Ilan Sade, divisjonspresident, GenAI & Data i Amdocs – Intervju-serie

Ilan Sade, divisjonspresident, GenAI & Data i Amdocs, bringer mer enn to tiår med ledelse innen samme organisasjon, stigende fra tidlige tekniske roller som programmerer og prosjektleder til å overvåke stor skala global levering, produktstrategi og innovasjon. Gjennom hans embedsperiode, har han ledet kritiske avdelinger som omfatter inntektsstyring, digital og forretningsstøttesystemer, og åpne nettverksinitiativer, kulminerte i hans ledelse av T-Mobile-avdelingen før han gikk inn i sin nåværende fokus på generativ AI og data. Hans karriere reflekterer dypt domeneekspertise i telekommunikasjon, spesielt i komplekse faktureringssystemer, kundeerfaringplattformer og store bedriftstransformasjoner, som plasserer ham i forkant av Amdocs’ skift mot AI-drevne operasjoner og neste generasjons dataplattformer.

Amdocs er et multinasjonalt programvare- og tjenesteselskap som spesialiserer seg i løsninger for kommunikasjon, media og digitale tjenesteleverandører, som hjelper dem med å håndtere alt fra fakturering og kunderelasjoner til nettverksoperasjoner og digital transformasjon. Grunnlagt i 1982 og opererer i over 90 land, har selskapet utviklet seg til en nøkkelinfrastrukturleverandør for telekommunikasjonsoperatører, som tilbyr skygnative plattformer, AI-drevne analyser og automatiseringsverktøy som muliggjør mer effektiv tjenestelevering og personlige kundeopplevelser. Deres økende fokus på generativ AI og dataplattformer reflekterer en bredere industriell skift mot intelligente, programvaredefinerte nettverk og fullstendig digitaliserte kundeøkosystemer.

Du har tilbragt mer enn to tiår i Amdocs, stigende fra en utvikler til å lede GenAI og Data-avdelingen, og tidligere overvåke en av selskapets mest strategiske partnerskap med T-Mobile. Hvordan har den reisen formet din perspektiv på hva det faktisk tar å flytte AI fra eksperimentering til produksjon på telekommunikasjonskala?

Hva jeg har lært over årene er at å flytte AI til produksjon på telekommunikasjonskala ikke primært er et modellproblem. Det er et operasjonsproblem. Du trenger riktige datafundamenter, sterke integrasjoner i eksisterende systemer, klare ansvar og team som vet hvordan de skal kjøre AI som en del av daglige forretningsprosesser. Hvis noen av disse delene mangler, kan piloter se imponerende ut, men de skalerer ikke.

Min vei i Amdocs ga meg eksponering for alle sider av ligningen, fra ingeniørarbeid til kundelevering til store operatørpartnerskap. Den erfaringen formet min oppfatning av at suksess kommer fra å kombinere teknisk eksellence med gjennomføringsdisiplin. I telekommunikasjon må AI fungere over komplekse miljøer, støtte virkelige servicenivåer og levere målbare resultater. Det krever en produksjonsmentalitet fra dag én.

På Mobile World Congress (MWC) var det et klart signal om at telekommunikasjonsoperatører investerer tungt i AI-piloter, men sliter med å operasjonalisere dem. I din mening, hva er de største hindringene som forhindrer operatører fra å gå utenfor eksperimentering i dag?

Jeg ser en av de største hindringene som fragmentering. De fleste operatører har verdifulle data og sterke bruksområder, men deres miljøer er delt over en rekke systemer, team og leverandører – noe som gjør det vanskelig å koble AI-utdata til virkelige arbeidsflyter. Dette er spesielt sant når disse arbeidsflytene omfatter nettverk, kundeomsorg og forretningsoperasjoner. Som resultat, forblir AI ofte en punktløsning i stedet for å bli en del av driftsmodellen.

I tillegg er en annen hindring som jeg har vært vitne til, tillit – operatører trenger ultimate pålitelighet, styring og klare kontroller før de kan integrere AI i kritiske prosesser. For eksempel, hvis de ikke kan forklare hvorfor en AI-agent har tatt en beslutning eller påtvinge politikker rundt det, vil den teknologien holdes i en pilotbane. Fremover krever det en ramme som kombinerer automatisering med overvåkbarhet, granskbarhet og menneskelig tilsyn.

Amdocs stiller aOS som et “agentic operasjonssystem”. Hvordan definerer du agentic AI i sammenheng med telekommunikasjon, og hvordan er det fundamentalt forskjellig fra tidligere AI-drevne automatiseringsmetoder?

