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 divisjoner som omfatter inntektsstyring, digital og forretningsstøttesystemer, og åpne nettverksinitiativer, kulminerte i hans ledelse av T-Mobile-divisjonen før han gikk inn i sin nåværende fokusert 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’ skifte mot AI-drevne operasjoner og neste generasjons dataplattformer.

Amdocs er et multinasjonalt programvare- og tjenesteselskap som spesialiserer seg på 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 telekommunikasjonoperatører, og tilbyr skytnative plattformer, AI-drevne analyser og automatiseringsverktøy som muliggjør mer effektiv tjenestelevering og personlig kundeerfaring. Deres økende fokus på generativ AI og dataplattformer reflekterer en bredere industriell skifte 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-divisjonen, og tidligere overvåke en av selskapets mest strategiske samarbeid med T-Mobile. Hvordan har den reisen formet din perspektiv på hva det faktisk tar å flytte AI fra eksperimentering til produksjon i telekommunikasjonsskala?

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

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

Ved Mobile World Congress (MWC), var det et tydelig signal om at telekommunikasjonsselskaper investerer tungt i AI-piloter, men sliter med å operationalisere dem. I din mening, hva er de største hindringene som forhindrer operatørene fra å gå beyond eksperimentering i dag?

Jeg ser en av de største hindringene som fragmentering. De fleste operatørene har verdifull data og sterke brukstilfeller, men deres miljøer er splittet 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, kundeservice 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 – operatørene trenger ultimate pålitelighet, styring og tydelige 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 bli holdt i en pilotbane. Å gå videre krever en ramme som kombinerer automatisering med overvåkbarhet, granskbarhet og menneskelig tilsyn.

Amdocs posisjonerer aOS som et “agentic operasjonssystem”. Hvordan definerer du agentic AI i telekommunikasjonskonteksten, og hvordan er det fundamentalt forskjellig fra tidligere AI-drevne automatiserings tilnærminger?

Innenfor 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 bare å 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 til 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 service-sikringsarbeidsflyter som detekterer og løser problemer før kundene merker dem, kundeservice-reiser som er personliggjort og proaktive, og nettverksoperasjoner som kontinuerlig optimaliserer ytelse basert på sanntidsbetingelser. Nøkkelen 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 operatørene automatiserer mer komplekse arbeidsflyter mens de holder mennesker i kontroll over høy-impakt beslutninger. Full autonomi vil kreve sterkere standarder, bredere interoperabilitet og fortsatt forbedringer i pålitelighet og styring.

Telekommunikasjonssystemer har historisk sett vært fragmentert over Operations Support Systems (OSS) og Business Support Systems (BSS) lag, noe som har gjort det vanskelig å automatisere arbeidsflyter på tvers. Hvordan hjelper en agentic arkitektur med å forene disse domenene og aktivere tverrfunksjonelle arbeidsflyter?

Agentic arkitektur hjelper ved å introdusere en koordineringslag som kan arbeide 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 tillater operatørene å 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 impakten, utløse remedieringssteg og oppdatere kundekommunikasjonsflyten parallelt. Den type tverrfunksjonell eksekvering er vanskelig med tradisjonell automatisering fordi hver domene opererer i isolasjon. Agentic arbeidsflyter hjelper med 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?

Balansen mellom AI-agenter og menneskelige operatører vil alltid avhenge av det spesifikke brukstilfelle, men vil hovedsakelig være menneskeledet og AI-akselerert for den nærmeste 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 tydelige terskler for autonome handlinger og eskalasjonsveier for unntak. Lav-risiko, repetitive oppgaver kan automatiseres med minimalt tilsyn, mens høy-impakt beslutninger bør alltid inkludere menneskelig godkjenning. Denne tilnærmingen bygger tillit og hjelper operatørene med å skalerer AI trygt over kritiske miljøer.

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

Operatørene bør spore mål som direkte knytter seg til forretningsresultater, ikke bare teknisk ytelse. På kundesiden inkluderer det første kontaktpunkt, gjennomsnittlig håndteringstid, kundetap-reduksjon og kundetilfredshet. På nettverksiden inkluderer det gjennomsnittlig tid til å oppdage og gjennomsnittlig tid til å løse hendelser, tjenestetilgjengelighet og operasjonell effisiensforbedringer.

Det er også viktig å måle tilpasning 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 suksessrikt og hvor ofte menneskelig inngripen er nødvendig. ROI kommer fra varig operasjonell impakt, ikke isolerte pilotresultater.

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

Koordinering starter med en tydelig orkestreringsmodell. I et multi-agent miljø bør hver agent ha en definert, tilgangsgrenser og suksesskriterier. En sentral orkestreringslag håndterer oppgave-sekvensering, konfliktløsning og tilstandssporing så agenter ikke arbeider i motstridende retninger. Dette holder arbeidsflyter forutsigbare selv om de omfatter mange systemer.

Pålitelighet og styring krever sterke kontroller ved design. Det inkluderer politikkenkraft, granskningslogger, forklarbarhet og sanntids-overvåking av agent-atferd. Det inkluderer også fallback-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, posisjonerer Amdocs generativ AI som utvikler seg fra en “sidecar”-funksjon til en kjerneoperasjonell lag integrert over kunde-, nettverks- og forretningsprosesser. Hva har endret seg de siste 12-24 månedene som gjør denne skiftet mulig i dag?

Flere ting modnet på samme tid. Grunnmodellene forbedret seg betydelig i resonneringskvalitet og verktøybruk, noe som gjorde dem mer kapable i bedrifts-arbeidsflyter. Samtidig forbedret økosystemet rundt dem, inkludert orkestrerings-rammeverk, overvåkbarhetsverktøy og styringskontroller. Det gjorde det praktisk mulig å gå fra isolerte brukstilfeller til koordinerte operative arbeidsflyter.

Den andre store endringen er organisatorisk modenhet. Operatørene har nå tydeligere 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 modenhet på både teknologi- og forretnings-siden er hva som gjør dette øyeblikket forskjellig.

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

Neste fasen handler om å skalerer fra isolert automatisering til koordinert autonomi over hele bedriften. Vi vil sannsynligvis se mer multi-agent arbeidsflyter som kobler kundeservice, tjenesteoperasjoner og nettverksteam i sanntid. Operatørene kan gå fra reaktiv til proaktiv og prediktiv drift, hvor AI kan identifisere risiko tidlig og utføre remediering før problemer eskalerer.

Fullstendig autonome nettverk er et langtids-mål, men det er fortsatt viktige utfordringer som må løses. Vi trenger sterkere interoperabilitet over leverandør-økosystemer, mer robuste styringsstandarder og fortsatt fremgang i pålitelighet og forklarbarhet. Mest viktig er at industrien trenger tillit til at autonome systemer kan fungere trygt under virkelige verdensbetingelser. Veien fremover vil være inkrementell, med tydelige kontroller på hvert trinn.

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