Entrevistas
Shane Eleniak, Diretor de Produto da Calix – Série de Entrevistas
Shane Eleniak atua como Diretor de Produto da Calix, onde lidera a visão estratégica e a execução da plataforma e soluções de SaaS da empresa. Com foco em habilitar os provedores de serviços de comunicação a simplificar seus negócios e entregar experiências de assinante excepcionais, Shane supervisiona todo o ciclo de vida do produto – desde a conceituação até a implantação líder de mercado.
Sob sua liderança, a Calix consolidou sua posição como pioneira na indústria de banda larga, entregando consistentemente ferramentas inovadoras que permitem que os provedores concorram e vençam.
Calix é uma empresa de tecnologia com sede nos EUA que fornece plataformas de nuvem, software e serviços gerenciados projetados para provedores de serviços de banda larga e comunicação. Sua oferta central gira em torno de uma plataforma de banda larga habilitada por IA que integra infraestrutura de nuvem, dados e sistemas de rede para ajudar os provedores a simplificar as operações, melhorar o engajamento do cliente e entregar experiências digitais mais personalizadas. Ao permitir que esses provedores façam a transição de serviços de conectividade básica para provedores de experiência completa, a Calix ajuda-os a crescer a receita, aumentar a lealdade dos assinantes e apoiar a transformação digital das comunidades por meio de serviços de banda larga mais avançados e escaláveis.
Sua carreira abrange mais de três décadas em engenharia, redes, plataformas de nuvem e liderança de produtos em larga escala. Como essas experiências moldaram sua perspectiva sobre o que realmente é necessário para que a IA execute trabalho real dentro das empresas, em vez de permanecer um experimento lateral?
Eu comecei em telecomunicações tradicionais e redes, onde o jogo todo era o caminho dos dados e a confiabilidade em escala. Se você não pode entregar um serviço limpo e confiável, nada do que você constrói em cima disso realmente importa. Naquela época, o telefone estava na parede da cozinha, a fiação interna nunca se movia e, desde que houvesse tom de linha, tudo estava bem.
A banda larga e a Internet mudaram isso. De repente, não era mais apenas “está ligado?” Era Ethernet e, em seguida, Wi-Fi, crianças em consoles de jogos e tablets, você em uma chamada de vídeo colaborando em uma planilha de nuvem e mobilidade constante – dispositivos dentro de casa, no quintal, no jogo de futebol, na cafeteria. A experiência do assinante se tornou muito mais complexa do que um estado binário de ligado/desligado e o mundo para os provedores de serviços se tornou altamente dinâmico. Nesse mundo, uma visão retrospectiva dos dados – armazéns de dados clássicos e relatórios históricos um mês depois – simplesmente não é suficiente. Você precisa coletar dados, entender a experiência e gerar insights em tempo real, porque os assinantes agora esperam que os problemas sejam resolvidos proativamente, não em horas ou dias.
Essa evolução moldou como eu penso sobre a IA. A maioria das pessoas quer colocar a IA “em cima”, da mesma maneira que colocam inteligência de negócios ou SaaS em cima de lagos de dados existentes. Minha experiência diz que você precisa pensar muito mais profundamente do que isso e projetar para insights em tempo real e a capacidade de tomar ações oportunas.
Para os assinantes, no entanto, a expectativa não mudou muito nos últimos 25 anos. Eles ainda querem conectividade segura e gerenciada que se sinta tão simples quanto o tom de linha – eles querem que tudo “funcione” sem pensar em todas as camadas e complexidade e querem isso em todos os lugares de suas vidas. Minha carreira em telecomunicações e nuvem me tornou muito confortável com essa paradoxo: você constrói sistemas extremamente complexos para que possa abstrair tudo isso e entregar uma experiência simples e excelente na extremidade. É exatamente assim que eu penso sobre a IA fazendo trabalho real dentro de qualquer empresa, banda larga ou não.
Na Calix, você frequentemente enfatiza que a IA operacional é construída, não comprada. Quais são os erros mais comuns que as organizações cometem quando tentam adicionar IA sem repensar como o trabalho flui pelo negócio?
Para mim, é menos sobre “construída versus comprada” e mais sobre se você deu um passo atrás e olhou para a pilha de tecnologia como um todo. Muitas empresas decidiram que a IA era simplesmente usar alguns APIs para obter acesso a um LLM, conectá-lo à pilha com um invólucro e comprar tokens – então você tinha uma estratégia de IA. Isso não é como funciona.
