Ilan Sade, Division President, GenAI & Data at Amdocs – Interview Series

Ilan Sade, Division President, GenAI & Data at Amdocs porta più di due decenni di esperienza di leadership all’interno della stessa organizzazione, passando da un ruolo tecnico come programmatore e project manager alla supervisione di grandi deliver globali, strategia di prodotto e innovazione. Durante il suo mandato, ha guidato divisioni critiche che spaziavano dalla gestione dei ricavi, ai sistemi di supporto digitale e aziendale, alle iniziative di rete aperta, culminando nella sua leadership della division T-Mobile prima di entrare nel suo attuale ruolo focalizzato su intelligenza artificiale generativa e dati. La sua carriera riflette una profonda competenza nel settore delle telecomunicazioni, in particolare nei sistemi di fatturazione complessi, nelle piattaforme di esperienza del cliente e nelle trasformazioni aziendali di grandi imprese, ponendolo alla forefront della trasformazione di Amdocs verso operazioni guidate dall’IA e piattaforme di dati di prossima generazione.

Amdocs è una multinazionale di software e servizi specializzata in soluzioni per i fornitori di servizi di comunicazione, media e servizi digitali, aiutandoli a gestire tutto, dalla fatturazione e dalle relazioni con i clienti alle operazioni di rete e alla trasformazione digitale. Fondata nel 1982 e operante in oltre 90 paesi, l’azienda si è evoluta in un fornitore chiave di infrastrutture per gli operatori di telecomunicazioni, offrendo piattaforme cloud-native, analisi guidate dall’IA e strumenti di automazione che consentono una consegna di servizi più efficiente e un’esperienza del cliente personalizzata. La sua crescente attenzione alle piattaforme di intelligenza artificiale generativa e ai dati riflette un più ampio cambiamento del settore verso reti intelligenti, definite dal software e completamente digitalizzate.

Ha trascorso più di due decenni in Amdocs, passando da sviluppatore a capo della divisione GenAI e Data, e in precedenza sovraintendendo a una delle partnership più strategiche dell’azienda con T-Mobile. Come ha plasmato il suo percorso la prospettiva su cosa serve realmente per spostare l’IA dall’esperimento alla produzione su scala telecom?

Cosa ho imparato negli anni è che spostare l’IA in produzione su scala telecom non è principalmente un problema di modello. È un problema operativo. È necessario avere le giuste fondamenta di dati, una forte integrazione con i sistemi esistenti, una chiara responsabilità e team che sappiano come eseguire l’IA come parte dei processi aziendali quotidiani. Se anche solo uno di questi pezzi manca, i piloti possono sembrare impressionanti ma non si scalano.

Il mio percorso in Amdocs mi ha dato l’esposizione a tutti i lati dell’equazione, dall’ingegneria alla consegna al cliente alle grandi partnership con gli operatori. Quell’esperienza ha plasmato la mia visione che il successo deriva dalla combinazione di eccellenza tecnica con la disciplina dell’esecuzione. Nel settore delle telecomunicazioni, l’IA deve funzionare in ambienti complessi, supportare livelli di servizio reali e fornire risultati misurabili. Ciò richiede una mentalità di produzione fin dal primo giorno.

Al Mobile World Congress (MWC), c’è stato un segnale chiaro che le aziende di telecomunicazioni stanno investendo molto in piloti di IA ma stanno lottando per operativizzarli. Secondo la sua opinione, quali sono i più grandi ostacoli che impediscono agli operatori di andare oltre l’esperimento oggi?

Vedo uno degli ostacoli più grandi essere la frammentazione. La maggior parte degli operatori ha dati preziosi e forti casi d’uso, ma i loro ambienti sono divisi tra una vasta gamma di sistemi, team e fornitori, rendendo difficile collegare i risultati dell’IA ai flussi di lavoro reali. Ciò è particolarmente vero quando quei flussi di lavoro coprono rete, assistenza clienti e operazioni aziendali. Di conseguenza, l’IA spesso rimane una soluzione puntale invece di diventare parte del modello operativo.

Inoltre, un altro ostacolo che ho visto è la fiducia: gli operatori hanno bisogno di affidabilità, governance e controlli chiari prima di poter integrare l’IA nei processi critici. Ad esempio, se non possono spiegare perché un agente IA ha preso una decisione o applicare politiche intorno ad essa, quella tecnologia sarà mantenuta in una corsia di pilotaggio. Andare avanti richiede un quadro che combini automazione con osservabilità, controllabilità e supervisione umana.

Amdocs posiziona aOS come un “sistema operativo agente”. Come definisce l’IA agente nel contesto delle telecomunicazioni e come è fondamentalmente diversa dagli approcci di automazione guidati dall’IA precedenti?

