Илан Саде, президент дивизиона GenAI и Data в Amdocs – Интервью

Илан Саде, президент дивизиона GenAI и Data в Amdocs, имеет более двух десятилетий лидерского опыта в одной и той же организации, начиная с ранних технических позиций в качестве программиста и менеджера проекта и заканчивая руководством крупномасштабной глобальной доставки, стратегии продукта и инноваций. На протяжении своей карьеры он возглавлял критически важные дивизионы, охватывающие управление доходами, цифровые и бизнес-системы поддержки, а также инициативы открытой сети, кульминацией которых стало его руководство дивизионом T-Mobile до перехода на свою текущую позицию, ориентированную на генеративный ИИ и данные. Его карьера отражает глубокую экспертизу в области телекоммуникаций, особенно в сложных системах выставления счетов, платформах опыта клиентов и крупных трансформациях предприятий, что ставит его на передний край сдвига Amdocs в сторону операций, управляемых ИИ, и платформ данных следующего поколения.

Amdocs – это многонациональная компания по разработке программного обеспечения и предоставлению услуг, специализирующаяся на решениях для коммуникационных, медиа- и цифровых сервис-провайдеров, giúpая им управлять всем, от выставления счетов и отношений с клиентами до сетевых операций и цифровой трансформации. Основанная в 1982 году и действующая в более чем 90 странах, компания эволюционировала в ключевого поставщика инфраструктуры для телеком-операторов, предлагая облачные платформы, аналитику, управляемую ИИ, и инструменты автоматизации, которые позволяют более эффективно доставлять услуги и обеспечивать персонализированный опыт клиентов. Растущий фокус на генеративном ИИ и платформах данных отражает более широкий сдвиг отрасли в сторону интеллектуальных, программно-определяемых сетей и полностью цифровых экосистем клиентов.

Вы провели более двух десятилетий в Amdocs, пройдя путь от разработчика до руководителя дивизиона GenAI и Data, и ранее руководили одним из наиболее стратегических партнерств компании с T-Mobile. Как это путешествие сформировало ваше представление о том, что на самом деле необходимо для перемещения ИИ из экспериментальной фазы в производство в масштабе телекома?

За годы я понял, что перемещение ИИ в производство в масштабе телекома не является в первую очередь проблемой модели. Это проблема операций. Вам необходимы правильные основы данных, сильная интеграция в существующие системы, четкая подотчетность и команды, которые знают, как работать с ИИ как частью повседневных бизнес-процессов. Если любой из этих элементов отсутствует, пилотные проекты могут выглядеть впечатляюще, но они не масштабируются.

Мой путь в Amdocs дал мне возможность познакомиться со всеми сторонами уравнения, от инженерии до доставки клиентам и крупным партнерствам с операторами. Этот опыт сформировал мое мнение, что успех приходит от сочетания технического совершенства с дисциплиной выполнения. В телекоме ИИ должен работать в сложных средах, поддерживать реальные уровни обслуживания и обеспечивать измеримые результаты. Для этого требуется производственный подход с первого дня.

На Mobile World Congress (MWC) был rõкий сигнал, что телеком-компании сильно инвестируют в пилотные проекты ИИ, но испытывают трудности с их операционализацией. С вашей точки зрения, какие являются наиболее значительными препятствиями, которые не позволяют операторам выйти за рамки экспериментирования сегодня?

Одним из наиболее значительных препятствий является фрагментация. Большинство операторов имеют ценную информацию и сильные кейсы, но их среды разделены на широкий спектр систем, команд и поставщиков, что делает трудным подключение выводов ИИ к реальным рабочим процессам. Это особенно верно, когда эти рабочие процессы охватывают сеть, обслуживание клиентов и бизнес-операции. В результате ИИ часто остается точечным решением, вместо того, чтобы стать частью операционной модели.

Кроме того, еще одним препятствием, которое я наблюдал, является доверие – операторы в конечном итоге нуждаются в надежности, управлении и четких контролях, прежде чем они смогут интегрировать ИИ в критические процессы. Например, если они не могут объяснить, почему агент ИИ принял решение, или обеспечить политику вокруг этого, эта технология будет оставаться в пилотной фазе. Продвижение вперед требует рамки, которая сочетает автоматизацию с наблюдаемостью, аудитностью и человеческим надзором.

