Ilan Sade, Presidente della Divisione GenAI & Data di Amdocs – Serie di Interviste

Ilan Sade, Presidente della Divisione GenAI & Data di Amdocs, vanta oltre due decenni di esperienza di leadership all’interno della stessa organizzazione, passando da un ruolo tecnico come programmatore e project manager a quello di responsabile della consegna globale su larga scala, della strategia dei prodotti e dell’innovazione. Durante la sua carriera, ha guidato divisioni critiche che coprono la gestione dei ricavi, i sistemi di supporto digitale e aziendale e le iniziative di rete aperta, culminando nella sua leadership della divisione T-Mobile prima di assumere il suo attuale ruolo focalizzato sull’intelligenza artificiale generativa e sui 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 su larga scala, posizionandolo alla forefront della trasformazione di Amdocs verso operazioni guidate dall’IA e piattaforme di dati di prossima generazione.

Amdocs è una società 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, strumenti di analisi e automazione guidati dall’IA che consentono una consegna dei servizi più efficiente e un’esperienza del cliente personalizzata. La sua crescente attenzione all’intelligenza artificiale generativa e alle piattaforme di dati riflette uno spostamento più ampio del settore verso reti intelligenti e completamente digitalizzate.

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

Ciò che ho imparato nel corso degli 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 uno di questi pezzi manca, i piloti possono sembrare impressionanti, ma non si espandono.

Il mio percorso in Amdocs mi ha dato l’esposizione a tutti i lati dell’equazione, dall’ingegneria alla consegna ai clienti alle grandi partnership con gli operatori. Quell’esperienza ha plasmato la mia visione che il successo deriva dalla combinazione di eccellenza tecnica e disciplina di 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 chiaro segnale 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’esperimentazione oggi?

Vedo uno dei più grandi ostacoli nella 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 isolata invece di diventare parte del modello operativo.

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

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

Nel settore 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 compiti operativi reali.

Ciò è fondamentalmente diverso dalle precedenti automazioni, che erano principalmente basate su regole e statiche. 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 coordinarsi tra domini.

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

Le operazioni di telecomunicazioni native AI sembrano un’IA incorporata nel cuore di come funziona un’azienda, non solo aggiunta sopra. In pratica, 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’automazione progressiva, in cui gli operatori automatizzeranno flussi di lavoro più complessi mantenendo gli esseri umani al controllo delle decisioni ad alto impatto. La piena autonomia richiederà standard più forti, una più ampia interoperabilità e ulteriori miglioramenti nell’affidabilità e nella governance.

I sistemi di telecomunicazione sono storicamente stati frammentati tra livelli 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 funzionare tra OSS e BSS senza richiedere un completo sostituzione del sistema. Gli agenti possono connettersi a piattaforme esistenti attraverso API, comprendere il contesto di un obiettivo aziendale e quindi orchestrare la giusta sequenza di azioni su 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 di 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 quel divario.

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

L’equilibrio tra agenti di 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 di IA sono eccellenti nella velocità, nella scala e nel riconoscimento dei modelli, mentre gli operatori umani portano giudizio, responsabilità e contesto. L’obiettivo non è rimuovere le persone dal ciclo. È permettere alle persone di concentrarsi su decisioni che richiedono competenze mentre l’IA gestisce il pesante carico di lavoro operativo.

In pratica, 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 in ultima analisi focalizzati sul ROI. Quali sono le metriche più importanti che gli CSP dovrebbero monitorare per determinare se i dispiegamenti di IA stanno effettivamente fornendo valore?

Gli operatori dovrebbero monitorare metriche che si collegano direttamente ai risultati aziendali, non solo alle prestazioni tecniche. Sul lato del cliente, ciò include la risoluzione al primo contatto, il tempo di gestione medio, la riduzione della rotazione 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 materializzerà. I CSP dovrebbero monitorare quanto spesso vengono accettate le raccomandazioni dell’IA, quanto spesso i flussi di lavoro si completano con successo e quanto spesso è richiesta l’intervento umano. Il ROI deriva da un impatto operativo sostenibile, non da risultati di piloti isolati.

aOS enfatizza flussi di lavoro multi-agente che possono eseguire processi complessi end-to-end attraverso ambienti di telecomunicazione. Come assicura la coordinazione, l’affidabilità e la governance quando più agenti di IA operano simultaneamente su 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 un modello di orchestrazione centrale che gestisca 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 riavviati in modo sicuro se qualcosa di inatteso accade. Nei sistemi di telecomunicazione critici, la governance è più di un requisito aggiuntivo – è un requisito fondamentale.

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

Several cose sono mature contemporaneamente. I modelli di base sono migliorati significativamente in termini di qualità di ragionamento e utilizzo 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 fornire 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 aziendale è ciò che rende questo momento diverso.

Se aOS rappresenta un punto di svolta verso operazioni di telecomunicazioni 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’azienda. Vedremo probabilmente più flussi di lavoro multi-agente che connettono assistenza clienti, operazioni di servizio e team di rete in tempo reale. Gli operatori potrebbero passare da operazioni reattive a modelli proattivi e predittivi, in cui l’IA può identificare i rischi precocemente e eseguire azioni di rimedio 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 più forte interoperabilità tra ecosistemi di fornitori, standard di governance più robusti e ulteriori progressi nell’affidabilità e nella spiegabilità. Soprattutto, l’industria ha bisogno di fiducia che i sistemi autonomi possano eseguire in modo sicuro 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.