Muitos de nós nos fascinamos com a tecnologia em vez do resultado. Já vimos esse filme antes. Quando os PCs surgiram, todos queriam argumentar sobre se você tinha um 286 ou um 386, quanto de memória tinha e qual era o DOS que estava executando. Hoje, ninguém pode dizer os specs do seu laptop ou telefone e ninguém se importa até que pare de fazer o que você precisa que faça. O que importa é: isso me torna mais eficaz no meu trabalho? É o mesmo com a IA. Se você não pode relacioná-la com fluxos de trabalho reais, valor real e ROI real, as especificações técnicas são apenas ruído.
Outro grande erro é tentar acrescentar a IA ao que você já tem sem perguntar o que isso faz à arquitetura, ao modelo de segurança e aos custos. A IA é uma tecnologia fundamental, não uma atualização de recurso incremental. Quando você a trata como incremental, você acaba com dados ruins, problemas de segurança, alucinações, custos descontrolados ou muita atividade que não resolve um problema para ninguém.
Finalmente, você não pode ignorar o contexto e a importância da especialização vertical. Ação é tudo sobre contexto e esse contexto difere em telecomunicações, fintech e saúde. Na Calix, começamos com uma experiência profunda em uma indústria e construímos uma plataforma vertical em torno disso. Já entendíamos os dados, insights, fluxos de trabalho e contexto, então a pilha podia refletir essa realidade. A maioria das empresas conhece sua indústria vertical por dentro. A oportunidade é codificar esse conhecimento em uma pilha de tecnologia vertical, em vez de confiar em uma camada horizontal fina e um modelo de IA genérico e, em seguida, tentar costurar tudo junto. Os negócios são sobre resultados, não modelos. A pergunta real é como essa tecnologia ajuda a entregar esses resultados no modo como o trabalho flui.
Você delineou uma arquitetura de cinco camadas para IA operacional que inclui dados, conhecimento, orquestração, confiança e ação. Por que é importante separar explicitamente essas camadas e qual delas as empresas mais frequentemente subestimam ou pulam inteiramente?
Por um longo tempo, a pilha era bastante simples: dados, insights, dashboards, fluxos de trabalho, pessoas. Você construía armazéns de dados, colocava BI em cima, criava motores de fluxo de trabalho e entregava o trabalho difícil para os humanos. Em um mundo agente, isso não se sustenta. Você precisa de dados, conhecimento, orquestração, confiança e ação, porque cada camada executa uma função distinta.
A parte visível que todos querem discutir é a camada de ação – os agentes. Isso é a ponta do iceberg. O que determina se você pode deixar os agentes tocar sistemas reais é todo o “trabalho chato” abaixo da linha de água: pipelines de dados e dados limpos, a camada de conhecimento que fornece contexto, a orquestração que coordena fluxos de trabalho dinâmicos e o modelo de confiança que decide o que deve ser permitido em primeiro lugar. Quando o Titanic afundou, não foi a pequena parte que você podia ver que o afundou; foi a grande massa de gelo abaixo. A IA operacional é a mesma. O encanamento abaixo da superfície é o que faz ou quebra você.
Historicamente, nunca tratamos a orquestração e a confiança como camadas separadas, porque os humanos faziam a maior parte desse trabalho. Orquestração significava gerentes e filas de tickets; confiança significava nomes de usuário e senhas. Agora você precisa confiar em entidades – agentes – para fazer coisas e precisa coordenar vários agentes em tempo real em torno de dados dinâmicos. Isso é um problema de design completamente diferente, o que é por que essas camadas precisam ser explícitas.
A camada que as pessoas mais subestimam é a confiança. Muitas organizações pensam que estão lidando com a confiança porque têm controles de acesso – quem pode fazer login em qual sistema. Mas a confiança real em um mundo agente não é “esse usuário tem acesso?” É “essa ação particular é apropriada para esse indivíduo ou agente nesse momento?” Isso é uma pergunta de governança, não uma pergunta de controle de acesso. Se você não tornar essa camada explícita, fica preso na terra do demo, porque você nunca estará confortável em deixar os agentes fazerem trabalho real em produção.
Então, a confiança é obviamente uma parte fundamental de sua estratégia de IA. Como você projeta sistemas para que as decisões automatizadas permaneçam observáveis, auditáveis e reversíveis, enquanto ainda move rápido o suficiente para entregar valor comercial?
Você precisa começar com uma mentalidade de confiança zero. A primeira pergunta não é “esse agente pode tecnicamente fazer isso?” A primeira pergunta é “deve esse agente, em nome dessa pessoa, tentar fazer isso?” Se a resposta for não, então não prossiga.
