Shane Eleniak, Chief Product Officer bij Calix – Interview Serie

Shane Eleniak is Chief Product Officer bij Calix, waar hij de strategische visie en uitvoering van het bedrijfsleidende platform en SaaS-oplossingen leidt. Met een focus op het mogelijk maken van communicatiedienstverleners om hun bedrijf te vereenvoudigen en uitzonderlijke abonnee-ervaringen te bieden, is Shane verantwoordelijk voor de hele productlevenscyclus – van conceptualisatie tot marktleidende implementatie.

Onder zijn leiderschap heeft Calix zijn positie als pionier in de breedbandindustrie versterkt, door consistent innovatieve tools te leveren die providers in staat stellen om te concurreren en te winnen.

Calix is een Amerikaanse technologiebedrijf dat cloud-, software- en beheerde serviceplatforms levert voor breedband- en communicatiedienstverleners. Het kernaanbod draait om een AI-geactiveerd breedbandplatform dat cloud-infrastructuur, gegevens en netwerksystemen integreert om providers te helpen bij het vereenvoudigen van operaties, het verbeteren van klantbetrokkenheid en het bieden van meer gepersonaliseerde digitale ervaringen. Door providers in staat te stellen om over te stappen van basisconnectiviteitsdiensten naar volledige “ervaringsproviders”, helpt Calix hen om omzet te groeien, abonnee-loyaliteit te verhogen en de digitale transformatie van gemeenschappen te ondersteunen door geavanceerdere, schaalbare breedbanddiensten.

Uw carrière omvat meer dan drie decennia in engineering, netwerken, cloud-platforms en grote productleiderschap. Hoe hebben die ervaringen uw perspectief gevormd op wat het echt kost om AI echt werk te laten doen binnen bedrijven, in plaats van een zijexperiment te blijven?

Ik begon in traditionele telecommunicatie en netwerken, waar het hele spel de datapad en betrouwbaarheid op schaal was. Als je geen schoon, betrouwbaar dienst kunt leveren, doet niets wat je erbovenop bouwt ertoe. Toen was de telefoon aan de keukenmuur, de binnenbedrading veranderde nooit en zolang er een kiestoon was, was alles in orde.

Breedband en internet bliezen dat op. Plotseling was het niet alleen “is het aan?” Het was Ethernet en toen Wi-Fi, kinderen op gameconsoles en tablets, u op een Zoom-gesprek dat samenwerkt aan een cloud-spreadsheet en constante mobiliteit – apparaten binnen het huis, in de achtertuin, bij de voetbalwedstrijd, bij de koffieshop. De abonnee-ervaring werd veel complexer dan een binaire aan/uit-toestand en de wereld voor dienstverleners werd zeer dynamisch. In die wereld is een achteruitkijkspiegelbeeld van gegevens – klassieke datawarehouses en historische rapporten een maand later – niet voldoende. Je moet gegevens verzamelen, de ervaring begrijpen en inzichten genereren in real-time, omdat abonnees nu verwachten dat problemen proactief worden opgelost, niet in uren of dagen.

Die evolutie heeft mijn denken over AI gevormd. De meeste mensen willen AI “bovenop” zetten, op dezelfde manier als ze business intelligence of SaaS bovenop bestaande data-lakes zetten. Mijn ervaring zegt dat je veel dieper moet denken dan dat en moet ontwerpen voor real-time, actiegerichte inzichten en de mogelijkheid om tijdig actie te ondernemen.

Voor abonnees is de verwachting echter niet veel veranderd in de afgelopen 25 jaar. Ze willen nog steeds beveiligde, beheerde connectiviteit die zo eenvoudig is als een kiestoon – ze willen alles “gewoon laten werken” zonder na te denken over alle lagen en complexiteit en ze willen het overal in hun leven. Mijn carrière in telecom en cloud heeft me erg comfortabel gemaakt met die paradox: je bouwt extreem complexe systemen zodat je al die complexiteit weg kunt abstraheren en een eenvoudige, geweldige ervaring kunt bieden aan de rand. Dat is precies hoe ik denk over AI dat echt werk doet binnen elk bedrijf, breedband of anderszins.