I telekommunikasjonsrommet refererer agentic AI spesifikt til teknologien som kan forstå mål, planlegge oppgaver, utføre handlinger over flere systemer og tilpasse seg basert på resultater. I stedet for å bare generere innhold eller forutsi resultater, kan agenter utføre arbeidsflyter fra ende til ende. De kan resonere over kontekst, samarbeide med andre agenter og operere innenfor styringsgrenser for å fullføre virkelige operative oppgaver.

Dette er fundamentalt forskjellig fra tidligere automatisering, som hovedsakelig var basert på regler og statisk. Tradisjonell automatisering fungerte bra for repetitive oppgaver i stabile miljøer, men den kjempet med kompleksitet og unntak. Agentic AI kan håndtere dynamiske situasjoner, lære fra tilbakemeldinger og koordinere over domener.

Du har beskrevet en fremtid med AI-naturlige telekommunikasjonsoperasjoner. Hva ser det ut som i praksis, og hvor langt unna er vi fra fullstendig autonome nettverk?

AI-naturlige telekommunikasjonsoperasjoner ser ut som AI som er integrert i kjernen av hvordan en forretning drives – ikke bare lagt til toppen. I praksis ser det ut som servicegaranti-arbeidsflyter som kan oppdage og løse problemer før kunder merker dem, kundeomsorgsreiser som er personlige og proaktive, og nettverksoperasjoner som kontinuerlig optimaliserer ytelse basert på sanntidsbetingelser. Nøkkel er at AI er integrert i beslutninger og gjennomføring, ikke bare analyser.

Vi er ikke på fullstendig autonome nettverk ennå, og vi bør være realistiske om det. De neste årene vil være om progressiv autonomi, hvor operatører automatiserer mer komplekse arbeidsflyter mens de holder mennesker i kontroll over høy-impaktbeslutninger. Full autonomi vil kreve sterkere standarder, bredere interoperabilitet og fortsatt fremgang i pålitelighet og styring.

Telekommunikasjonsystemer har historisk sett vært fragmentert over Operasjonsstøttesystemer (OSS) og Forretningsstøttesystemer (BSS)-lag, noe som har gjort det vanskelig å automatisere sluttpunkt til sluttpunkt. Hvordan hjelper en agentic arkitektur å forene disse domenene og muliggjøre tverrfunksjonelle arbeidsflyter?

Agentic arkitektur hjelper ved å introdusere en koordineringslag som kan fungere over OSS og BSS uten å tvinge en fullstendig systemerstatning. Agenter kan koble til eksisterende plattformer gjennom API-er, forstå konteksten av et forretningsmål og deretter orkestrere riktig sekvens av handlinger over nettverk-, tjeneste- og kundesystemer. Dette muliggjør at operatører kan automatisere arbeidsflyter som tidligere brøt ved domene-grenser.

For eksempel, hvis det er et nettverksproblem som påvirker en høyverdi kunde, kan et agentic system korrelere feilen, vurdere påvirkningen, utløse reparasjonssteg og oppdatere kunde-kommunikasjonsflyten parallelt. Slik tverrfunksjonell eksekvering er vanskelig med tradisjonell automatisering fordi hver domene opererer i isolasjon. Agentic arbeidsflyter hjelper til å lukke den gapen.

En av de interessante aspektene ved agentic systemer er samarbeidet mellom AI-agenter og menneskelige operatører. Hvor ser du balansen lande mellom automatisering og menneskelig tilsyn i telekommunikasjonsmiljøer?

Balance mellom AI-agenter og menneskelige operatører vil alltid avhenge av det spesifikke bruksområdet, men vil hovedsakelig være menneskeledet og AI-akselerert for en overskuelig fremtid. AI-agenter er utmerket til hastighet, skala og mønstergjenkjenning, mens menneskelige operatører bringer dømmekraft, ansvar og kontekst. Målet er ikke å fjerne mennesker fra løkken. Det er å la mennesker fokusere på beslutninger som krever ekspertise mens AI håndterer den tunge operative arbeidsbelastningen.

I praksis betyr det å sette klare terskler for autonome handlinger og eskalasjonsveier for unntak. Lav-risikable, repetitive oppgaver kan automatiseres med minimalt tilsyn, mens høy-impaktbeslutninger bør alltid inkludere menneskelig godkjenning. Denne tilnærmingen bygger tillit og hjelper operatører å skalerer AI trygt over kritiske miljøer.

