolaborasi pada spreadsheet cloud, dan mobilitas konstan – perangkat di dalam rumah, di halaman belakang, di pertandingan sepak bola, di kafe. Pengalaman pelanggan menjadi jauh lebih kompleks daripada keadaan on/off biner, dan dunia bagi penyedia layanan menjadi sangat dinamis. Di dunia itu, pandangan data yang hanya melihat ke belakang – gudang data klasik dan laporan historis sebulan kemudian – tidak cukup. Anda harus mengumpulkan data, memahami pengalaman, dan menghasilkan wawasan secara real-time karena pelanggan sekarang mengharapkan masalah untuk diperbaiki proaktif, bukan dalam hitungan jam atau hari.
Perubahan itu membentuk cara saya berpikir tentang AI. Kebanyakan orang ingin meletakkan AI “di atas”, dengan cara yang sama mereka meletakkan intelijen bisnis atau SaaS di atas data yang ada. Pengalaman saya mengatakan Anda harus berpikir jauh lebih dalam dari itu dan merancang untuk wawasan yang dapat ditindaklanjuti secara real-time, dan kemampuan untuk mengambil tindakan yang tepat waktu.
Bagi pelanggan, bagaimanapun, harapan belum banyak berubah dalam 25 tahun terakhir. Mereka masih hanya ingin koneksi yang aman, dikelola yang terasa sederhana seperti nada dering – mereka ingin semuanya “bekerja” tanpa memikirkan semua lapisan dan kompleksitas, dan mereka ingin itu di mana-mana dalam hidup mereka. Karir saya di telekom dan cloud membuat saya sangat nyaman dengan paradoks itu: Anda membangun sistem yang sangat kompleks sehingga Anda dapat mengabstrak semua itu dan menyampaikan pengalaman yang sederhana dan hebat di ujung. Itulah cara saya berpikir tentang AI melakukan pekerjaan nyata di dalam bisnis, baik itu broadband atau lainnya.
Di Calix, Anda sering menekankan bahwa AI operasional dibangun, bukan dibeli. Apa kesalahan paling umum yang dilakukan organisasi ketika mereka mencoba menambahkan AI tanpa memikirkan kembali bagaimana alur kerja mengalir melalui bisnis?
Bagi saya, itu kurang tentang “dibangun versus dibeli” dan lebih tentang apakah Anda telah mundur dan melihat seluruh tumpukan teknologi. Banyak perusahaan memutuskan AI hanya menggunakan beberapa API untuk mendapatkan akses ke LLM, menghubungkannya ke tumpukan dengan wrapper, dan membeli token – maka Anda memiliki strategi AI. Itu tidak bagaimana ini bekerja.
Terlalu banyak dari kita terpesona dengan teknologi daripada hasilnya. Kami telah melihat film ini sebelumnya. Ketika PC muncul, semua orang ingin berdebat tentang apakah Anda memiliki 286 atau 386, berapa banyak memori yang dimiliki, dan apa DOS yang dijalankan. Sekarang, tidak ada yang bisa memberitahu Anda spesifikasi laptop atau ponsel, dan tidak ada yang peduli sampai itu berhenti melakukan apa yang mereka butuhkan. Yang penting adalah: apakah ini membuat saya lebih efektif dalam pekerjaan saya? Itu sama dengan AI. Jika Anda tidak bisa menghubungkannya dengan alur kerja nyata, nilai nyata, dan ROI nyata, spesifikasi teknologi hanya noise.
Kesalahan besar lainnya adalah mencoba memasang AI ke apa yang sudah ada tanpa bertanya apa yang dilakukan pada arsitektur, model keamanan, dan biaya. AI adalah teknologi fundamental, bukan peningkatan fitur inkremental. Ketika Anda memperlakukannya sebagai inkremental, Anda berakhir dengan data yang buruk, masalah keamanan, halusinasi, biaya yang tidak terkendali, atau banyak kegiatan yang tidak menyelesaikan masalah bagi siapa pun.