Amdocs позиционирует aOS как “агентную операционную систему”. Как вы определяете агентный ИИ в контексте телекома, и как он фундаментально отличается от предыдущих подходов к автоматизации, управляемой ИИ?

В контексте телекома агентный ИИ конкретно относится к технологии, которая может понимать цели, планировать задачи, выполнять действия в нескольких системах и адаптироваться на основе результатов. Вместо того, чтобы просто генерировать контент или предсказывать результаты, агенты могут выполнять рабочие процессы от начала до конца. Они способны рассуждать над контекстом, сотрудничать с другими агентами и работать в рамках границ управления, чтобы выполнить реальные операционные задачи.

Это фундаментально отличается от предыдущей автоматизации, которая была в основном основана на правилах и статична. Традиционная автоматизация хорошо работала для повторяющихся задач в стабильных средах, но она испытывала трудности с сложностью и исключениями. Агентный ИИ может справиться с динамическими ситуациями, учиться на обратной связи и координироваться в разных областях.

Вы описали будущее телеком-операций, родных для ИИ. Что это выглядит в практике, и насколько мы далеки от полностью автономных сетей?

Телеком-операции, родные для ИИ, выглядят как ИИ, встроенный в ядро того, как работает бизнес – не просто добавленный сверху. В практике это выглядит как рабочие процессы обеспечения обслуживания, которые обнаруживают и решают проблемы до того, как клиенты заметят, пути обслуживания клиентов, которые персонализированы и проактивны, и сетевые операции, которые непрерывно оптимизируют производительность на основе реальных условий. Ключевым моментом является то, что ИИ интегрирован в принятие решений и выполнение, а не только в аналитику.

Мы еще не достигли полностью автономных сетей, и мы должны быть реалистами в отношении этого. В течение следующих нескольких лет мы будем говорить о прогрессивной автономии, когда операторы автоматизируют более сложные рабочие процессы, сохраняя при этом людей в контроле над важными решениями. Полная автономия потребует более сильных стандартов, более широкой интероперабельности и продолжающихся улучшений в надежности и управлении.

Телеком-системы исторически были фрагментированы на уровни OSS и BSS, что затрудняло конечную автоматизацию. Как агентная архитектура помогает объединить эти области и обеспечить межфункциональные рабочие процессы?

Агентная архитектура помогает, вводя координационный слой, который может работать на OSS и BSS без принуждения к полной замене системы. Агенты могут подключаться к существующим платформам через API, понимать контекст бизнес-цели и затем оркестрировать правильную последовательность действий в сетевых, сервисных и клиентских системах. Это позволяет операторам автоматизировать рабочие процессы, которые ранее разрывались на границах доменов.

Например, если существует проблема сети, влияющая на высокоценного корпоративного клиента, агентная система может коррелировать неисправность, оценить влияние, запустить шаги по восстановлению и обновить поток коммуникации с клиентом параллельно. Такой межфункциональный выполнение трудно достижимо с помощью традиционной автоматизации, поскольку каждая область работает в изоляции. Агентные рабочие процессы помогают закрыть этот разрыв.

Одним из интересных аспектов агентных систем является сотрудничество между агентами ИИ и человеческими операторами. Где вы видите баланс между автоматизацией и человеческим надзором в телеком-средах?

Баланс между агентами ИИ и человеческими операторами всегда будет зависеть от конкретного кейса, но в основном будет человеческим и ИИ-ускоренным в ближайшем будущем. Агенты ИИ отлично подходят для скорости, масштаба и распознавания закономерностей, в то время как человеческие операторы привносят суждение, подотчетность и контекст. Цель не состоит в том, чтобы удалить людей из цикла. Это позволить людям сосредоточиться на решениях, которые требуют экспертизы, в то время как ИИ обрабатывает тяжелую операционную нагрузку.

В практике это означает установление четких порогов для автономных действий и путей эскалации для исключений. Низкорисковые, повторяющиеся задачи могут быть автоматизированы с минимальным надзором, в то время как высокоэффективные решения всегда должны включать человеческое одобрение. Этот подход строит доверие и помогает операторам масштабировать ИИ безопасно в критически важных средах.