Det er mye hype rundt generativ AI, men telekommunikasjonsoperatører er ultimate fokusert på ROI. Hva er de viktigste målene som CSP-er bør spore for å bestemme om AI-utplasseringer faktisk leverer verdi?

Operatører bør spore mål som knytter seg direkte til forretningsresultater, ikke bare teknisk ytelse. På kundesiden inkluderer det første kontaktoppløsning, gjennomsnittlig håndteringstid, kunderedusering og kundetilfredshet. På nettverksiden inkluderer det gjennomsnittlig tid til å oppdage og gjennomsnittlig tid til å løse hendelser, servicetilgjengelighet og operative effektivitetsgevinster.

Det er også viktig å måle adopsjon og pålitelighet. Hvis agenter er utplassert, men teamene ikke har tillit til dem, vil verdien ikke materialiseres. CSP-er bør spore hvor ofte AI-anbefalinger aksepteres, hvor ofte arbeidsflyter fullføres suksessfullt og hvor ofte menneskelig inngripen er nødvendig. ROI kommer fra varig operativ påvirkning, ikke isolerte pilotresultater.

aOS betoner multi-agents-arbeidsflyter som kan utføre komplekse, sluttpunkt-til-sluttpunkt-prosesser over telekommunikasjonsmiljøer. Hvordan sikrer du koordinering, pålitelighet og styring når flere AI-agenter opererer samtidig over kritiske systemer?

Koordinering starter med en klar orkestreringsmodell. I et multi-agents-miljø bør hver agent ha en definert, tilgangsgrenser og suksesskriterier. En sentral orkestreringslag håndterer oppgave-sekvensering, konfliktløsning og tilstands-sporing, så agenter ikke arbeider mot hverandre. Dette holder arbeidsflyter forutsigbare selv når de omfatter mange systemer.

Pålitelighet og styring krever sterke kontroller ved design. Det inkluderer politikken-håndheving, granskningsspor, forklarbarhet og sanntids-overvåking av agent-atferd. Det betyr også å ha reserve-mekanismer så arbeidsflyter kan pause, eskalere eller rulle tilbake trygt hvis noe uventet skjer. I kritiske telekommunikasjons-systemer er styring mer enn et tillegg – det er en kjernekrav.

I en nylig aOS-annons, stiller Amdocs generativ AI som utvikler seg fra en “sidecar”-funksjon til en kjerne-operasjonell lag integrert over kunde-, nettverks- og forretningsprosesser. Hva endret seg i løpet av de siste 12-24 månedene som gjør denne skiftet mulig i dag?

Flere ting modnet på samme tid. Grunnmodellene forbedret seg betydelig i resonans-kvalitet og verktøybruk, noe som gjorde dem mer kapable i bedrifts-arbeidsflyter. Samtidig forbedret økosystemet rundt dem, inkludert orkestrerings-rammer, overvåkbarhets-verktøy og styrings-kontroller. Det gjorde det praktisk å gå fra isolerte bruksområder til koordinerte operative arbeidsflyter.

Den andre store endringen er organisatorisk beredskap. Operatører har nå klarere prioriteringer rundt AI og sterkere press for å levere målbare resultater. De eksperimenterer ikke lenger bare for å lære. De ser etter plattformer som kan skalerer AI over funksjoner med sikkerhet og kontroll. Denne skiftet i modning på både teknologi- og forretnings-siden er det som gjør denne øyeblikket forskjellig.

Hvis aOS representerer et vendepunkt mot AI-naturlige telekommunikasjonsoperasjoner, hva ser neste fase ut som? Er vi på vei mot fullstendig autonome telekommunikasjonsnettverk, og hva er utfordringene som fortsatt må løses før det blir virkelighet?

Neste fase er om å skalerer fra isolert automatisering til koordinert autonomi over bedriften. Vi vil sannsynligvis se flere multi-agents-arbeidsflyter som kobler kundeomsorg, tjenesteoperasjoner og nettverksteam i sanntid. Operatører kan gå fra reaktive operasjoner til prediktive og proaktive modeller, hvor AI kan identifisere risiko tidlig og utføre reparasjon før problemer eskalerer.

Fullstendig autonome nettverk er en langtids-ekstensjon, men det er fortsatt viktige utfordringer som må løses. Vi trenger sterkere interoperabilitet over leverandør-økosystemer, mer robuste styrings-standarder og fortsatt fremgang i pålitelighet og forklarbarhet. Viktigst er at industrien trenger tillit til at autonome systemer kan fungere trygt under sanntids-betingelser. Fremover vil være inkrementelt, med klare kontroller på hvert steg.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Amdocs.