Ilan Sade, divisiepresident, GenAI & Data bij Amdocs – Interviewreeks

Ilan Sade, divisiepresident, GenAI & Data bij Amdocs, heeft meer dan twee decennia leiderschap getoond binnen dezelfde organisatie, vanuit een technische achtergrond als programmeur en projectmanager tot het toezicht houden op grote wereldwijde leveringen, productstrategie en innovatie. Gedurende zijn ambtstermijn heeft hij kritieke divisies geleid die omvatten omzetbeheer, digitale en bedrijfsondersteunende systemen en open netwerkinitiatieven, met als hoogtepunt zijn leiderschap van de T-Mobile-divisie voordat hij zijn huidige functie kreeg, gericht op generatieve AI en data. Zijn carrière weerspiegelt diepe domeinexpertise in telecommunicatie, met name in complexe factureringssystemen, klantbelevingsplatforms en grote ondernemingsveranderingen, waardoor hij zich aan de vooravond van Amdocs’ verschuiving naar AI-gedreven operaties en volgende generatie dataplatforms bevindt.

Amdocs is een multinationale software- en dienstverlenende onderneming die gespecialiseerd is in oplossingen voor communicatie-, media- en digitale dienstverleners, waardoor ze alles kunnen beheren, van facturering en klantrelaties tot netwerkoperaties en digitale transformatie. Opgericht in 1982 en actief in meer dan 90 landen, is het bedrijf geëvolueerd tot een belangrijke infrastructuurverlener voor telecomoperators, met cloud-native platforms, AI-gedreven analytics en automatiseringsgereedschappen die efficiëntere dienstverlening en gepersonaliseerde klantbelevingen mogelijk maken. De groeiende focus op generatieve AI en dataplatforms weerspiegelt een bredere industriebeweging naar intelligente, software-gedefinieerde netwerken en volledig gedigitaliseerde klantecosystemen.

U heeft meer dan twee decennia bij Amdocs gewerkt, van ontwikkelaar tot leidinggevende van de GenAI- en Data-divisie, en eerder toezicht gehouden op een van de strategisch belangrijkste samenwerkingen van het bedrijf met T-Mobile. Hoe heeft die reis uw perspectief beïnvloed op wat het eigenlijk kost om AI van experimenten naar productie op te schalen op telecommenschaal?

Wat ik in de loop der jaren heb geleerd, is dat het opschalen van AI naar productie op telecommenschaal niet primair een modelprobleem is. Het is een operationeel probleem. U hebt de juiste datafundamenten nodig, sterke integratie in bestaande systemen, duidelijke verantwoordelijkheid en teams die weten hoe ze AI moeten gebruiken als onderdeel van de dagelijkse bedrijfsprocessen. Als een van die onderdelen ontbreekt, kunnen pilots indrukwekkend lijken, maar ze schalen niet.

Mijn pad bij Amdocs gaf me blootstelling aan alle kanten van de vergelijking, van engineering tot klantlevering tot grote operatorpartnerschappen. Die ervaring vormde mijn mening dat succes voortkomt uit het combineren van technische excellentie met uitvoeringsdiscipline. In telecom moet AI werken in complexe omgevingen, echte serviceniveaus ondersteunen en meetbare resultaten leveren. Dat vereist een productiemindset vanaf dag één.

Op de Mobile World Congress (MWC) was er een duidelijk signaal dat telecombedrijven zwaar investeren in AI-pilots, maar worstelen met het operationeel maken ervan. Wat zijn volgens u de grootste belemmeringen die operators ervan weerhouden om verder te gaan dan experimenten vandaag?

Ik zie een van de grootste belemmeringen als fragmentatie. De meeste operators hebben waardevolle data en sterke use cases, maar hun omgevingen zijn gesplitst over een breed scala aan systemen, teams en leveranciers, waardoor het moeilijk is om AI-uitvoer te koppelen aan echte workflows. Dit is vooral waar als die workflows netwerk, klantzorg en bedrijfsoperaties omvatten. Als gevolg daarvan blijft AI vaak een puntoplossing in plaats van onderdeel te worden van het operationele model.

Bovendien is een andere belemmering die ik heb waargenomen vertrouwen – operators hebben uiteindelijk betrouwbaarheid, governance en duidelijke controles nodig voordat ze AI kunnen integreren in kritieke processen. Als ze bijvoorbeeld niet kunnen verklaren waarom een AI-agent een beslissing heeft genomen of beleid rondom het kan afdwingen, zal die technologie in een proefbaan blijven. Vooruitgang vereist een kader dat automatisering combineert met observatie, controleerbaarheid en menselijke toezicht.