Akhirnya, Anda tidak bisa mengabaikan konteks dan pentingnya keahlian vertikal. Tindakan adalah semua tentang konteks, dan konteks itu berbeda di seluruh telekom, fintech, dan perawatan kesehatan. Di Calix, kami memulai dengan pengalaman yang mendalam di satu industri dan membangun platform vertikal di sekitarnya. Kami sudah memahami data, wawasan, alur kerja, dan konteks, sehingga tumpukan bisa mencerminkan kenyataan itu. Kebanyakan perusahaan tahu industri vertikal mereka dengan baik. Kesempatan adalah untuk mengkodekan pengetahuan itu ke dalam tumpukan teknologi vertikal, bukan mengandalkan lapisan horizontal yang tipis dan model AI generik, lalu mencoba menjahit semuanya bersama. Bisnis adalah tentang hasil, bukan model. Pertanyaan nyata adalah bagaimana teknologi ini membantu Anda menyampaikan hasil tersebut dalam cara alur kerja Anda.
Anda telah menguraikan arsitektur lima lapis untuk AI operasional yang mencakup data, pengetahuan, orkestrasi, kepercayaan, dan tindakan. Mengapa penting untuk secara eksplisit memisahkan lapisan-lapisan ini, dan mana yang paling sering diremehkan atau dilewati oleh perusahaan?
Selama beberapa waktu, tumpukan itu cukup sederhana: data, wawasan, dasbor, alur kerja, orang. Anda membangun gudang data, meletakkan BI di atas, membuat mesin alur kerja, dan memberikan pekerjaan yang sulit kepada manusia. Di dunia agen, itu tidak berlaku. Anda membutuhkan data, pengetahuan, orkestrasi, kepercayaan, dan tindakan karena setiap lapisan melakukan fungsi yang berbeda.
Bagian yang terlihat yang semua orang ingin bicarakan adalah lapisan tindakan – agen. Itu hanya ujung gunung es. Yang menentukan apakah Anda bisa pernah membiarkan agen menyentuh sistem nyata adalah semua “hal membosankan” di bawah permukaan: pipa data dan data yang bersih, lapisan pengetahuan yang memberikan konteks, orkestrasi yang mengoordinasikan alur kerja dinamis, dan model kepercayaan yang memutuskan apa yang harus diizinkan pada awalnya. Ketika Titanic tenggelam, itu bukan bagian kecil yang bisa dilihat yang menenggelamkannya; itu adalah massa es raksasa di bawah permukaan. AI operasional sama. Plumbing di bawah permukaan adalah apa yang membuat atau menghancurkan Anda.
Secara historis, kami tidak pernah memperlakukan orkestrasi dan kepercayaan sebagai lapisan terpisah karena manusia melakukan sebagian besar pekerjaan itu. Orkestrasi berarti manajer dan antrian tiket; kepercayaan berarti nama pengguna dan kata sandi. Sekarang Anda harus mempercayai entitas – agen – untuk melakukan hal-hal, dan Anda harus mengoordinasikan beberapa agen secara real-time di sekitar data dinamis. Itu adalah masalah desain yang berbeda, yang mengapa lapisan-lapisan itu perlu eksplisit.
Lapisan yang paling banyak diremehkan adalah kepercayaan. Banyak organisasi berpikir mereka menangani kepercayaan karena mereka memiliki kontrol akses – siapa yang bisa masuk ke sistem mana. Tetapi kepercayaan nyata di dunia agen bukanlah “apakah pengguna ini memiliki akses?” Ini adalah “apakah tindakan ini pantas untuk individu atau agen ini pada waktu ini?” Itu adalah pertanyaan tata kelola, bukan pertanyaan kontrol akses. Jika Anda tidak membuat lapisan itu eksplisit, Anda akan terjebak di demo land, karena Anda tidak akan pernah nyaman membiarkan agen melakukan pekerjaan nyata di produksi.