Bij Calix benadrukt u vaak dat operationele AI wordt gebouwd in plaats van gekocht. Wat zijn de meest voorkomende fouten die organisaties maken als ze proberen AI toe te voegen zonder na te denken over hoe werk door het bedrijf stroomt?

Voor mij gaat het er niet zozeer om “gebouwd versus gekocht”, maar meer om of je een stap terug hebt genomen en naar de hele technologie-stack hebt gekeken. Veel bedrijven hebben besloten dat AI simpelweg het gebruik van enkele API’s was om toegang te krijgen tot een LLM, het in hun stack aansluiten met een wrapper en tokens kopen – dan had je een AI-strategie. Dat is niet hoe dit werkt.

Te veel van ons raken gefascineerd door de technologie in plaats van het resultaat. We hebben deze film eerder gezien. Toen pc’s verschenen, wilden iedereen argumenteren over of je een 286 of een 386 had, hoeveel geheugen het had en welk besturingssysteem het was. Vandaag kan niemand je de specificaties van hun laptop of telefoon vertellen en niemand maalt daarom. Wat ertoe doet, is: maakt dit me effectiever in mijn werk? Het is hetzelfde met AI. Als je het niet kunt koppelen aan echte workflows, echte waarde en echte ROI, zijn de technische specificaties alleen maar ruis.

Een andere grote fout is het proberen om AI op te bouwen op wat je al hebt zonder te vragen wat het doet met je architectuur, je beveiligingsmodel en je kosten. AI is fundamentele technologie, geen incrementele functie-upgrade. Als je het als incrementeel behandelt, eindig je met slechte gegevens, beveiligingsproblemen, hallucinaties, uit de hand lopende kosten of veel activiteit die niemand helpt.

Tenslotte kun je context en de importantie van verticale expertise niet negeren. Actie gaat over context en die context verschilt over telecom, fintech en gezondheidszorg. Bij Calix zijn we begonnen met diepe ervaring in één industrie en hebben we een verticaal platform daaromheen gebouwd. We begrepen al de gegevens, inzichten, workflows en context, dus kon de stack die realiteit weerspiegelen. De meeste bedrijven kennen hun verticale industrie vanbinnen en vanbuiten. De kans is om die kennis te coderen in een verticale technologie-stack in plaats van te vertrouwen op een dunne horizontale laag en een generieke AI-model, en dan alles samen te stellen. Bedrijven gaan over resultaten, niet over modellen. De echte vraag is hoe deze technologie helpt om die resultaten te leveren op de manier waarop je werk stroomt.

U heeft een vijflaagsarchitectuur voor operationele AI uitgestippeld, die gegevens, kennis, orkestratie, vertrouwen en actie omvat. Waarom is het belangrijk om deze lagen expliciet te scheiden en welke laag onderschatten bedrijven het meest of overslaan ze helemaal?

Gedurende lange tijd was de stack vrij eenvoudig: gegevens, inzichten, dashboards, workflows, mensen. Je bouwde datawarehouses, zette BI erbovenop, creëerde workflow-engines en gaf het harde werk aan mensen. In een agente-wereld houdt dat niet stand. Je hebt gegevens, kennis, orkestratie, vertrouwen en actie nodig, omdat elke laag een aparte functie uitvoert.

Het zichtbare deel waar iedereen over wil praten is de actielaag – de agenten. Dat is de top van de ijsberg. Wat bepaalt of je ooit agenten kunt laten werken met echte systemen, is al het “saai” spul onder de waterlijn: gegevenspijpleidingen en schone gegevens, de kennislaag die context biedt, de orkestratie die dynamische workflows coördineert en het vertrouwensmodel dat beslist wat is toegestaan in de eerste plaats. Als de Titanic zonk, was het niet het kleine stukje dat je kon zien dat het zonk; het was de reusachtige massa ijs eronder. Operationele AI is hetzelfde. De leiding onder de oppervlakte is wat het maakt of breekt.