Amdocs positioneert aOS als een “agentic operating system”. Hoe definieert u agentic AI in de context van telecom, en hoe verschilt het fundamenteel van eerdere AI-gedreven automatiseringsbenaderingen?

Binnen de telecomruimte verwijst agentic AI specifiek naar technologie die doelen kan begrijpen, taken kan plannen, acties kan uitvoeren over meerdere systemen en kan aanpassen op basis van resultaten. In plaats van alleen inhoud te genereren of resultaten te voorspellen, kunnen agenten workflows end-to-end uitvoeren. Ze kunnen redeneren over context, samenwerken met andere agenten en opereren binnen governancegrenzen om echte operationele taken te voltooien.

Dit verschilt fundamenteel van eerdere automatisering, die meestal gebaseerd was op regels en statisch was. Traditionele automatisering werkte goed voor repetitieve taken in stabiele omgevingen, maar had moeite met complexiteit en uitzonderingen. Agentic AI kan dynamische situaties aan, kan leren van feedback en kan coördineren over domeinen.

U hebt een toekomst van AI-natieve telecomoperaties beschreven. Wat ziet dat er in de praktijk uit, en hoe ver zijn we verwijderd van volledig autonome netwerken?

AI-natieve telecomoperaties zien eruit als AI die ingebed is in de kern van hoe een bedrijf werkt – niet alleen toegevoegd. In de praktijk ziet dat eruit als servicegarantieworkflows die problemen detecteren en oplossen voordat klanten het merken, klantzorgreizen die gepersonaliseerd en proactief zijn, en netwerkoperaties die continu prestaties optimaliseren op basis van real-time condities. De sleutel is dat AI geïntegreerd is in beslissingen en uitvoering, niet alleen in analytics.

We zijn nog niet bij volledig autonome netwerken, en we moeten realistisch zijn over dat. De komende jaren zullen over progressieve autonomie gaan, waarbij operators complexere workflows automatiseren terwijl ze mensen in controle houden van hoge impactbeslissingen. Volledige autonomie vereist sterkere standaarden, bredere interoperabiliteit en voortdurende verbeteringen in betrouwbaarheid en governance.

Telecomsystemen zijn historisch gefragmenteerd over Operations Support Systems (OSS) en Business Support Systems (BSS) lagen, waardoor eind-tot-eindautomatisering moeilijk is. Hoe helpt een agentic architectuur bij het unificeren van deze domeinen en het mogelijk maken van cross-functionele workflows?

Agentic architectuur helpt door het introduceren van een coördinatielaag die kan werken over OSS en BSS zonder een complete systeemvervanging af te dwingen. Agenten kunnen verbinding maken met bestaande platforms via API’s, de context van een bedrijfsdoel begrijpen en vervolgens de juiste sequentie van acties orkestreren over netwerk-, service- en klantsystemen. Dit stelt operators in staat om workflows te automatiseren die eerder bij domeingrenzen braken.

Als voorbeeld, als er een netwerkprobleem is dat een waardevolle ondernemingsklant beïnvloedt, kan een agentic systeem de fout correleren, de impact beoordelen, herstelstappen activeren en de klantcommunicatieflow in parallel bijwerken. Dat soort cross-functionele uitvoering is moeilijk met traditionele automatisering omdat elk domein in isolatie werkt. Agentic workflows helpen deze kloof te dichten.

Een van de interessante aspecten van agentic systemen is de samenwerking tussen AI-agenten en menselijke operators. Waar denkt u dat de balans terechtkomt tussen automatisering en menselijke toezicht in telecomomgevingen?

De balans tussen AI-agenten en menselijke operators zal altijd afhankelijk zijn van het specifieke use case, maar zal over het algemeen menselijk geleid en AI-geaccelereerd zijn voor de voorziene toekomst. AI-agenten zijn uitstekend in snelheid, schaal en patroonherkenning, terwijl menselijke operators oordeel, verantwoordelijkheid en context brengen. Het doel is niet om mensen uit de lus te verwijderen. Het is om mensen te laten focussen op beslissingen die expertise vereisen, terwijl AI het zware operationele werk verwerkt.

In de praktijk betekent dit het instellen van duidelijke drempels voor autonome acties en escalatiepaden voor uitzonderingen. Lage-risicotaken kunnen worden geautomatiseerd met minimale toezicht, terwijl hoge impactbeslissingen altijd menselijke goedkeuring moeten omvatten. Deze aanpak bouwt vertrouwen op en helpt operators AI veilig over missie-kritieke omgevingen te schalen.

Er is veel hype rond generatieve AI, maar telecomoperators zijn uiteindelijk gefocust op ROI. Wat zijn de belangrijkste metrics die CSP’s moeten volgen om te bepalen of AI-implementaties daadwerkelijk waarde leveren?

