Ilan Sade, Prezes Divizji GenAI & Data w Amdocs – Seria Wywiadów

Ilan Sade, Prezes Divizji GenAI & Data w Amdocs, posiada ponad dwie dekady doświadczenia w tym samym przedsiębiorstwie, zaczynając od wczesnych stanowisk technicznych jako programista i menedżer projektu, aż do nadzorowania dużych, globalnych dostaw, strategii produktowej i innowacji. W trakcie swojej kariery kierował kluczowymi działami, obejmującymi zarządzanie przychodami, systemy cyfrowe i biznesowe, oraz inicjatywy otwartej sieci, kulminując swoim przywództwem w dywizji T-Mobile, zanim objął swoją obecną posadę skupioną na generatywnym AI i danych. Jego kariera odzwierciedla głęboką wiedzę w dziedzinie telekomunikacji, szczególnie w złożonych systemach rozliczeń, platformach doświadczeń klienta oraz dużych transformacjach przedsiębiorstw, umieszczając go na czele przesunięcia Amdocs w kierunku operacji napędzanych przez AI i platform danych następnej generacji.

Amdocs to międzynarodowa firma oprogramowania i usług specjalizująca się w rozwiązaniach dla dostawców usług komunikacyjnych, medialnych i cyfrowych, pomagając im zarządzać wszystkim, od rozliczeń i relacji z klientami po operacje sieciowe i transformację cyfrową. Założona w 1982 roku i działająca w ponad 90 krajach, firma ewoluowała w kierunku kluczowego dostawcy infrastruktury dla operatorów telekomunikacyjnych, oferując platformy rodzime dla chmury, analitykę napędzaną przez AI oraz narzędzia automatyzacji, które umożliwiają bardziej wydajną dostawę usług i personalizowane doświadczenia klienta. Rosnący nacisk na generatywne AI i platformy danych odzwierciedla szerszy trend branżowy w kierunku inteligentnych, programowo zdefiniowanych sieci i w pełni zdigitalizowanych ekosystemów klientów.

Spędziłeś ponad dwie dekady w Amdocs, awansując od developerów do kierowania divizją GenAI i Data, a wcześniej nadzorując jeden z najstrategiczniejszych partnerstw firmy z T-Mobile. Jak ta podróż ukształtowała twoją perspektywę na to, co tak naprawdę jest potrzebne, aby przenieść AI z eksperymentów do produkcji w skali telekomunikacyjnej?

To, czego nauczyłem się przez lata, to fakt, że przeniesienie AI do produkcji w skali telekomunikacyjnej nie jest przede wszystkim problemem modelu. Jest to problem operacyjny. Potrzebujesz odpowiednich fundamentów danych, silnej integracji z istniejącymi systemami, jasnej odpowiedzialności oraz zespołów, które wiedzą, jak prowadzić AI jako część codziennych procesów biznesowych. Jeśli którykolwiek z tych elementów jest nieobecny, pilotaże mogą wyglądać imponująco, ale nie skalują się.

Moja ścieżka w Amdocs dała mi dostęp do wszystkich stron równania, od inżynierii po dostawę klientom i duże partnerstwa operatorów. To doświadczenie ukształtowało moje podejście, że sukces wynika z połączenia doskonałości technicznej z dyscypliną wykonawczą. W telekomunikacji AI musi działać w złożonych środowiskach, wspierać rzeczywiste poziomy usług i dostarczać mierzone wyniki. To wymaga myślenia o produkcji od samego początku.

Na Mobile World Congress (MWC) było wyraźne sygnał, że firmy telekomunikacyjne inwestują ciężko w pilotaż AI, ale mają trudności z ich operacjonalizacją. Twoim zdaniem, co są największe bariery uniemożliwiające operatorom przeniesienie się poza eksperymenty dzisiaj?

Widzę jedną z największych barier jako fragmentację. Większość operatorów ma cenne dane i silne przypadki użycia, ale ich środowiska są podzielone na szeroki zakres systemów, zespołów i dostawców, co utrudnia połączenie wyjść AI z rzeczywistymi przepływami pracy. Jest to szczególnie prawdziwe, gdy te przepływy pracy rozciągają się na sieć, opiekę klienta i operacje biznesowe. W rezultacie AI często pozostaje rozwiązaniem punktowym zamiast stawać się częścią modelu operacyjnego.

Dodatkowo, inną barierą, której jestem świadomy, jest zaufanie – operatorzy ostatecznie potrzebują niezawodności, zarządzania i jasnych kontroli, zanim będą mogli zintegrować AI z krytycznymi procesami. Na przykład, jeśli nie mogą wyjaśnić, dlaczego agent AI podjął decyzję lub egzekwować polityki wokół niego, ta technologia pozostanie w fazie pilotażu. Przejdź do przodu wymaga ramy, która łączy automatyzację z obserwowalnością, audytowalnością i nadzorem ludzkim.

Amdocs pozycjonuje aOS jako „agentic operating system”. Jak definiujesz agentic AI w kontekście telekomunikacji, i jak różni się to fundamentalnie od wcześniejszych podejść do automatyzacji napędzanej przez AI?