All’interno dello spazio delle telecomunicazioni, l’IA agente si riferisce specificamente alla tecnologia che può comprendere gli obiettivi, pianificare attività, eseguire azioni su più sistemi e adattarsi in base ai risultati. Invece di semplicemente generare contenuti o prevedere risultati, gli agenti possono eseguire flussi di lavoro end-to-end. Sono in grado di ragionare sul contesto, collaborare con altri agenti e operare all’interno di confini di governance per completare attività operative reali.

Ciò è fondamentalmente diverso dall’automazione precedente, che era principalmente basata su regole e statica. L’automazione tradizionale funzionava bene per attività ripetitive in ambienti stabili, ma lottava con la complessità e le eccezioni. L’IA agente può gestire situazioni dinamiche, imparare dai feedback e coordinare tra domini.

Ha descritto un futuro di operazioni di telecomunicazioni native AI. Cosa significa esattamente questo nella pratica e quanto siamo lontani da reti completamente autonome?

Le operazioni di telecomunicazioni native AI sembrano AI che sono integrate nel cuore di come funziona un’azienda, non solo aggiunte sopra. Nella pratica, ciò significa flussi di lavoro di assicurazione del servizio che rilevano e risolvono problemi prima che i clienti se ne accorgano, percorsi di assistenza clienti personalizzati e proattivi e operazioni di rete che ottimizzano continuamente le prestazioni in base alle condizioni in tempo reale. La chiave è che l’IA è integrata nelle decisioni e nell’esecuzione, non solo nell’analisi.

Non siamo ancora a reti completamente autonome e dovremmo essere realistici al riguardo. I prossimi anni saranno caratterizzati da un’autonomia progressiva, in cui gli operatori automatizzano flussi di lavoro più complessi mantenendo gli esseri umani al controllo delle decisioni ad alto impatto. La piena autonomia richiederà standard più solidi, una più ampia interoperabilità e ulteriori miglioramenti nella affidabilità e nella governance.

I sistemi di telecomunicazione sono storicamente stati frammentati attraverso strati di Operations Support Systems (OSS) e Business Support Systems (BSS), il che ha reso difficile l’automazione end-to-end. Come aiuta un’architettura agente a unificare questi domini e abilitare flussi di lavoro cross-funzionali?

L’architettura agente aiuta introducendo un livello di coordinamento che può lavorare attraverso OSS e BSS senza costringere a sostituire completamente i sistemi. Gli agenti possono connettersi a piattaforme esistenti attraverso API, comprendere il contesto di un obiettivo aziendale e quindi orchestrare la giusta sequenza di azioni attraverso sistemi di rete, servizio e cliente. Ciò consente agli operatori di automatizzare flussi di lavoro che in precedenza si interrompevano ai confini di dominio.

Ad esempio, se c’è un problema di rete che colpisce un cliente aziendale ad alto valore, un sistema agente può correlare il guasto, valutare l’impatto, attivare passaggi di rimedio e aggiornare il flusso di comunicazione del cliente in parallelo. Quel tipo di esecuzione cross-funzionale è difficile con l’automazione tradizionale perché ogni dominio opera in isolamento. I flussi di lavoro agenti aiutano a colmare quella lacuna.

Uno degli aspetti interessanti dei sistemi agenti è la collaborazione tra agenti IA e operatori umani. Dove vede l’equilibrio tra automazione e supervisione umana negli ambienti di telecomunicazione?

L’equilibrio tra agenti IA e operatori umani dipenderà sempre dal caso d’uso specifico, ma sarà in gran parte guidato dagli esseri umani e accelerato dall’IA per il prossimo futuro. Gli agenti IA sono eccellenti in velocità, scala e riconoscimento di pattern, mentre gli operatori umani portano giudizio, responsabilità e contesto. L’obiettivo non è rimuovere le persone dal ciclo. È far sì che le persone si concentrino sulle decisioni che richiedono competenza mentre l’IA gestisce il carico di lavoro operativo pesante.

Nella pratica, ciò significa stabilire soglie chiare per azioni autonome e percorsi di escalation per eccezioni. Attività a basso rischio e ripetitive possono essere automatizzate con una supervisione minima, mentre le decisioni ad alto impatto dovrebbero sempre includere l’approvazione umana. Questo approccio costruisce fiducia e aiuta gli operatori a scalare l’IA in modo sicuro attraverso ambienti critici.

C’è molto hype intorno all’IA generativa, ma gli operatori di telecomunicazione sono ultimamente focalizzati sul ROI. Quali sono le metriche più importanti che gli CSP dovrebbero tracciare per determinare se i dispiegamenti di IA stanno realmente fornendo valore?