Jadi, kepercayaan jelas merupakan bagian fondamental dari strategi AI Anda. Bagaimana Anda merancang sistem sehingga keputusan yang diotomatisasi tetap dapat diamati, diperiksa, dan dapat dibalik sambil tetap bergerak cukup cepat untuk menyampaikan nilai bisnis?
Anda harus memulai dari mindset zero-trust. Pertanyaan pertama bukanlah “apakah agen ini secara teknis bisa melakukan ini?” Pertanyaan pertama adalah “seharusnya agen ini, atas nama orang ini, mencoba melakukan ini sama sekali?” Jika jawabannya tidak, maka jangan lanjutkan.
Jika jawabannya ya, Anda masuk ke dalam guardrails: keterlacakan, keterbacaan, dan kebutuhan akan manusia dalam loop. Model kami bergantung pada lapisan kepercayaan yang bertindak sedikit seperti polisi lalu lintas di awal setiap interaksi: siapa Anda, apa yang Anda lakukan, dan mengapa Anda melakukan ini? Itu menghilangkan banyak masalah keamanan, karena Anda tidak membiarkan agen berlari dan melakukan hal-hal dan kemudian berharap Anda menyadari setelahnya.
Alternatifnya adalah melepaskan agen, lalu mengangkat alarm jika mereka pergi dan melakukan sesuatu yang buruk. Anda menganggap Anda bisa melihatnya, memahami, mengidentifikasi, dan menghentikannya secara real-time, pada skala dan kecepatan sistem ini beroperasi. Itu adalah masalah yang sangat sulit, dan itulah mengapa banyak orang kesulitan – mereka mencoba mencari aktor jahat secara real-time daripada mencegah tindakan buruk dari awal.
Di atas itu, kami telah menambahkan gerbang berlapis. Bahkan jika agen bertindak atas nama orang yang tepat, kami masih melihat sesi dan konten – apakah mereka mencoba meracuni model, menyalahgunakan API, atau mendorong sesuatu di luar kebijakan? Semua itu dibungkus dengan keterlacakan penuh sehingga Anda bisa memeriksa apa yang terjadi dan menggulungnya kembali jika perlu. Itulah cara Anda bergerak cepat dan masih tidur nyenyak.
Banyak perusahaan sukses menghasilkan wawasan AI tetapi kesulitan menerjemahkannya menjadi tindakan. Apa keputusan desain yang memungkinkan Calix mendorong AI langsung ke dalam alur kerja sehari-hari di seluruh pemasaran, operasional, dan dukungan pelanggan?
Jauh sebelum AI menjadi bintang pertunjukan, di Calix kami sudah terobsesi dengan satu pertanyaan: apa yang membuat wawasan benar-benar dapat ditindaklanjuti untuk orang nyata dalam pekerjaan nyata? Sejak 2018, kami telah bekerja dengan penyedia layanan untuk memahami bagaimana berbagai persona bekerja – apa yang dilakukan seorang pemasar pada hari Selasa pagi, apa yang dilakukan tim operasional ketika alarm berbunyi, apa yang dilakukan tim dukungan ketika pelanggan menelepon dengan frustrasi. Itu memaksa kami untuk menjadi sangat tajam tentang wawasan mana yang penting bagi siapa, dalam konteks apa, dan apa yang terlihat seperti “tindakan yang baik”.
Jadi, ketika AI agenik datang, kami tidak memulai dari awal. Kami sudah memiliki sistem real-time yang menghasilkan wawasan yang dapat ditindaklanjuti yang terkait dengan persona dan alur kerja tertentu. Pertanyaan desain menjadi: diberi set alat yang berbeda dan tumpukan teknologi yang berbeda, bagaimana Anda akan merancang kembali alur kerja yang sama di dunia AI agenik, bukan mencoba mengarang semuanya dari awal?