Historisch gezien hebben we orkestratie en vertrouwen nooit als aparte lagen behandeld, omdat mensen het meeste van dat werk deden. Orkestratie betekende managers en ticketqueues; vertrouwen betekende gebruikersnamen en wachtwoorden. Nu moet je vertrouwen entiteiten – agenten – om dingen te doen en moet je meerdere agenten coördineren in real-time rond dynamische gegevens. Dat is een heel ander ontwerpprobleem, waardoor die lagen expliciet moeten zijn.

De laag die de meeste mensen onderschatten is vertrouwen. Veel organisaties denken dat ze vertrouwen aan het behandelen zijn, omdat ze toegangscontrole hebben – wie kan inloggen op welk systeem. Maar echt vertrouwen in een agente-wereld is niet “heeft deze gebruiker toegang?” Het is “is deze specifieke actie geschikt voor deze persoon of deze agent op dit moment?” Dat is een governance-vraag, geen toegangscontrole-vraag. Als je die laag niet expliciet maakt, kom je vast te zitten in demo-land, omdat je nooit comfortabel zult zijn met het laten werken van agenten in productie.

Dus, vertrouwen is duidelijk een fundamenteler onderdeel van uw AI-strategie. Hoe ontwerpt u systemen zodat geautomatiseerde beslissingen observereerbaar, controleerbaar en omkeerbaar blijven, terwijl u toch snel genoeg blijft om bedrijfswaarde te leveren?

Je moet beginnen met een zero-vertrouwensmentaliteit. De eerste vraag is niet “kan deze agent technisch dit doen?” De eerste vraag is “moet deze agent, namens deze persoon, dit überhaupt proberen te doen?” Als het antwoord nee is, ga je niet verder.

Als het antwoord ja is, ga je naar de guardrails: controleerbaarheid, traceerbaarheid en de noodzaak van een mens in de lus. Ons model is afhankelijk van een vertrouwenslaag die een beetje werkt als een verkeersagent aan het begin van elke interactie: wie bent u, wat doet u en waarom doet u dit? Dat elimineert veel van de beveiligingsproblemen, omdat je agenten niet loslaat en dan hoopt dat je het later opmerkt.

De alternatieve optie is om de agenten los te laten en dan een alarm te laten afgaan als ze iets slechts doen. Je gaat ervan uit dat je het kunt zien, kunt begrijpen, kunt identificeren en kunt stoppen in real-time, op het tempo en de schaal waarop deze systemen opereren. Dat is een moeilijk probleem en dat is waarom zo veel mensen worstelen – ze proberen om slechte actoren in real-time te vinden in plaats van slechte acties van tevoren te voorkomen.

Bovendien hebben we laagsgewijze gateways toegevoegd. Zelfs als een agent namens de juiste persoon handelt, kijken we nog steeds naar de sessie en de inhoud – proberen ze een model te vergiftigen, een API te misbruiken of iets buiten het beleid te doen? Alles is omhuld met volledige observeerbaarheid, zodat je kunt controleren wat er is gebeurd en het terug kunt draaien als dat nodig is. Dat is hoe je snel kunt handelen en toch ‘s nachts kunt slapen.

Veel bedrijven slagen erin om AI-inzichten te genereren, maar worstelen met het vertalen van die inzichten in actie. Wat waren de ontwerpbeslissingen die Calix in staat stelden om AI rechtstreeks in dagelijkse workflows te integreren, over marketing, operaties en klantenservice?

