Ilan Sade, Presidente de Divisão, GenAI & Data na Amdocs – Série de Entrevistas

Ilan Sade, Presidente de Divisão, GenAI & Data na Amdocs, traz mais de duas décadas de liderança dentro da mesma organização, ascendendo de funções técnicas iniciais como programador e gerente de projeto a supervisionar a entrega global em larga escala, estratégia de produto e inovação. Ao longo de sua gestão, ele liderou divisões críticas que abrangem gestão de receita, sistemas de suporte digital e de negócios, e iniciativas de rede aberta, culminando em sua liderança da divisão T-Mobile antes de assumir seu cargo atual, focado em inteligência artificial gerativa e dados. Sua carreira reflete uma profunda especialização em domain em telecomunicações, particularmente em sistemas de faturamento complexos, plataformas de experiência do cliente e transformações de grandes empresas, posicionando-o à frente da mudança da Amdocs em direção a operações impulsionadas por IA e plataformas de dados de próxima geração.

Amdocs é uma empresa multinacional de software e serviços especializada em soluções para provedores de comunicações, mídia e serviços digitais, ajudando-os a gerenciar tudo, desde faturamento e relacionamentos com clientes até operações de rede e transformação digital. Fundada em 1982 e operando em mais de 90 países, a empresa evoluiu para se tornar um provedor de infraestrutura-chave para operadoras de telecomunicações, oferecendo plataformas nativas em nuvem, análise impulsionada por IA e ferramentas de automação que permitem uma entrega de serviço mais eficiente e experiências personalizadas para os clientes. Seu foco crescente em inteligência artificial gerativa e plataformas de dados reflete uma mudança mais ampla na indústria em direção a redes inteligentes, definidas por software, e ecossistemas de clientes totalmente digitalizados.

Você passou mais de duas décadas na Amdocs, ascendendo de desenvolvedor a líder da divisão GenAI e Data, e anteriormente supervisionando uma das parcerias estratégicas mais importantes da empresa com a T-Mobile. Como essa jornada moldou sua perspectiva sobre o que realmente é necessário para mover a IA da experimentação para a produção em escala de telecomunicações?

O que aprendi ao longo dos anos é que mover a IA para a produção em escala de telecomunicações não é primariamente um problema de modelo. É um problema de operações. Você precisa das fundações de dados certas, uma forte integração aos sistemas existentes, responsabilidade clara e equipes que saibam como executar a IA como parte dos processos de negócios diários. Se alguma dessas peças estiver faltando, os pilotos podem parecer impressionantes, mas não escalonam.

Meu caminho na Amdocs me deu exposição a todos os lados da equação, desde engenharia até entrega ao cliente e parcerias com grandes operadoras. Essa experiência moldou minha visão de que o sucesso vem da combinação de excelência técnica com disciplina de execução. Nas telecomunicações, a IA precisa funcionar em ambientes complexos, suportar níveis de serviço reais e entregar resultados mensuráveis. Isso requer uma mentalidade de produção desde o início.

Na Mobile World Congress (MWC), houve um sinal claro de que as empresas de telecomunicações estão investindo pesadamente em pilotos de IA, mas estão lutando para operacionalizá-los. Na sua visão, quais são os principais obstáculos que impedem os operadores de ir além da experimentação hoje?

Vejo um dos principais obstáculos sendo a fragmentação. A maioria dos operadores tem dados valiosos e fortes casos de uso, mas seus ambientes estão divididos em uma ampla gama de sistemas, equipes e fornecedores – tornando difícil conectar as saídas da IA a fluxos de trabalho reais. Isso é especialmente verdadeiro quando esses fluxos de trabalho abrangem rede, atendimento ao cliente e operações de negócios. Como resultado, a IA frequentemente permanece como uma solução pontual em vez de se tornar parte do modelo operacional.

Além disso, outro obstáculo que testemunhei é a confiança – os operadores ultimately precisam de confiabilidade, governança e controles claros antes de poderem integrar a IA em processos críticos. Por exemplo, se eles não puderem explicar por que um agente de IA tomou uma decisão ou impor políticas em torno disso, essa tecnologia será mantida em uma pista de piloto. Avançar requer um quadro que combine automação com observabilidade, auditoria e supervisão humana.

A Amdocs está posicionando o aOS como um “sistema operacional agente”. Como você define IA agente no contexto das telecomunicações, e como isso é fundamentalmente diferente das abordagens de automação impulsionadas por IA anteriores?