Gli operatori dovrebbero tracciare metriche che si legano direttamente ai risultati aziendali, non solo alle prestazioni tecniche. Sul lato del cliente, ciò include la risoluzione al primo contatto, il tempo medio di gestione, la riduzione della churn e la soddisfazione del cliente. Sul lato della rete, ciò include il tempo medio di rilevamento e il tempo medio di risoluzione degli incidenti, la disponibilità del servizio e i guadagni di efficienza operativa.

È anche importante misurare l’adozione e l’affidabilità. Se gli agenti vengono distribuiti ma i team non si fidano di loro, il valore non si concretizzerà. I CSP dovrebbero tracciare quanto spesso vengono accettate le raccomandazioni dell’IA, quanto spesso i flussi di lavoro si completano con successo e quanto spesso è necessario l’intervento umano. Il ROI deriva dall’impatto operativo sostenuto, non dai risultati isolati dei piloti.

aOS enfatizza flussi di lavoro multi-agente che possono eseguire processi end-to-end complessi attraverso ambienti di telecomunicazione. Come assicura la coordinazione, l’affidabilità e la governance quando molti agenti IA operano simultaneamente attraverso sistemi critici?

La coordinazione inizia con un modello di orchestrazione chiaro. In un ambiente multi-agente, ogni agente dovrebbe avere confini di accesso definiti, criteri di successo e autorizzazioni. Un livello di orchestrazione centrale gestisce la sequenza delle attività, la risoluzione dei conflitti e il tracciamento dello stato in modo che gli agenti non lavorino a scopo incrociato. Ciò mantiene i flussi di lavoro prevedibili anche quando coprono molti sistemi.

L’affidabilità e la governance richiedono controlli forti per design. Ciò include l’applicazione delle politiche, le tracce di audit, la spiegabilità e il monitoraggio in tempo reale del comportamento degli agenti. Significa anche avere meccanismi di fallback in modo che i flussi di lavoro possano essere messi in pausa, escalati o annullati in sicurezza se qualcosa di inatteso accade. Nei sistemi di telecomunicazione critici, la governance è più di un add-on – è un requisito fondamentale.

Nell’annuncio recente di aOS, Amdocs posiziona l’IA generativa come evoluta da una capacità “sidecar” a un livello operativo core integrato attraverso processi di customer, network e business. Cosa è cambiato negli ultimi 12-24 mesi che rende possibile questo cambiamento oggi?

Diverse cose sono migliorate allo stesso tempo. I modelli di base sono migliorati significativamente in termini di qualità del ragionamento e uso degli strumenti, rendendoli più capaci nei flussi di lavoro aziendali. Allo stesso tempo, l’ecosistema intorno a loro è migliorato, compresi framework di orchestrazione, strumenti di osservabilità e controlli di governance. Ciò ha reso pratico spostarsi da casi d’uso isolati a flussi di lavoro operativi coordinati.

L’altro grande cambiamento è la prontezza organizzativa. Gli operatori hanno ora priorità più chiare intorno all’IA e una pressione più forte per consegnare risultati misurabili. Non stanno più sperimentando solo per imparare. Stanno cercando piattaforme che possano scalare l’IA attraverso funzioni con sicurezza e controllo. Quel cambiamento di maturità sia nella tecnologia che nel lato business è ciò che rende questo momento diverso.

Se aOS rappresenta un punto di svolta verso operazioni di telecomunicazione native AI, cosa sembra la prossima fase? Stiamo andando verso reti di telecomunicazione completamente autonome e quali sfide devono ancora essere risolte prima che ciò diventi realtà?

La prossima fase è quella di scalare dall’automazione isolata all’autonomia coordinata attraverso l’intera azienda. È probabile che vedremo più flussi di lavoro multi-agente che connettono assistenza clienti, operazioni di servizio e team di rete in tempo reale. Gli operatori potrebbero spostarsi da operazioni reattive a modelli proattivi e predittivi, in cui l’IA può identificare rischi precocemente e eseguire rimedi prima che i problemi si aggravino.

Le reti di telecomunicazione completamente autonome sono un obiettivo a lungo termine, ma ci sono ancora sfide importanti da risolvere. Abbiamo bisogno di una maggiore interoperabilità tra ecosistemi di fornitori, standard di governance più robusti e ulteriori progressi nella affidabilità e nella spiegabilità. Soprattutto, l’industria ha bisogno della fiducia che i sistemi autonomi possano funzionare in sicurezza in condizioni del mondo reale. Il percorso in avanti sarà incrementale, con controlli chiari a ogni passo.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Amdocs.