Lang voordat AI de ster van de show was, waren we bij Calix al geobsedeerd door één vraag: wat maakt een inzicht echt actiegericht voor een echte persoon in een echte baan? Sinds 2018 werken we met dienstverleners samen om te begrijpen hoe verschillende personas werken – wat een marketeer doet op een dinsdagochtend, wat een operationeel team doet als een alarm afgaat, wat een ondersteuningsteam doet als een abonnee belt met frustratie. Dat dwong ons om heel scherp te worden over welke inzichten ertoe deden voor wie, in welke context en wat “goede actie” leek.

Daarom waren we, toen agente-AI langskwam, niet van scratch aan het beginnen. We hadden al real-time systemen die actiegerichte inzichten gegenereerd, gekoppeld aan specifieke personas en workflows. De ontwerp-vraag werd: gegeven een andere toolset en een andere technologie-stack, hoe zou je diezelfde workflows opnieuw ontwerpen in een agente-AI-wereld, in plaats van alles van scratch te proberen uit te vinden?

Als je die diepe persona-kennis combineert met agente-AI, kun je dynamische workflows op dynamische gegevens bouwen. Agenten kunnen in real-time uitvinden welke stappen en welke personas moeten worden betrokken op basis van wat er gebeurt, in plaats van je te dwingen om honderden rigide flows in microservices te coderen. Voor de meeste bedrijven is het moeilijke probleem op dit moment proberen om real-time beslissingen te nemen op basis van context en dan de juiste workflow te ontwerpen. Voor ons was dat probleem al opgelost; we hadden al real-time, persona-gebaseerde, actiegerichte inzichten voor jaren. Agente-AI is gewoon een nieuwe set tools bovenop die basis.

Uw platformvisie omvat agent-tot-agent (A2A) interoperabiliteit en gefedereerde AI-systemen. Hoe verandert deze aanpak de manier waarop enterprise-tools samenwerken in vergelijking met traditionele puntintegraties?

Als je naar de afgelopen 20 jaar kijkt, was het standaardpatroon “koop een aantal SaaS-tools en verbind ze met een data-lake”. Elk nieuw systeem betekende een nieuwe puntintegratie, een nieuwe gegevenspijplijn en een nieuwe plek om de waarheid te verifiëren. In een agente-wereld schaalt dat niet. Je wilt dat de gegevens blijven waar ze horen en dat agenten met elkaar praten via goed gedefinieerde interfaces.

Daarom praten we over het aanraken van het systeem op twee lagen: MCP op de kennislaag en A2A op de orkestratie- en vertrouwenslagen. MCP is hoe agenten tools en gegevens ontdekken en gebruiken zonder een nieuwe aangepaste integratie elke keer. A2A is hoe agenten werk coördineren met elkaar onder duidelijke guardrails.

Als je dat hebt, stopt de samenwerking er niet mee om een stapel broze connectors te lijken en begint het eruit te zien als een netwerk van specialisten die dynamisch kunnen samenwerken rond echt werk. Hier komt de Eisenhower Matrix-analogie om de hoek kijken. Niet alles is even urgent en even belangrijk. Sommig werk is echt tijd-kritisch, sommig is belangrijk maar kan worden gepland, sommig moet gewoon worden gedaan en sommig is ruis. Met agent-tot-agent-coördinatie op een vertrouwens- en orkestratielaag kun je die categorieën op schaal behandelen: agenten kunnen zich richten op de urgent-en-belangrijke problemen, plannen of in de wachtrij zetten wat belangrijk is maar niet urgent, en het lage-waarde-busywork tegenhouden om alles anders te overweldigen.

Dat is een heel andere wereld dan “laten we nog een connector toevoegen en hopen dat de wachtrij leegloopt”. Je ziet effectief vertrouwd, zorgvuldig georkestreerd dynamisch workflows rond dynamische gebeurtenissen en gegevens, in plaats van een wirwar van eenmalige integraties waar alles op hetzelfde niveau schreeuwt.