Dentro do espaço de telecomunicações, a IA agente se refere especificamente à tecnologia que pode entender metas, planejar tarefas, executar ações em vários sistemas e adaptar-se com base nos resultados. Em vez de simplesmente gerar conteúdo ou prever resultados, os agentes podem executar fluxos de trabalho de ponta a ponta. Eles são capazes de raciocinar sobre o contexto, colaborar com outros agentes e operar dentro de limites de governança para concluir tarefas operacionais reais.

Isso é fundamentalmente diferente da automação anterior, que era principalmente baseada em regras e estática. A automação tradicional funcionava bem para tarefas repetitivas em ambientes estáveis, mas lutava com complexidade e exceções. A IA agente pode lidar com situações dinâmicas, aprender com feedback e coordenar-se em vários domínios.

Você descreveu um futuro de operações de telecomunicações nativas em IA. O que isso realmente parece na prática, e quão longe estamos de ter redes totalmente autônomas?

Operações de telecomunicações nativas em IA parecem com a IA embutida no núcleo de como um negócio é executado – não apenas adicionada por cima. Na prática, isso parece como fluxos de trabalho de garantia de serviço que detectam e resolvem problemas antes que os clientes os notem, jornadas de atendimento ao cliente personalizadas e proativas, e operações de rede que otimizam continuamente o desempenho com base em condições em tempo real. A chave é que a IA é integrada às decisões e execução, não apenas à análise.

Não estamos ainda em redes totalmente autônomas, e devemos ser realistas sobre isso. Os próximos anos serão sobre autonomia progressiva, onde os operadores automatizam fluxos de trabalho mais complexos enquanto mantêm os humanos no controle de decisões de alto impacto. A autonomia total exigirá padrões mais fortes, interoperabilidade mais ampla e melhorias contínuas em confiabilidade e governança.

Sistemas de telecomunicações historicamente foram fragmentados em camadas de Sistemas de Suporte a Operações (OSS) e Sistemas de Suporte a Negócios (BSS), o que tornou a automação de ponta a ponta difícil. Como uma arquitetura agente ajuda a unificar esses domínios e permitir fluxos de trabalho transfuncionais?

A arquitetura agente ajuda introduzindo uma camada de coordenação que pode trabalhar em OSS e BSS sem forçar a substituição completa do sistema. Os agentes podem se conectar a plataformas existentes por meio de APIs, entender o contexto de um objetivo de negócios e então orquestrar a sequência certa de ações em sistemas de rede, serviço e cliente. Isso permite que os operadores automatizem fluxos de trabalho que anteriormente se quebravam nas fronteiras de domínio.

Por exemplo, se houver um problema de rede afetando um cliente empresarial de alto valor, um sistema agente pode correlacionar a falha, avaliar o impacto, acionar etapas de remediação e atualizar o fluxo de comunicação do cliente em paralelo. Esse tipo de execução transfuncional é difícil com a automação tradicional porque cada domínio opera de forma isolada. Fluxos de trabalho agentes ajudam a fechar essa lacuna.

Um dos aspectos interessantes dos sistemas agentes é a colaboração entre agentes de IA e operadores humanos. Onde você vê o equilíbrio se estabelecendo entre automação e supervisão humana em ambientes de telecomunicações?

O equilíbrio entre agentes de IA e operadores humanos sempre dependerá do caso de uso específico, mas será amplamente liderado por humanos e acelerado por IA nos próximos tempos. Os agentes de IA são excelentes em velocidade, escala e reconhecimento de padrões, enquanto os operadores humanos trazem julgamento, responsabilidade e contexto. O objetivo não é remover as pessoas do loop. É permitir que as pessoas se concentrem em decisões que exigem expertise enquanto a IA lida com a carga operacional pesada.

Na prática, isso significa estabelecer limites claros para ações autônomas e caminhos de escalonamento para exceções. Tarefas de baixo risco e repetitivas podem ser automatizadas com supervisão mínima, enquanto decisões de alto impacto devem sempre incluir aprovação humana. Essa abordagem constrói confiança e ajuda os operadores a dimensionar a IA com segurança em ambientes críticos.

Há muito hype em torno da IA gerativa, mas os operadores de telecomunicações estão ultimatemente focados no ROI. Quais são as métricas mais importantes que os CSPs devem acompanhar para determinar se os implantes de IA estão realmente entregando valor?