Есть много шума вокруг генеративного ИИ, но телеком-операторы в конечном итоге фокусируются на ROI. Какие являются наиболее важными метриками, которые CSP должны отслеживать, чтобы определить, действительно ли развертывания ИИ приносят ценность?

Операторы должны отслеживать метрики, которые напрямую связаны с бизнес-результатами, а не только с технической производительностью. На стороне клиента это включает в себя решение проблемы при первом контакте, среднее время обработки, снижение оттока и удовлетворенность клиентов. На стороне сети это включает в себя среднее время обнаружения и среднее время решения инцидентов, доступность услуг и операционные эффективности.

Также важно измерять принятие и надежность. Если агенты развернуты, но команды не доверяют им, ценность не материализуется. CSP должны отслеживать, как часто принимаются рекомендации ИИ, как часто рабочие процессы завершаются успешно и как часто требуется человеческое вмешательство. ROI исходит от устойчивого операционного воздействия, а не изолированных результатов пилотных проектов.

aOS подчеркивает многопоточные рабочие процессы, которые могут выполнять сложные, конечные процессы в телеком-средах. Как вы обеспечиваете координацию, надежность и управление, когда несколько агентов ИИ работают одновременно в критически важных системах?

Координация начинается с четкой модели оркестровки. В многопоточной среде каждый агент должен иметь определенные границы доступа, критерии успеха. Центральный оркестровочный слой управляет последовательностью задач, разрешением конфликтов и отслеживанием состояния, чтобы агенты не работали вразнобой. Это сохраняет рабочие процессы предсказуемыми, даже когда они охватывают множество систем.

Надежность и управление требуют сильных контролей по конструкции. Это включает в себя принудительное соблюдение политики, аудиторские следы, объяснимость и реальное время мониторинга поведения агентов. Это также означает наличие механизмов отката, чтобы рабочие процессы могли безопасно приостановиться, эскалировать или откатиться, если что-то неожиданное происходит. В критически важных телеком-системах управление является не просто дополнением – это основное требование.

В недавнем aOS-объявлении Amdocs позиционирует генеративный ИИ как эволюционирующий от “сайдкар”-возможности до ядра операционного слоя, встроенного в процессы клиентов, сетей и бизнеса. Что изменилось за последние 12-24 месяца, что делает этот сдвиг возможным сегодня?

Несколько вещей созрели одновременно. Основные модели значительно улучшились в качестве рассуждений и использовании инструментов, что сделало их более способными в рабочих процессах предприятия. В то же время экосистема вокруг них улучшилась, включая оркестровочные рамки, инструменты наблюдаемости и механизмы управления. Это сделало практическим переход от изолированных кейсов к координированным операционным рабочим процессам.

Другим значительным изменением является организационная готовность. Операторы теперь имеют более четкие приоритеты вокруг ИИ и более сильное давление, чтобы доставить измеримые результаты. Они больше не экспериментируют просто ради обучения. Они ищут платформы, которые могут масштабировать ИИ по функциям с безопасностью и контролем. Этот сдвиг в зрелости как на технологической, так и на бизнес-стороне является тем, что делает этот момент другим.

Если aOS представляет собой поворотный момент к телеком-операциям, родным для ИИ, что выглядит следующий этап? Мы движемся к полностью автономным телеком-сетям, и какие проблемы еще необходимо решить, прежде чем это станет реальностью?

Следующий этап – это масштабирование от изолированной автоматизации к координированной автономии по всему предприятию. Мы, вероятно, увидим больше многопоточных рабочих процессов, которые соединяют обслуживание клиентов, операции по обслуживанию и сетевые команды в реальном времени. Операторы могут перейти от реактивных операций к прогностическим и проактивным моделям, где ИИ может выявить риски на ранней стадии и выполнить восстановление до того, как проблемы эскалируют.

Полностью автономные сети – это долгосрочная перспектива, но все еще есть важные проблемы, которые необходимо решить. Нам нужна более сильная интероперабельность в экосистемах поставщиков, более прочные стандарты управления и продолжающийся прогресс в надежности и объяснимости. Самое главное, отрасли необходимо доверие, что автономные системы могут работать безопасно в реальных условиях. Путь вперед будет инкрементным, с четкими контролями на каждом шаге.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Amdocs.