Als AI-agenten eenmaal autonoom mogen handelen, wordt governance snel een uitdaging. Hoe balanceert u snelheid, verantwoordelijkheid en menselijke toezicht als AI-systemen beslissingen nemen of uitvoeren op grote schaal?

De fout die ik zie, is dat mensen denken dat ze agente-AI kunnen aansluiten op wat ze al hebben en dan proberen om snelheid, verantwoordelijkheid en menselijke toezicht te “balanceren” achteraf. Dat kun je niet. Je moet beginnen met het erkennen dat dit een verticale technologie-stackprobleem is en door een vertrouwenslaag en een orkestratielaag opzettelijk te bouwen. Zonder die twee lagen wordt het een vrije-val – alles is first-come, first-served, of wie het hardst roept.

Weer is het de Eisenhower Matrix: niet alle werk is gelijk geschapen. Vertrouwen en orkestratie zijn hoe je dat operationeel maakt in een agente-wereld. Je wilt niet dat elke agent elke taak behandelt als een brandweeralarm; je wilt dat het systeem weet wat echt tijd-kritisch is, wat kan worden gepland en wat op de achtergrond kan worden afgehandeld.

En dan is er het “narrow over fat”-deel. De meeste bedrijven denken dat grotere impact van AI komt van blijven op een breed front. Je bent veel beter af als je een smalle verticale slice kiest – één concreet gebruik, één set workflows – en daarop de vertrouwen en orkestratie bouwt die je nodig hebt. Word dunner in de verticale, doe het goed, houd mensen in de lus aan de randen en breid dan uit. Dat is hoe je snel kunt handelen, verantwoordelijk blijft en voorkomt dat je een rommeltje creëert dat je later niet kunt ontwarren.

Uit uw ervaring als leider van grote wereldwijde product- en engineersteams, welke organisatorische of culturele verschuivingen zijn vereist om AI een duurzame ondernemingscapaciteit te maken in plaats van een verzameling losse pilots?

De meeste ondernemingen hebben geen “AI-probleem”; ze hebben een kennis- en workflow-probleem. De eerste verschuiving is om te stoppen met het spelen met puntoplossingen en over te stappen van datawarehouses naar een gefedereerde kenniswarehouse dat iedereen kan zien en waarop kan handelen. Zolang kennis in silo’s leeft en AI een cherry op elke silo is, krijg je pilots, geen transformatie.

Van daaruit moet je bereid zijn om de moeilijkere problemen aan te pakken in een specifieke volgorde. Stap één is om hype van realiteit te scheiden en te adopteren wat werkt, niet wat het hardst roept in je feed. Stap twee is om de kennislaag te herontwerpen, zodat je gegevens kunt omzetten in gedeelde, gefedereerde context in plaats van nog een rapport dat begraven ligt in een systeem. Stap drie is om workflows opnieuw te ontwerpen rond die kennis en een echt vertrouwenslaag – het meeste werk vandaag is georganiseerd rond mensen, vaardigheden en lokale kennis-silo’s. Als je dat niet verandert, zullen agenten alleen maar een extra tool zijn die rond de oude bottlenecks draait.

Pas dan kom je bij de culturele verschuiving, die vaak het moeilijkst is. Je hebt een cultuur nodig waarin mensen niet voornamelijk bezorgd zijn over het verliezen van hun baan, tools of identiteit, maar echt enthousiast zijn om te werken met nieuwe capaciteiten. Dat is een veranderingsbeheerprobleem, geen technologieprobleem. Het lijkt veel op echte, gedistribueerde leiderschap: mensen aan de punt van de speer begrijpen de workflows, voelen zich veilig om de frictie te noemen en zijn enthousiast om agenten in te zetten om het op te lossen.

Als we verder kijken dan breedband en telecom, welke industrieën denkt u dat het beste zijn gepositioneerd om operationele, agent-gedreven AI te adopteren en welke voorwaarden maken hen klaar?