Se a resposta for sim, você se move para guardrails: auditoria, rastreabilidade e a necessidade de um humano no loop. Nosso modelo depende de uma camada de confiança que age um pouco como um policial de trânsito no início de cada interação: quem é você, o que você está fazendo e por que está fazendo isso? Isso elimina muitos dos problemas de segurança, porque você não está deixando os agentes correrem e fazerem coisas e, em seguida, esperando notar depois do fato.
A alternativa é soltar os agentes e, em seguida, levantar um alarme se eles saírem e fizerem algo ruim. Você está assumindo que pode vê-lo, descobri-lo, identificá-lo e pará-lo em tempo real, no ritmo e escala em que esses sistemas operam. Isso é um problema muito difícil e é por que muitas pessoas estão lutando – estão tentando procurar atores ruins em tempo real em vez de prevenir ações ruins antecipadamente.
Além disso, adicionamos gateways em camadas. Mesmo que um agente esteja agindo em nome da pessoa certa, ainda estamos olhando para a sessão e o conteúdo – estão tentando envenenar um modelo, abusar de uma API ou empurrar algo fora da política? Tudo isso está envolto em observabilidade total para que você possa auditar o que aconteceu e revertê-lo se necessário. É assim que você se move rapidamente e ainda dorme à noite.
Muitas empresas têm sucesso em gerar insights de IA, mas lutam para traduzi-los em ação. Quais decisões de design permitiram que a Calix impulsionasse a IA diretamente para fluxos de trabalho diários em marketing, operações e suporte ao cliente?
Muito antes de a IA ser a estrela do show, na Calix, estávamos obcecados com uma pergunta: o que torna um insight genuinamente ação para uma pessoa real em um trabalho real? Desde 2018, estamos trabalhando com provedores de serviços para entender como diferentes personas trabalham – o que um marketer faz em uma manhã de terça-feira, o que uma equipe de operações faz quando um alarme dispara, o que as equipes de suporte fazem quando um assinante liga frustrado. Isso nos forçou a ser muito claro sobre quais insights importam para quem, em qual contexto e o que “boa ação” parece.
Então, quando a IA agente surgiu, não estávamos começando do zero. Já tínhamos sistemas em tempo real gerando insights ação, vinculados a personas e fluxos de trabalho específicos. A pergunta de design se tornou: dado um conjunto de ferramentas diferente e uma pilha de tecnologia diferente, como você reprojeta esses mesmos fluxos de trabalho em um mundo de IA agente, em vez de tentar inventar tudo isso do zero?
Quando você combina esse conhecimento profundo de persona com a IA agente, você pode construir fluxos de trabalho dinâmicos sobre dados dinâmicos. Os agentes podem descobrir em tempo real quais etapas e quais personas precisam estar envolvidas com base no que está acontecendo, em vez de forçá-lo a codificar centenas de fluxos rígidos em micro-serviços. Para a maioria das empresas, o problema difícil agora é tentar tomar decisões em tempo real com base no contexto e, em seguida, projetar o fluxo de trabalho certo em torno disso. Para nós, essa parte já estava no lugar; estávamos fazendo insights ação, persona e em tempo real há anos. A IA agente é apenas um conjunto de ferramentas novo sobre essa base.
Sua visão de plataforma inclui interoperabilidade entre agentes (A2A) e sistemas de IA federados. Como essa abordagem muda a forma como as ferramentas empresariais colaboram em comparação com as integrações pontuais tradicionais?
Se você olhar para os últimos 20 anos, o padrão padrão foi “comprar uma série de ferramentas de SaaS e conectá-las em torno de um lago de dados”. Cada novo sistema significava outra integração pontual, outra pipeline de dados e outro lugar para reconciliar a verdade. Em um mundo agente, isso não escala. Você quer que os dados fiquem onde pertencem e que os agentes falem uns com os outros sobre interfaces bem definidas.
É por isso que falamos em tocar o sistema em duas camadas: MCP na camada de conhecimento e A2A nas camadas de orquestração e confiança. MCP é como os agentes descobrem e usam ferramentas e dados sem uma integração personalizada toda vez. A2A é como os agentes coordenam o trabalho uns com os outros sob guardrails claros.