W przestrzeni telekomunikacyjnej agentic AI odnosi się konkretnie do technologii, która może zrozumieć cele, zaplanować zadania, podjąć działania w wielu systemach i dostosować się do wyników. Zamiast po prostu generować treści lub przewidywać wyniki, agenci mogą wykonywać przepływy pracy od końca do końca. Mogą one rozumieć kontekst, współpracować z innymi agentami i działać w ramach granic zarządzania, aby zrealizować rzeczywiste zadania operacyjne.

To jest fundamentalnie różne od wcześniejszej automatyzacji, która była w dużej mierze oparta na regułach i statyczna. Tradycyjna automatyzacja działała dobrze dla zadań powtarzalnych w stabilnych środowiskach, ale miałaby trudności z złożonością i wyjątkami. Agentic AI może radzić sobie z dynamicznymi sytuacjami, uczyć się z informacji zwrotnej i koordynować się w różnych dziedzinach.

Opisałeś przyszłość operacji telekomunikacyjnych rodzimych dla AI. Jak to wygląda w praktyce, i jak daleko jesteśmy od w pełni autonomicznych sieci?

Operacje telekomunikacyjne rodzime dla AI wyglądają jak AI, które jest wbudowane w rdzeń, jak firma działa – nie tylko dodane na górze. W praktyce wygląda to jak przepływy pracy usług zapewniających, które wykrywają i rozwiązują problemy, zanim klienci zauważą, podróże opieki klienta, które są personalizowane i proaktywne, oraz operacje sieciowe, które ciągle optymalizują wydajność na podstawie rzeczywistych warunków. Kluczem jest to, że AI jest zintegrowane z decyzjami i wykonaniem, a nie tylko analityką.

Nie jesteśmy jeszcze w pełni autonomicznych sieciach, i powinniśmy być realistami co do tego. Następne kilka lat będzie o stopniowej autonomii, gdzie operatorzy automatyzują bardziej złożone przepływy pracy, jednocześnie zachowując ludzi w kontroli decyzji o wysokim wpływie. Pełna autonomia będzie wymagać silniejszych standardów, szerszej interoperacyjności i kontynuowanej poprawy w niezawodności i zarządzaniu.

Systemy telekomunikacyjne historycznie były fragmentowane na warstwy OSS i BSS, co utrudniało automatyzację końca do końca. Jak architektura agentic pomaga ujednolicić te dziedziny i umożliwia przepływy pracy międzyfunkcyjne?

Architektura agentic pomaga przez wprowadzenie warstwy koordynacji, która może działać w całym OSS i BSS bez wymuszania całkowitej wymiany systemu. Agenci mogą łączyć się z istniejącymi platformami za pomocą API, zrozumieć kontekst celu biznesowego, a następnie skoordynować odpowiednią sekwencję działań w systemach sieciowych, usługowych i klienta. To pozwala operatorom zautomatyzować przepływy pracy, które wcześniej łamały się na granicach domen.

Na przykład, jeśli występuje problem sieciowy wpływający na ważnego klienta przedsiębiorstwa, system agentic może skorelować awarię, ocenić wpływ, wywołać kroki naprawcze i zaktualizować przepływ komunikacji klienta równolegle. Tego rodzaju wykonanie międzyfunkcyjne jest trudne z tradycyjną automatyzacją, ponieważ każda domena działa w izolacji. Przepływy pracy agentic pomagają zamknąć tę lukę.

Jednym z interesujących aspektów systemów agentic jest współpraca między agentami AI a operatorami ludzkimi. Gdzie widzisz równowagę między automatyzacją a nadzorem ludzkim w środowiskach telekomunikacyjnych?

Równowaga między agentami AI a operatorami ludzkimi zawsze będzie zależała od konkretnego przypadku użycia, ale w dużej mierze będzie ludzko-kierowana i przyspieszona przez AI w najbliższej przyszłości. Agenci AI są doskonałymi w szybkości, skali i rozpoznawaniu wzorców, podczas gdy operatorzy ludzcy przynoszą sąd, odpowiedzialność i kontekst. Celem nie jest usunięcie ludzi z pętli. Jest to pozwolenie ludziom skoncentrować się na decyzjach, które wymagają ekspertyzy, podczas gdy AI zajmuje się ciężką pracą operacyjną.

W praktyce oznacza to ustawienie jasnych progów dla działań autonomicznych i ścieżek eskalacji dla wyjątków. Niskie ryzyko, powtarzalne zadania mogą być zautomatyzowane z minimalnym nadzorem, podczas gdy decyzje o wysokim wpływie powinny zawsze obejmować zatwierdzenie przez człowieka. To podejście buduje zaufanie i pomaga operatorom skalować AI bezpiecznie w środowiskach krytycznych dla misji.

Istnieje wiele szumu wokół generatywnego AI, ale operatorzy telekomunikacyjni są ostatecznie skupieni na ROI. Jakie są najważniejsze metryki, które CSP powinny śledzić, aby określić, czy wdrożenia AI naprawdę dostarczają wartości?