Ik denk niet in termen van het kiezen van winnaars per industrie; ik denk in termen van patronen. Bijna elke verticale heeft dezelfde onderliggende uitdaging: ze hebben data-silo’s en functie-silo’s gebouwd in plaats van één view over drie levenscycli – klant, werknemer en product. Degene die klaar zijn, zijn degene die bereid zijn om dat te zien, om toe te geven dat ze geen echte kennislaag hebben en om het te repareren.

Van daaruit zien de voorwaarden er vrijwel hetzelfde uit, ongeacht of je in de gezondheidszorg, fintech, retail of kritieke infrastructuur zit. Je hebt complexe workflows nodig waar mensen worden uitgerekt, echte frictiepunten die je kunt noemen en voldoende hoge-kwaliteit gegevens om agenten context te geven. Als je bestaande workflows kunt kaarten, kunt zien waar het werk vertraagt of ophoopt, begrijpt welke overdrachten vertragingen creëren en dat dan kunt ondersteunen met een gefedereerd kenniswarehouse, dan wordt agente-AI een geweldige toolset.

In die wereld is “industrie-klaarheid” een kwestie van leiderschap. Zijn de leiders van een bedrijf bereid om verder te gaan dan marketingtools en dunne horizontale dashboards en in plaats daarvan te investeren in een verticale technologie-stack – gegevens omzetten in kennis, die kennis federeren, orkestratie- en vertrouwenskaders opzetten en eerlijke gesprekken voeren over waar de echte ROI is? Elk bedrijf in elke industrie dat dat werk doet, is goed gepositioneerd voor operationele, agent-gedreven AI; die die dat niet doen, zullen vastzitten in het toevoegen van nog een tool aan een al lawaaierige stapel.

Vanuit uw ervaring, hoe ziet een goede AI-architectuur eruit over vijf jaar en welke principes moeten leiders vandaag naleven om te voorkomen dat ze hun systemen later opnieuw moeten opbouwen?

Over vijf jaar zal het interessante deel van AI niet de individuele agenten of modellen zijn; het zal de agente-workflows zijn die ze mogelijk maken en de bedrijfswaarde die die workflows leveren. Agenten zelf zullen komen en gaan. De lagen eronder – gegevens, kennis, orkestratie, vertrouwen en actie – zullen blijven evolueren, maar de behoefte daaraan zal niet verdwijnen.

Daarom ben ik meer gefocust op architectuur dan op specifieke tools. We gaan van datawarehouses naar gefedereerde kenniswarehouses, van broze puntintegraties naar open, gelagen stacks. In die wereld wil je agenten die in verschillende clouds draaien, verschillende kennisbronnen aanraken en coördineren via goed gedefinieerde interfaces – MCP op de kennislaag, agent-tot-agent-protocollen op de orkestratie- en vertrouwenslagen. Als de technologie verbetert, wil je in staat zijn om betere onderdelen in die lagen te vervangen zonder het hele ding elke keer opnieuw te moeten opbouwen.

Daarom zijn de principes voor leiders eenvoudig. Bouw niet monolithisch. Ontwerp voor lagen, zodat gegevens, kennis, orkestratie, vertrouwen en actie elk onafhankelijk kunnen evolueren. Ontwerp voor flows, niet voor functies, zodat je duidelijk bent over welke workflows ertoe doen en wat “goed” lijkt in klant-, werknemer- en productlevenscycli. En ontwerp voor governance op agentniveau: ga uit van zero-vertrouwen, definieer duidelijke “agent-kaarten” en gebruik orkestratie om te beslissen wat urgent is, wat belangrijk is en wat gewoon moet worden gedaan. Als je dat doet, kun je de technologie laten veranderen – zoals het altijd doet – zonder constant te hoeven denken aan opnieuw opbouwen.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen een bezoek brengen aan Calix.