Ketika Anda menggabungkan pengetahuan persona yang mendalam dengan AI agenik, Anda bisa membangun alur kerja dinamis di atas data dinamis. Agen bisa mengetahui, secara real-time, langkah mana dan persona mana yang perlu terlibat berdasarkan apa yang terjadi, bukan memaksa Anda untuk mengkodekan ratusan alur kaku di mikro-layanan. Bagi kebanyakan perusahaan, masalah yang sulit sekarang adalah mencoba membuat keputusan secara real-time berdasarkan konteks dan kemudian merancang alur kerja yang tepat di sekitarnya. Bagi kami, itu sudah ada; kami telah melakukan wawasan real-time, berbasis persona, dan dapat ditindaklanjuti selama bertahun-tahun. AI agenik hanya merupakan sekumpulan alat baru di atas fondasi itu.
Visi platform Anda termasuk interoperabilitas agen-ke-agen (A2A) dan sistem AI terfederasi. Bagaimana pendekatan ini mengubah cara alat perusahaan berkolaborasi dibandingkan dengan integrasi titik tradisional?
Jika Anda melihat 20 tahun terakhir, pola default telah menjadi “membeli sejumlah alat SaaS dan menghubungkannya di sekitar gudang data”. Setiap sistem baru berarti integrasi titik lain, pipa data lain, dan tempat lain untuk memperbaiki kebenaran. Di dunia agen, itu tidak berlaku. Anda ingin data tetap di tempatnya dan agen berbicara satu sama lain melalui antarmuka yang terdefinisi dengan baik.
Itulah mengapa kami berbicara tentang menyentuh sistem pada dua lapisan: MCP di lapisan pengetahuan, dan A2A di lapisan orkestrasi dan kepercayaan. MCP adalah bagaimana agen menemukan dan menggunakan alat dan data tanpa integrasi khusus setiap kali. A2A adalah bagaimana agen mengoordinasikan pekerjaan dengan satu sama lain di bawah guardrails yang jelas.
Setelah itu, kolaborasi tidak terlihat seperti tumpukan konektor yang rapuh dan mulai terlihat seperti jaringan spesialis yang dapat berdynamicly berkelompok di sekitar pekerjaan nyata. Di sini, analogi Matriks Eisenhower masuk. Tidak semua pekerjaan sama-sama penting dan sama-sama mendesak. Beberapa pekerjaan benar-benar kritis waktu, beberapa penting tetapi dapat dijadwalkan, beberapa hanya perlu dilakukan, dan beberapa adalah kebisingan. Dengan koordinasi agen-ke-agen yang duduk di atas lapisan kepercayaan dan orkestrasi, Anda bisa memperlakukan kategori-kategori itu secara berbeda pada skala: agen bisa menyerbu masalah yang mendesak dan penting, mengantre atau menjadwalkan yang penting tetapi tidak mendesak, dan menjaga pekerjaan sibuk yang rendah nilai dari mengganggu semuanya. Itu adalah dunia yang sangat berbeda dari “tambahkan satu konektor lagi dan harapkan antrian mengalir”. Anda secara efektif melihat alur kerja dinamis yang terpercaya, terkoordinasi, dan terkait dengan data dan peristiwa dinamis, bukan sekumpulan integrasi satu kali dengan semua hal berteriak pada prioritas yang sama.
Ketika agen AI diizinkan untuk bertindak secara otonom, tata kelola dengan cepat menjadi tantangan. Bagaimana Anda menyeimbangkan kecepatan, akuntabilitas, dan pengawasan manusia ketika sistem AI membuat atau mengeksekusi keputusan pada skala besar?
Kesalahan yang saya lihat adalah orang-orang berpikir mereka bisa memasang AI agenik ke apa yang mereka miliki dan mencoba “menyeimbangkan” kecepatan, akuntabilitas, dan pengawasan manusia setelah itu. Anda tidak bisa. Anda harus memulai dengan mengakui bahwa ini adalah masalah tumpukan teknologi vertikal dan dengan sengaja membangun lapisan kepercayaan dan lapisan orkestrasi. Tanpa lapisan-lapisan itu, itu berubah menjadi kekacauan – semuanya adalah first-come, first-served, atau siapa pun yang berteriak paling keras.
