Шейн Элениак, главный директор по продуктам в Calix – Интервью

Шейн Элениак занимает должность главного директора по продуктам в Calix, где он руководит стратегическим видением и выполнением отраслевых платформ и решений SaaS компании. Сосредоточив внимание на том, чтобы облегчить коммуникационным провайдерам упрощение их бизнеса и доставку исключительных впечатлений для абонентов, Шейн руководит всем циклом жизни продукта – от концептуализации до ведущей реализации на рынке.

Под его руководством Calix укрепил свою позицию как пионер в отрасли широкополосных сетей, последовательно поставляя инновационные инструменты, которые позволяют провайдерам конкурировать и побеждать.

Calix – это американская технологическая компания, которая предоставляет облачные, программные и управляемые сервисные платформы, предназначенные для провайдеров широкополосных и коммуникационных услуг. Ее основная oferta центрируется вокруг платформы широкополосных сетей, оснащенной ИИ, которая интегрирует облачную инфраструктуру, данные и сетевые системы, чтобы помочь провайдерам упростить операции, улучшить взаимодействие с клиентами и доставлять более персонализированные цифровые впечатления. Позволяя этим провайдерам перейти от базовых услуг подключения к полноценным “провайдерам впечатлений”, Calix помогает им расти в доходах, увеличивать лояльность абонентов и поддерживать цифровую трансформацию сообществ посредством более продвинутых и масштабируемых широкополосных услуг.

Ваша карьера охватывает более трех десятилетий в области инженерии, сетей, облачных платформ и крупномасштабного руководства продуктами. Как эти опыт сформировали ваше представление о том, что на самом деле необходимо, чтобы ИИ выполнял реальную работу внутри бизнеса, а не оставался боковым экспериментом?

Я начал с традиционной телекоммуникации и сетей, где вся игра заключалась в пути данных и надежности в масштабе. Если вы не можете доставить чистую, надежную службу, ничего, что вы строите на ее основе, не имеет значения. Тогда телефон был на кухонной стене, внутренняя проводка никогда не менялась, и пока был звонок, все было в порядке.

Широкополосные сети и Интернет все это изменили. Внезапно это не было просто “включено?” Это было Ethernet, а затем Wi-Fi, дети на игровых консолях и планшетах, вы на звонке Zoom, сотрудничающем над облачной таблицей, и постоянная мобильность – устройства внутри дома, на заднем дворе, на футбольном матче, в кофейне. Впечатление абонента стало намного более сложным, чем бинарное состояние “включено/выключено”, и мир для провайдеров стал очень динамичным. В этом мире ретроспективный взгляд на данные – классические хранилища данных и исторические отчеты через месяц – просто не работает. Вам нужно собирать данные, понимать впечатление и генерировать идеи в реальном времени, потому что абоненты теперь ожидают, что проблемы будут решены проактивно, а не через часы или дни.

Эта эволюция сформировала мое представление об ИИ. Большинство людей хотят поставить ИИ “сверху”, так же, как они ставят бизнес-интеллект или SaaS на существующие хранилища данных. Мой опыт говорит, что вам нужно думать намного глубже, чем это, и проектировать для реального времени, действенного прозрения и способности к своевременному действию.

Для абонентов, однако, ожидания не изменились много за последние 25 лет. Они все еще просто хотят безопасное, управляемое подключение, которое кажется таким же простым, как звонок – они хотят, чтобы все “просто работало” без размышлений о всех слоях и сложности, и они хотят это везде в своей жизни. Моя карьера в телекоме и облаке сделала меня очень комфортным с этой парадоксом: вы строите чрезвычайно сложные системы, чтобы абстрагировать все это и доставить простой, отличный опыт на краю. Это именно то, как я думаю об ИИ, выполняющем реальную работу внутри любого бизнеса, широкополосных сетей или нет.

В Calix вы часто подчеркиваете, что операционный ИИ строится, а не покупается. Какие наиболее распространенные ошибки делают организации, когда они пытаются добавить ИИ без переосмысления того, как работа проходит через бизнес?

Для меня это меньше о “построенном или купленном” и больше о том, вы ли шагнули назад и посмотрели на весь технологический стек. Многие компании решили, что ИИ просто использует некоторые API, чтобы получить доступ к LLM, подключает его к стеку с помощью обертки и покупает токены – тогда у вас есть стратегия ИИ. Это не так.