Operators moeten metrics volgen die direct verband houden met bedrijfsresultaten, niet alleen technische prestaties. Aan de klantzijde omvatten dit eerste contactoplossing, gemiddelde afhandelingstijd, churnreductie en klanttevredenheid. Aan de netwerkzijde omvatten dit gemiddelde tijd om te detecteren en gemiddelde tijd om te herstellen, servicetijd en operationele efficiëntiegroei.

Het is ook belangrijk om adoptie en betrouwbaarheid te meten. Als agenten worden geïmplementeerd, maar teams hen niet vertrouwen, zal de waarde niet materialiseren. CSP’s moeten volgen hoe vaak AI-aanbevelingen worden geaccepteerd, hoe vaak workflows succesvol worden voltooid en hoe vaak menselijke interventie nodig is. ROI komt van duurzame operationele impact, niet geïsoleerde proefresultaten.

aOS benadrukt multi-agent workflows die complexe, eind-tot-eindprocessen over telecomomgevingen kunnen uitvoeren. Hoe waarborgt u coördinatie, betrouwbaarheid en governance wanneer meerdere AI-agenten gelijktijdig over kritieke systemen opereren?

Coördinatie begint met een duidelijk orkestratiemodel. In een multi-agentomgeving moet elke agent een gedefinieerde, toegangsbeperkingen en succescriteria hebben. Een centrale orkestratielaag beheert taakvolgorde, conflictresolutie en statusbijhouding, zodat agenten niet tegenstrijdig werken. Dit houdt workflows voorspelbaar, zelfs als ze veel systemen omvatten.

Betrouwbaarheid en governance vereisen sterke controles vanaf het begin. Dit omvat beleidsuitvoering, auditlogs, verklarende waarde en real-time monitoring van agentgedrag. Het betekent ook het hebben van fallbackmechanismen, zodat workflows veilig kunnen pauzeren, escaleren of terugdraaien als iets onverwachts gebeurt. In kritieke telecomsystemen is governance meer dan een add-on – het is een kernvereiste.

In een recente aOS-aankondiging positioneert Amdocs generatieve AI als evoluerend van een “sidecar”-capaciteit naar een core operationele laag die is ingebed over klant-, netwerk- en bedrijfsprocessen. Wat is er veranderd in de afgelopen 12 tot 24 maanden dat deze verschuiving vandaag mogelijk maakt?

Er zijn verschillende dingen die tegelijkertijd volwassen zijn geworden. Foundation-modellen zijn aanzienlijk verbeterd in redeneerkwaliteit en gereedschapsgebruik, waardoor ze capabeler zijn in ondernemingsworkflows. Tegelijkertijd is het ecosysteem eromheen verbeterd, inclusief orkestratiekaders, observatiegereedschappen en governancecontroles. Dat maakte het praktisch om over te stappen van geïsoleerde use cases naar gecoördineerde operationele workflows.

De andere belangrijke verandering is organisatorische gereedheid. Operators hebben nu duidelijkere prioriteiten rond AI en sterker druk om meetbare resultaten te leveren. Ze experimenteren niet langer alleen om te leren. Ze zoeken naar platforms die AI kunnen schalen over functies met beveiliging en controle. Die verschuiving in volwassenheid aan zowel de technologie- als de bedrijfszijde is wat dit moment anders maakt.

Als aOS een keerpunt vertegenwoordigt naar AI-natieve telecomoperaties, wat ziet de volgende fase eruit? Gaan we naar volledig autonome telecomnetwerken, en welke uitdagingen moeten nog worden opgelost voordat dat werkelijkheid wordt?

De volgende fase gaat over het opschalen van geïsoleerde automatisering naar gecoördineerde autonomie over de onderneming. We zullen waarschijnlijk meer multi-agent workflows zien die klantzorg, serviceoperaties en netwerkteams in real-time verbinden. Operators kunnen overstappen van reactieve operaties naar predictieve en proactieve modellen, waarbij AI risico’s vroeg kan identificeren en herstelmaatregelen kan uitvoeren voordat problemen escaleren.

Volledig autonome netwerken zijn een langetermijndoel, maar er zijn nog belangrijke uitdagingen die moeten worden opgelost. We hebben sterkere interoperabiliteit nodig over vendor-ecosystemen, robuustere governancestandaarden en voortdurende vooruitgang in betrouwbaarheid en verklarende waarde. Het allerbelangrijkste is dat de industrie vertrouwen moet hebben dat autonome systemen veilig kunnen functioneren onder echte wereldcondities. De weg vooruit zal incrementeel zijn, met duidelijke controles bij elke stap.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten bezoeken Amdocs.