Lagi-lagi, itu adalah Matriks Eisenhower: tidak semua pekerjaan sama-sama penting. Kepercayaan dan orkestrasi adalah bagaimana Anda mengoperasikan itu di dunia agenik. Anda tidak ingin setiap agen memperlakukan setiap tugas seperti kebakaran; Anda ingin sistem untuk mengetahui apa yang benar-benar kritis waktu, apa yang bisa dijadwalkan, dan apa yang seharusnya ditangani secara diam-diam di latar belakang.
Dan kemudian ada “narrow over fat” bagian. Kebanyakan perusahaan salah mengira dampak yang lebih besar dari AI dengan tetap luas. Anda lebih baik memilih irisan vertikal yang sempit – satu kasus penggunaan yang konkrit, satu set alur kerja – dan membangun kepercayaan dan orkestrasi yang Anda butuhkan di sana terlebih dahulu. Dapatkan lebih tipis di vertikal, dapatkan itu dengan benar, simpan manusia dalam loop di tepi, dan kemudian ekspansi. Itulah cara Anda bergerak cepat, tetap akuntabel, dan menghindari menciptakan kekacauan yang tidak bisa Anda urai nanti.
Dari pengalaman Anda memimpin tim produk dan teknik global yang besar, apa pergeseran organisasional atau budaya yang diperlukan agar AI menjadi kemampuan perusahaan yang tahan lama daripada sekumpulan pilot yang terputus-putus?
Kebanyakan perusahaan tidak memiliki “masalah AI”; mereka memiliki masalah pengetahuan dan alur kerja. Pergeseran pertama adalah berhenti bermain dengan solusi titik dan pindah dari gudang data ke gudang pengetahuan yang terfederasi yang semua orang bisa lihat dan bertindak. Selama pengetahuan hidup di silo dan AI adalah ceri di atas silo yang ada, Anda akan mendapatkan pilot, bukan transformasi.
Dari sana, Anda harus mau mengambil masalah yang lebih sulit dalam urutan tertentu. Langkah pertama adalah memisahkan hype dari kenyataan dan mengadopsi apa yang berhasil, bukan apa yang paling keras di feed Anda. Langkah kedua adalah merancang kembali lapisan pengetahuan sehingga Anda bisa mengubah data menjadi konteks yang terfederasi dan berbagi, bukan laporan lain yang terkubur di sistem. Langkah ketiga adalah merancang kembali alur kerja di sekitar pengetahuan itu dan lapisan kepercayaan yang nyata – kebanyakan pekerjaan hari ini diatur di sekitar orang, keterampilan, dan silo pengetahuan lokal. Jika Anda tidak mengubah itu, agen hanya akan menjadi alat lain yang mengorbit di sekitar bottleneck yang sama.
Hanya kemudian Anda mendapatkan pergeseran budaya, yang sering kali merupakan bagian yang paling sulit. Anda membutuhkan budaya di mana orang tidak terutama khawatir kehilangan pekerjaan, alat, atau identitas mereka, tetapi benar-benar bersemangat untuk bekerja dengan kemampuan baru. Itu adalah masalah manajemen perubahan, bukan masalah teknologi. Itu terlihat seperti kepemimpinan yang sebenarnya terdistribusi: orang-orang di ujung tombak memahami alur kerja, merasa aman menamai gesekan, dan bersemangat untuk memasang agen ke dalamnya.
Melihat di luar broadband dan telekom, industri mana yang Anda pikir paling siap untuk mengadopsi AI operasional yang didorong agen berikutnya, dan apa kondisi yang membuat mereka siap?
Saya tidak benar-benar memikirkan ini sebagai memilih pemenang dengan label industri; Saya berpikir dalam pola. Hampir setiap vertikal memiliki tantangan yang mendasarinya yang sama: mereka telah membangun silo data dan silo fungsi, bukan satu pandangan di seluruh tiga siklus hidup – pelanggan, karyawan, dan produk. Mereka yang siap adalah mereka yang mau melihat itu, mengakui mereka tidak memiliki lapisan pengetahuan yang nyata, dan memperbaikinya.