Operatorzy powinni śledzić metryki, które są bezpośrednio związane z wynikami biznesowymi, a nie tylko z wydajnością techniczną. Po stronie klienta obejmuje to pierwsze rozwiązanie kontaktu, średni czas obsługi, redukcję churnu i satysfakcję klienta. Po stronie sieci obejmuje to średni czas wykrycia i średni czas rozwiązania incydentów, dostępność usług i zyski wydajności operacyjnej.

Jest również ważne, aby mierzyć przyjęcie i niezawodność. Jeśli agenci są wdrożeni, ale zespoły im nie ufają, wartość nie zostanie zmaterializowana. CSP powinny śledzić, jak często zalecenia AI są akceptowane, jak często przepływy pracy kończą się pomyślnie, i jak często interwencja ludzka jest wymagana. ROI pochodzi z trwałego wpływu operacyjnego, a nie z izolowanych wyników pilotażowych.

aOS podkreśla przepływy pracy wielu agentów, które mogą wykonywać złożone, końcowe procesy w środowiskach telekomunikacyjnych. Jak zapewniasz koordynację, niezawodność i zarządzanie, gdy wiele agentów AI działa jednocześnie w systemach krytycznych?

Koordynacja zaczyna się od jasnego modelu orchestracji. W środowisku wieloagentowym każdy agent powinien mieć zdefiniowane granice dostępu, kryteria sukcesu. Warstwa centralnej orchestracji zarządza sekwencjonowaniem zadań, rozwiązywaniem konfliktów i śledzeniem stanu, aby agenci nie pracowali wbrew sobie. To utrzymuje przepływy pracy przewidywalne, nawet gdy rozciągają się na wiele systemów.

Niezawodność i zarządzanie wymagają silnych kontroli od samego początku. Obejmuje to egzekwowanie polityk, rejestry audytowe, wyjaśnialność i monitorowanie zachowania agenta w czasie rzeczywistym. Oznacza to również posiadanie mechanizmów awaryjnych, aby przepływy pracy mogły zostać wstrzymane, eskalowane lub wycofane bezpiecznie, jeśli coś nieoczekiwanego się wydarzy. W systemach telekomunikacyjnych krytycznych zarządzanie jest więcej niż dodatkiem – jest to podstawowe wymaganie.

W niedawnym ogłoszeniu aOS, Amdocs pozycjonuje generatywne AI jako ewoluujące od „sidecar” do warstwy operacyjnej rdzenia, wbudowanej w procesy klienta, sieci i biznesu. Co się zmieniło w ciągu ostatnich 12 do 24 miesięcy, co sprawia, że ten przełom jest możliwy dzisiaj?

Kilka rzeczy dojrzało w tym samym czasie. Modele podstawowe znacznie poprawiły jakość rozumowania i użycia narzędzi, co uczyniło je bardziej zdolnymi w przepływach pracy przedsiębiorstwa. W tym samym czasie ekosystem wokół nich poprawił się, w tym ramy orchestracji, narzędzia obserwowalności i kontrola zarządzania. To uczyniło praktyczne przeniesienie od przypadków użycia izolowanych do skoordynowanych przepływów pracy operacyjnych.

Inna główna zmiana to gotowość organizacyjna. Operatorzy mają teraz jaśniejsze priorytety wokół AI i silniejszą presję, aby dostarczyć mierzone wyniki. Nie eksperymentują już tylko po to, aby nauczyć się. Szukają platform, które mogą skalować AI w funkcjach z bezpieczeństwem i kontrolą. To przesunięcie dojrzałości po obu stronach, technologicznej i biznesowej, jest tym, co sprawia, że ten moment jest inny.

Jeśli aOS reprezentuje punkt zwrotny w kierunku operacji telekomunikacyjnych rodzimych dla AI, jaki wygląda następny etap? Czy zmierzamy ku w pełni autonomicznym sieciom telekomunikacyjnym, i jakie wyzwania nadal muszą być rozwiązane, zanim to stanie się rzeczywistością?

Następny etap to skalowanie od izolowanej automatyzacji do skoordynowanej autonomii w całym przedsiębiorstwie. Prawdopodobnie zobaczymy więcej przepływów pracy wieloagentowych, które łączą opiekę klienta, operacje usług i zespoły sieciowe w czasie rzeczywistym. Operatorzy mogą przenieść się od reaktywnych operacji do modeli predykcyjnych i proaktywnych, gdzie AI może identyfikować ryzyka wcześnie i wykonywać naprawę, zanim problemy eskalują.

W pełni autonomiczne sieci są długoterminowym połączeniem, ale nadal istnieją ważne wyzwania do rozwiązania. Potrzebujemy silniejszej interoperacyjności w ekosystemach dostawców, bardziej solidnych standardów zarządzania i kontynuowanej poprawy w niezawodności i wyjaśnialności. Najważniejsze jest to, że branża potrzebuje zaufania, że systemy autonomiczne mogą działać bezpiecznie w warunkach świata rzeczywistego. Droga do przodu będzie stopniowa, z jasnymi kontrolami na każdym kroku. Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Amdocs.