Os operadores devem acompanhar métricas que estejam diretamente relacionadas a resultados de negócios, não apenas ao desempenho técnico. No lado do cliente, isso inclui resolução de contato inicial, tempo médio de atendimento, redução de churn e satisfação do cliente. No lado da rede, isso inclui tempo médio para detectar e tempo médio para resolver incidentes, disponibilidade do serviço e ganhos de eficiência operacional.

É importante medir também a adoção e a confiabilidade. Se os agentes forem implantados, mas as equipes não confiarem neles, o valor não se materializará. Os CSPs devem acompanhar com que frequência as recomendações de IA são aceitas, com que frequência os fluxos de trabalho são concluídos com sucesso e com que frequência a intervenção humana é necessária. O ROI vem do impacto operacional sustentado, não de resultados isolados de pilotos.

O aOS enfatiza fluxos de trabalho de vários agentes que podem executar processos complexos, de ponta a ponta, em ambientes de telecomunicações. Como você garante a coordenação, confiabilidade e governança quando vários agentes de IA operam simultaneamente em sistemas críticos?

A coordenação começa com um modelo de orquestração claro. Em um ambiente de vários agentes, cada agente deve ter limites definidos, critérios de sucesso e acesso. Uma camada de orquestração central gerencia a sequência de tarefas, resolução de conflitos e rastreamento de estado para que os agentes não trabalhem em direções opostas. Isso mantém os fluxos de trabalho previsíveis, mesmo quando eles abrangem muitos sistemas.

Confiabilidade e governança exigem controles fortes por design. Isso inclui aplicação de políticas, registros de auditoria, explicabilidade e monitoramento em tempo real do comportamento do agente. Isso também significa ter mecanismos de fallback para que os fluxos de trabalho possam pausar, escalar ou reverter com segurança se algo inesperado acontecer. Em sistemas de telecomunicações críticos, a governança é mais do que um complemento – é um requisito fundamental.

Em um anúncio recente do aOS, a Amdocs posiciona a IA gerativa como evoluindo de uma capacidade “sidecar” para uma camada operacional central, incorporada em processos de cliente, rede e negócios. O que mudou nos últimos 12 a 24 meses que torna essa mudança possível hoje?

Várias coisas amadureceram ao mesmo tempo. Os modelos de base melhoraram significativamente em qualidade de raciocínio e uso de ferramentas, tornando-os mais capazes em fluxos de trabalho de empresas. Ao mesmo tempo, o ecossistema em torno deles melhorou, incluindo frameworks de orquestração, ferramentas de observabilidade e controles de governança. Isso tornou prático mover de casos de uso isolados para fluxos de trabalho operacionais coordenados.

A outra grande mudança é a prontidão organizacional. Os operadores agora têm prioridades mais claras em torno da IA e uma pressão mais forte para entregar resultados mensuráveis. Eles não estão mais apenas experimentando para aprender. Estão procurando por plataformas que possam dimensionar a IA em várias funções com segurança e controle. Essa mudança de maturidade tanto na tecnologia quanto nos negócios é o que torna esse momento diferente.

Se o aOS representa um ponto de inflexão em direção a operações de telecomunicações nativas em IA, o que a próxima fase parece? Estamos nos dirigindo para redes de telecomunicações totalmente autônomas, e quais desafios ainda precisam ser resolvidos antes que isso se torne realidade?

A próxima fase é sobre dimensionar de automação isolada para autonomia coordenada em toda a empresa. Provavelmente veremos mais fluxos de trabalho de vários agentes que conectam atendimento ao cliente, operações de serviço e equipes de rede em tempo real. Os operadores podem mudar de operações reativas para modelos previsíveis e proativos, onde a IA pode identificar riscos precocemente e executar remediação antes que os problemas sejam exacerbados.

Redes de telecomunicações totalmente autônomas são uma longa jornada, mas ainda há desafios importantes a serem superados. Precisamos de interoperabilidade mais forte entre ecossistemas de fornecedores, padrões de governança mais robustos e progresso contínuo em confiabilidade e explicabilidade. Mais importante, a indústria precisa ter confiança de que os sistemas autônomos possam desempenhar com segurança em condições do mundo real. O caminho à frente será incremental, com controles claros em cada etapa.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Amdocs.