Dari sana, kondisi-kondisi itu terlihat cukup mirip terlepas dari apakah Anda berada di perawatan kesehatan, fintech, ritel, atau infrastruktur kritis. Anda membutuhkan alur kerja yang kompleks di mana orang-orang diregangkan, titik gesekan nyata yang bisa Anda sebutkan, dan cukup data berkualitas tinggi untuk memberikan konteks agen. Jika Anda bisa memetakan alur kerja saat ini, melihat di mana pekerjaan melambat atau menumpuk, memahami mana handoff yang menciptakan keterlambatan, dan kemudian mendukungnya dengan gudang pengetahuan yang terfederasi, AI agenik menjadi alat yang luar biasa.
Dalam dunia itu, “kesiapan industri” turun ke kepemimpinan. Apakah pemimpin perusahaan mau melangkah melampaui alat pemasaran dan dasbor horizontal yang tipis, dan sebaliknya berinvestasi dalam tumpukan teknologi vertikal – mengubah data menjadi pengetahuan, memfederasi pengetahuan itu, meletakkan kerangka orkestrasi dan kepercayaan, dan memiliki percakapan yang jujur tentang di mana ROI yang sebenarnya? Setiap perusahaan di setiap industri yang melakukan pekerjaan itu siap untuk AI operasional yang didorong agen; mereka yang tidak akan terjebak menambahkan alat lain ke tumpukan yang sudah berisik.
Seiring evolusi AI perusahaan menuju lingkungan multi-agen dan multi-cloud, apa yang terlihat seperti arsitektur AI yang baik lima tahun dari sekarang, dan apa prinsip-prinsip yang harus diprioritaskan hari ini untuk menghindari membangun kembali sistem mereka nanti?
Lima tahun dari sekarang, bagian yang menarik dari AI tidak akan menjadi agen atau model individu; itu akan menjadi alur kerja agenik yang mereka izinkan dan nilai bisnis yang alur kerja itu sampaikan. Agen itu sendiri akan datang dan pergi. Lapisan di bawah mereka – data, pengetahuan, orkestrasi, kepercayaan, dan tindakan – akan terus berkembang, tetapi kebutuhan akan mereka tidak akan pergi.
Itulah mengapa saya lebih fokus pada arsitektur daripada pada alat tertentu. Kami beralih dari gudang data ke gudang pengetahuan yang terfederasi, dari integrasi titik yang rapuh ke tumpukan yang terbuka dan berlapis. Di dunia itu, Anda akan memiliki agen yang berjalan di cloud yang berbeda, menyentuh sumber pengetahuan yang berbeda, dan mengoordinasikan melalui antarmuka yang terdefinisi dengan baik – MCP di lapisan pengetahuan, protokol agen-ke-agen di lapisan orkestrasi dan kepercayaan. Ketika teknologi meningkat, Anda ingin bisa menukar bagian yang lebih baik ke dalam lapisan-lapisan itu tanpa membangun semuanya dari awal setiap kali.
Jadi, prinsip-prinsip untuk pemimpin sangat sederhana. Jangan bangun monolitik. Desain untuk lapisan sehingga data, pengetahuan, orkestrasi, kepercayaan, dan tindakan dapat berkembang secara independen. Desain untuk alur kerja, bukan fitur, sehingga Anda jelas tentang alur kerja mana yang penting dan apa yang “baik” terlihat seperti dalam siklus hidup pelanggan, karyawan, dan produk. Dan desain untuk tata kelola pada tingkat agen: asumsikan zero-trust secara default, definisikan “kartu agen” yang jelas, dan gunakan orkestrasi untuk memutuskan apa yang mendesak, apa yang penting, dan apa yang hanya perlu dilakukan. Jika Anda melakukan itu, Anda bisa membiarkan teknologi berubah – seperti yang selalu dilakukan – tanpa terus-menerus khawatir tentang membangun kembali.
Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Calix.