Слишком много из нас увлекается технологией вместо результата. Мы видели этот фильм раньше. Когда появились персональные компьютеры, все хотели спорить о том, есть ли у них 286 или 386, сколько памяти у них есть и какая у них DOS. Сегодня никто не может сказать вам характеристики своего ноутбука или телефона, и никто не заботится, пока он не перестанет делать то, что им нужно. Что имеет значение, так это: делает ли это меня более эффективным в моей работе? Это то же самое с ИИ. Если вы не можете связать его с реальными рабочими процессами, реальной ценностью и реальным ROI, технические характеристики – это просто шум.

Другая большая ошибка – попытка прикрепить ИИ к тому, что у вас уже есть, не задаваясь вопросом, что это делает с вашей архитектурой, моделью безопасности и затратами. ИИ – это фундаментальная технология, а не инкрементальное обновление функции. Когда вы относитесь к нему как к инкрементальному, вы получаете плохие данные, проблемы безопасности, галлюцинации, непомерные затраты или много активности, которая не решает проблему для кого-либо.

Наконец, вы не можете игнорировать контекст и важность вертикальной экспертизы. Действие – это все о контексте, и этот контекст различается в телекоме, финтехе и здравоохранении. В Calix мы начали с глубокого опыта в одной отрасли и построили вертикальную платформу вокруг нее. Мы уже понимали данные, идеи, рабочие процессы и контекст, поэтому стек мог отражать эту реальность. Большинство компаний знают свою вертикальную отрасль внутри и снаружи. Возможность заключается в том, чтобы закодировать эти знания в вертикальный технологический стек, а не полагаться на тонкий горизонтальный слой и общую модель ИИ, а затем попытаться сшить все вместе. Бизнес – это о результатах, а не о моделях. Реальный вопрос – как эта технология помогает вам доставить эти результаты так, как ваша работа проходит.

Вы очертили пятиуровневую архитектуру для операционного ИИ, которая включает данные, знания, оркестрацию, доверие и действие. Почему важно явно разделять эти уровни, и какой из них предприятия чаще всего недооценивают или пропускают полностью?

В течение долгого времени стек был довольно простым: данные, идеи, панели, рабочие процессы, люди. Вы строили хранилища данных, ставили бизнес-интеллект на верх, создавали движки рабочих процессов и передавали тяжелую работу людям. В агентном мире это не работает. Вам нужно данные, знания, оркестрацию, доверие и действие, потому что каждый уровень выполняет отдельную функцию.

Видимая часть, о которой все хотят говорить, – это уровень действия – агенты. Это верхушка айсберга. То, что определяет, можете ли вы когда-либо позволить агентам трогать реальные системы, – это все “скучные” вещи под водой: трубопроводы данных и чистые данные, слой знаний, который дает вам контекст, оркестрация, которая координирует динамические рабочие процессы, и модель доверия, которая решает, что должно быть разрешено в первую очередь. Когда “Титаник” затонул, это не была маленькая часть, которую можно было увидеть, что потопила его; это была огромная масса льда под водой. Операционный ИИ – то же самое. Слив под поверхностью – это то, что делает или ломает вас.

Исторически мы никогда не рассматривали оркестрацию и доверие как отдельные уровни, потому что люди делали большую часть этой работы. Оркестрация означала менеджеров и очереди тикетов; доверие означало имена пользователей и пароли. Теперь вам нужно доверять сущностям – агентам – делать вещи, и вам нужно координировать несколько агентов в реальном времени вокруг динамических данных. Это совершенно другая проблема проектирования, поэтому эти уровни нужно явно указывать.

Уровень, который большинство людей недооценивают, – это доверие. Многие организации думают, что они справляются с доверием, потому что у них есть контроли доступа – кто может войти в какую систему. Но реальное доверие в агентном мире – это не “имеет ли этот пользователь доступ?” Это “является ли это конкретное действие подходящим для этого человека или этого агента в этот момент времени?” Это вопрос управления, а не вопрос контроля доступа. Если вы не делаете этот уровень явным, вы застреваете в демонстрационной земле, потому что вы никогда не будете комфортно позволять агентам делать реальную работу в производстве.