Uma vez que você tenha isso, a colaboração deixa de parecer um monte de conectores quebradiços e começa a parecer uma rede de especialistas que podem se unir dinamicamente em torno do trabalho real. Aqui é onde a analogia da matriz de Eisenhower entra. Não tudo é igualmente urgente e igualmente importante. Algum trabalho é realmente crítico, algum é importante, mas pode ser agendado, algum precisa ser feito e algum é ruído. Com a coordenação de agente para agente sentada sobre uma camada de confiança e orquestração, você pode tratar essas categorias de forma diferente em escala: os agentes podem se reunir em torno de problemas urgentes e importantes, enfileirar ou agendar os importantes, mas não urgentes, e manter o trabalho de baixo valor longe de tudo.
Isso é um mundo muito diferente de “vamos adicionar mais um conector e esperar que a fila se esvazie”. Você está efetivamente vendo fluxos de trabalho dinâmicos e orquestrados em torno de eventos e dados dinâmicos, em vez de uma confusão de integrações de um para um, onde tudo grita com a mesma prioridade.
Uma vez que os agentes de IA são autorizados a agir autonomamente, a governança se torna rapidamente um desafio. Como você equilibra velocidade, responsabilidade e supervisão humana quando os sistemas de IA estão tomando ou executando decisões em escala?
O erro que vejo é que as pessoas pensam que podem acrescentar a IA agente ao que têm e, de alguma forma, tentar “equilibrar” velocidade, responsabilidade e supervisão humana após o fato. Você não pode. Você precisa começar reconhecendo que isso é um problema de pilha de tecnologia vertical e, intencionalmente, construindo uma camada de confiança e uma camada de orquestração. Sem essas duas camadas, isso se torna um livre-for-all – tudo é primeiro que chega, primeiro que é servido, ou quem grita mais alto.
Novamente, é a matriz de Eisenhower: não todo trabalho é criado igual. Confiança e orquestração são como você opera isso em um mundo agente. Você não quer que todos os agentes tratem todas as tarefas como um alarme de incêndio; você quer que o sistema saiba o que é realmente crítico, o que pode ser agendado e o que deve ser tratado silenciosamente em segundo plano.
E, então, há a parte “estreito sobre gordo”. A maioria das empresas confunde um impacto maior da IA com permanecer ampla. Você é muito melhor se concentrar em uma fatia vertical estreita – um caso de uso concreto, um conjunto de fluxos de trabalho – e construir a confiança e a orquestração que você precisa lá primeiro. Fique mais magro na vertical, obtenha isso certo, mantenha os humanos no loop nas bordas e, em seguida, expanda. É assim que você se move rapidamente, permanece responsável e evita criar uma bagunça que você não pode desenrolar mais tarde.
À medida que a IA empresarial evolui para ambientes multiagente e multi-nuvem, como a arquitetura de IA boa parece cinco anos a partir de agora e quais princípios os líderes devem se comprometer hoje para evitar reconstruir seus sistemas mais tarde?
Cinco anos a partir de agora, a parte interessante da IA não será os agentes ou modelos individuais; será os fluxos de trabalho agente que eles habilitam e o valor comercial que esses fluxos de trabalho entregam. Os agentes em si virão e irão. As camadas abaixo deles – dados, conhecimento, orquestração, confiança e ação – continuarão a evoluir, mas a necessidade delas não está indo embora.
É por isso que estou mais focado na arquitetura do que em qualquer ferramenta específica. Estamos mudando de armazéns de dados para armazéns de conhecimento federados, de integrações pontuais quebradiços para pilhas em camadas abertas. Nesse mundo, você terá agentes executando em diferentes nuvens, tocando diferentes fontes de conhecimento e coordenando sobre interfaces bem definidas – MCP na camada de conhecimento e protocolos de agente para agente nas camadas de orquestração e confiança. À medida que a tecnologia melhora, você quer ser capaz de trocar peças melhores nessas camadas sem reconstruir tudo inteiro a cada vez.
Portanto, os princípios para os líderes são simples. Não construa monoliticamente. Projete para camadas para que os dados, conhecimento, orquestração, confiança e ação possam evoluir independentemente. Projete para fluxos, não recursos, para que você esteja claro sobre quais fluxos de trabalho importam e o que “bom” parece em ciclos de vida do cliente, funcionário e produto. E projete para governança no nível do agente: assuma confiança zero por padrão, defina “cartões de agente” claros e use orquestração para decidir o que é urgente, o que é importante e o que apenas precisa ser feito. Se você fizer isso, você pode deixar a tecnologia mudar – como sempre faz – sem se preocupar constantemente em reconstruir.
Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Calix.