Итак, доверие, очевидно, является фундаментальной частью вашей стратегии ИИ. Как вы проектируете системы так, чтобы автоматические решения оставались наблюдаемыми, аудиторными и обратимыми, а также двигались достаточно быстро, чтобы доставить бизнес-ценность?

Вам нужно начать с нулевой модели доверия. Первый вопрос – не “может ли этот агент технически сделать это?” Первый вопрос – “должен ли этот агент, от имени этого человека, пытаться сделать это вообще?” Если ответ – нет, то не продолжайте.

Если ответ – да, вы переходите к ограждениям: аудиторности, прослеживаемости и необходимости человека в цикле. Наша модель полагается на слой доверия, который действует немного как регулировщик движения на начале каждого взаимодействия: кто вы, что вы делаете и почему вы это делаете? Это устраняет многие проблемы безопасности, потому что вы не позволяете агентам бежать и делать вещи, а затем надеяться, что вы заметите это после факта.

Альтернатива – это позволить агентам бежать, а затем поднять тревогу, если они сделают что-то плохое. Вы предполагаете, что можете увидеть это, понять, определить и остановить в реальном времени, на темпе и масштабе, на которых эти системы работают. Это очень трудная проблема, и это почему так много людей борются – они пытаются искать плохих актеров в реальном времени вместо того, чтобы предотвратить плохие действия заранее.

В дополнение к этому мы добавили слоистые шлюзы. Даже если агент действует от имени правильного человека, мы все равно смотрим на сессию и содержание – пытаются ли они отравить модель, злоупотреблять API или толкать что-то вне политики? Все это завернуто в полную наблюдаемость, чтобы вы могли аудировать, что произошло, и откатить, если вам нужно. Это то, как вы двигаетесь быстро и все еще спите спокойно.

Многие компании успешно генерируют идеи ИИ, но борются с переводом их в действие. Какие проектные решения позволили Calix толкнуть ИИ напрямую в повседневные рабочие процессы по маркетингу, операциям и поддержке клиентов?

Долгое время до того, как ИИ стал звездой шоу, в Calix мы были уже увлечены одним вопросом: что делает идею действительно действенной для реального человека в реальной работе? С 2018 года мы работаем с провайдерами, чтобы понять, как разные персонажи работают – что делает маркетолог во вторник утром, что делает операционная команда, когда срабатывает сигнал тревоги, что делают команды поддержки, когда абонент звонит, разочарованный. Это заставило нас стать очень точными в отношении того, какие идеи имеют значение для кого, в каком контексте и что “хорошее действие” выглядит.

Итак, когда агентный ИИ появился, мы не начинали с нуля. У нас уже были реальные системы, генерирующие действенные идеи, связанные с конкретными персонажами и рабочими процессами. Проектный вопрос стал: учитывая другой набор инструментов и другой технологический стек, как бы вы перестроили эти же рабочие процессы в агентном мире ИИ, вместо того, чтобы пытаться изобрести все это с нуля?

Когда вы сочетаете это глубокое знание персонажей с агентным ИИ, вы можете строить динамические рабочие процессы над динамическими данными. Агенты могут выяснить в реальном времени, какие шаги и какие персонажи нужно вовлечь, исходя из того, что происходит, вместо того, чтобы заставлять вас жестко кодировать сотни жестких потоков в микросервисах. Для большинства компаний трудная проблема сейчас заключается в том, чтобы принимать реальные решения на основе контекста, а затем проектировать правильный рабочий процесс вокруг этого. Для нас эта часть уже была на месте; мы делали реальное время, персонаж-ориентированные, действенные идеи в течение лет. Агентный ИИ – это просто новый набор инструментов на основе этого фундамента.

Ваша платформенная видение включает агент-агент (A2A) интероперабельность и федеративные системы ИИ. Как этот подход меняет способ, которым инструменты предприятия сотрудничают по сравнению с традиционными точечными интеграциями?

Если вы посмотрите на последние 20 лет, дефолтный шаблон был “купить кучу инструментов SaaS и подключить их вместе вокруг хранилища данных”. Каждая новая система означала еще одну точечную интеграцию, еще один трубопровод данных и еще одно место для согласования истины. В агентном мире это не масштабируется. Вы хотите, чтобы данные оставались там, где они принадлежат, и чтобы агенты разговаривали друг с другом через хорошо определенные интерфейсы.

Это почему мы говорим о прикосновении к системе на двух уровнях: MCP на уровне знаний и A2A на уровнях оркестрации и доверия. MCP – это как агенты обнаруживают и используют инструменты и данные без новой индивидуальной интеграции каждый раз. A2A – это как агенты координируют работу друг с другом под четкими ограждениями.

Как только у вас это есть, сотрудничество перестает выглядеть как куча хрупких соединителей и начинает выглядеть как сеть специалистов, которые могут динамически объединяться вокруг реальной работы. Вот где аналогия матрицы Эйзенхауэра приходит в игру. Не все работы одинаково срочны и одинаково важны. Некоторая работа действительно срочна и важна, некоторая важна, но может быть запланирована, некоторая просто нужно сделать, а некоторая – шум. С координацией агента к агенту, сидящей на уровне доверия и оркестрации, вы можете относиться к этим категориям по-разному в масштабе: агенты могут атаковать срочные и важные проблемы, ставить в очередь или планировать важные, но не срочные, и держать низкоценевую рутину от того, чтобы загромождать все остальное.

Это очень другой мир, чем “добавление еще одного соединителя и надеяться, что очередь слить”. Вы эффективно видите доверенные, тщательно оркестрованные динамические рабочие процессы вокруг динамических событий и данных, вместо клубка индивидуальных интеграций, где все кричит с одинаковой приоритетностью.

Как только агенты ИИ разрешены действовать автономно, управление быстро становится проблемой. Как вы балансируете скорость, подотчетность и человеческий надзор, когда системы ИИ принимают или выполняют решения в масштабе?

Ошибку, которую я вижу, заключается в том, что люди думают, что они могут прикрепить агентный ИИ к тому, что у них есть, и как-то попытаться “балансировать” скорость, подотчетность и человеческий надзор после факта. Вы не можете. Вам нужно начать с признания того, что это проблема вертикального технологического стека, и намеренно строить слой доверия и слой оркестрации. Без этих двух слоев это становится беспорядком – все первым, кто кричит громче, или кто кричит первым.

Снова – это матрица Эйзенхауэра: не все работы созданы равными. Доверие и оркестрация – это как вы операционализируете это в агентном мире. Вы не хотите, чтобы каждый агент относился к каждой задаче как к пожарной тревоге; вы хотите, чтобы система знала, что действительно срочное, что можно запланировать и что должно быть тихо обработано на фоне.

И затем есть “узкий над жирным” часть. Большинство компаний ошибочно полагают, что большее влияние от ИИ связано с тем, что они остаются широкими. Вы гораздо лучше, если выберете узкий вертикальный срез – одну конкретную отрасль, один набор рабочих процессов – и построите доверие и оркестрацию, которые вам нужны там сначала. Станьте тоньше в вертикале, сделайте это правильно, держите людей в цикле на краях и затем расширьтесь. Это как вы двигаетесь быстро, остаетесь подотчетными и избегаете создания беспорядка, который вы не можете размотать позже.

Из вашего опыта руководства крупными глобальными командами продукта и инженерии, какие организационные или культурные сдвиги необходимы для того, чтобы ИИ стал прочной возможностью предприятия, а не коллекцией несвязанных пилотов?

Большинство предприятий не имеют “проблемы ИИ”; у них есть проблема знаний и рабочих процессов. Первый сдвиг – перестать играть с точечными решениями и перейти от хранилищ данных к федеративному хранилищу знаний, которое все могут видеть и действовать. Пока знания живут в силосах и ИИ – это вишенка на верху каждого силоса, вы получите пилоты, а не трансформацию.

Оттуда вам нужно быть готовым решать более сложные проблемы в определенном порядке. Шаг один – отделить шум от реальности и принять то, что работает, а не то, что громче в вашем ленте. Шаг два – перестроить слой знаний, чтобы вы могли превратить данные в общий, федеративный контекст, а не еще один отчет, похороненный в системе. Шаг три – переосмыслить рабочие процессы вокруг этого знания и реального слоя доверия – большинство работы сегодня организована вокруг людей, навыков и местных знаний. Если вы не измените это, агенты будут просто еще одним инструментом, орбитирующим вокруг тех же старых узких мест.

Только тогда вы получаете культурный сдвиг, который часто является самым трудным. Вам нужна культура, в которой люди не в первую очередь беспокоятся о том, что они потеряют свои работы, инструменты или идентичность, но действительно рады работать с новыми возможностями. Это проблема управления изменениями, а не технологической проблемы. Это выглядит много как реальное распределенное лидерство: люди на переднем крае понимают рабочие процессы, чувствуют себя в безопасности, называя трение, и рады поставить агентов на работу над этим.

Выглянув за пределы широкополосных сетей и телекома, какие отрасли, по вашему мнению, лучше всего подготовлены к принятию операционного, агентного ИИ, и какие условия делают их готовыми?

Я не думаю об этом как о выборе победителей по отраслевым ярлыкам; я думаю в терминах шаблонов. Почти каждая вертикаль имеет одну и ту же основную проблему: они построили хранилища данных и функциональные силосы вместо одного вида на три жизненных цикла – клиента, сотрудника и продукта. Те, кто готов, – это те, кто готов увидеть это, признать, что у них нет реального слоя знаний, и исправить это.

Оттуда условия выглядят довольно похожими, независимо от того, находитесь ли вы в здравоохранении, финтехе, розничной торговле или критической инфраструктуре. Вам нужно сложные рабочие процессы, где люди растянуты, реальные точки трения, которые можно назвать, и достаточно высококачественных данных, чтобы дать агентам контекст. Если вы можете отобразить текущие рабочие процессы, увидеть, где работа замедляется или накапливается, понять, какие передачи создают задержки, и затем подтвердить это федеративным хранилищем знаний, агентный ИИ становится невероятным набором инструментов.

В этом мире “отраслевая готовность” сводится к лидерству. Готовы ли лидеры компании перейти за пределы маркетинговых инструментов и тонких горизонтальных панелей, и вместо этого инвестировать в вертикальный технологический стек – превращая данные в знания, федерализируя эти знания, устанавливая оркестрацию и доверие, и ведя честные разговоры о том, где реальный ROI? Любая компания в любой отрасли, которая делает эту работу, хорошо подготовлена для операционного, агентного ИИ; те, кто не делает этого, застрянут, добавляя еще один инструмент в уже шумной куче.

Когда предприятие ИИ эволюционирует к многоагентным и многооблачным средам, что выглядит хорошая архитектура ИИ через пять лет, и какие принципы лидеры должны привержаться сегодня, чтобы избежать перестройки своих систем позже?

Через пять лет интересная часть ИИ не будет отдельными агентами или моделями; это будут агентные рабочие процессы, которые они позволяют, и бизнес-ценность, которую эти рабочие процессы доставляют. Агенты сами будут приходить и уходить. Уровни под ними – данные, знания, оркестрация, доверие и действие – будут продолжать эволюционировать, но необходимость в них не исчезнет.

Это почему я более сосредоточен на архитектуре, чем на каком-либо конкретном инструменте. Мы переходим от хранилищ данных к федеративным хранилищам знаний, от хрупких точечных интеграций к открытым, слоистым стекам. В этом мире вы будете иметь агентов, работающих в разных облаках, трогающих разные источники знаний и координирующих над хорошо определенные интерфейсы – MCP на уровне знаний и протоколы агента к агенту на уровнях оркестрации и доверия. Когда технология улучшается, вы хотите иметь возможность заменить лучшие части в эти уровни без перестройки всего каждый раз.

Итак, принципы для лидеров просты. Не стройте монолитно. Проектируйте для слоев, чтобы данные, знания, оркестрация, доверие и действие могли эволюционировать независимо. Проектируйте для потоков, а не функций, чтобы вы были ясны, какие рабочие процессы имеют значение и что “хорошо” выглядит в клиентских, сотруднических и продукционных жизненных циклах. И проектируйте для управления на уровне агента: предполагайте нулевое доверие по умолчанию, определяйте четкие “карты агентов” и используйте оркестрацию, чтобы решить, что срочное, что важно и что просто нужно сделать. Если вы это сделаете, вы сможете позволить технологии меняться – как это всегда делается – без постоянной заботы о перестройке.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Calix.