Ilan Sade, Division President, GenAI & Data på Amdocs – Intervjuserie

Ilan Sade, Division President, GenAI & Data på Amdocs har mer än två decenniers ledningserfarenhet inom samma organisation, från tidiga tekniska roller som programmerare och projektledare till att ha ansvar för storskalig global leverans, produktstrategi och innovation. Under hans tid har han lett kritiska avdelningar som omfattar intäktsstyrning, digitala och affärssystem, samt öppna nätverksinitiativ, som kulminerade i hans ledarskap för T-Mobile-avdelningen innan han gick vidare till sin nuvarande roll med fokus på generativ AI och data. Hans karriär speglar djup domänkompetens inom telekommunikation, särskilt i komplexa faktureringsystem, kundupplevelseplattformar och stora företagsomvandlingar, vilket placerar honom i förgrunden för Amdocs övergång till AI-drivna operationer och nästa generations dataplattformar.

Amdocs är ett multinationellt programvaru- och tjänsteföretag som specialiserar sig på lösningar för kommunikations-, media- och digitala tjänsteleverantörer, som hjälper dem att hantera allt från fakturering och kundrelationer till nätverksoperationer och digital transformation. Grundat 1982 och verksamt i över 90 länder, har företaget utvecklats till en nyckelleverantör av infrastruktur för telekomoperatörer, som erbjuder molnbaserade plattformar, AI-drivna analyser och automationsverktyg som möjliggör mer effektiv tjänsteleverans och personanpassade kundupplevelser. Deras ökande fokus på generativ AI och dataplattformar speglar en bredare branschövergång mot intelligenta, programvarudefinierade nätverk och fullständigt digitaliserade kundekosystem.

Du har tillbringat mer än två decennier på Amdocs, från att vara utvecklare till att leda GenAI- och Dataavdelningen, och tidigare ha ansvarat för ett av företagets mest strategiska partnerskap med T-Mobile. Hur har den resan format din syn på vad det faktiskt krävs för att flytta AI från experiment till produktion i telekomskala?

Det jag har lärt mig under åren är att flytta AI till produktion i telekomskala inte primärt är ett modellproblem. Det är ett operativt problem. Du behöver rätt datagrund, stark integration i befintliga system, tydligt ansvar och team som vet hur man kör AI som en del av dagliga affärsprocesser. Om någon av dessa bitar saknas, kan piloter se imponerande ut, men de skalar inte.

Min väg på Amdocs gav mig exponering för alla sidor av ekvationen, från teknik till kundleverans till stora operatörspartnerskap. Den erfarenheten formade min uppfattning att framgång kommer från att kombinera teknisk excellens med exekveringsdisciplin. I telekom måste AI fungera över komplexa miljöer, stödja riktiga servicenivåer och leverera mätbara resultat. Det kräver en produktionsmedvetenhet från dag ett.

På Mobile World Congress (MWC) fanns det ett tydligt signal om att telekomföretag investerar kraftigt i AI-piloter, men kämpar för att operationalisera dem. Enligt din uppfattning, vad är de största hindren som förhindrar operatörer från att gå utöver experimenten idag?

Jag ser ett av de största hindren som fragmentering. De flesta operatörer har värdefull data och starka användningsfall, men deras miljöer är splittrade över ett brett utbud av system, team och leverantörer – vilket gör det svårt att koppla AI-utdata till riktiga arbetsflöden. Detta är särskilt sant när dessa arbetsflöden omfattar nätverk, kundvård och affärsoperationer. Som ett resultat förblir AI ofta en punktlösning snarare än en del av driftsmodellen.

Utöver detta är ett annat hinder som jag har sett tillit – operatörer behöver slutligen tillförlitlighet, styrning och tydliga kontroller innan de kan integrera AI i kritiska processer. Till exempel, om de inte kan förklara varför en AI-agent har fattat ett beslut eller verkställa policys kring det, kommer den tekniken att hållas i en pilotbana. Att gå framåt kräver en ram som kombinerar automatisering med observerbarhet, granskning och mänsklig tillsyn.

Amdocs positionerar aOS som ett “agentic operativsystem”. Hur definierar du agentic AI i telekomkontexten, och hur skiljer det sig fundamentalt från tidigare AI-drivna automatiseringsmetoder?

I telekomkontexten hänvisar agentic AI specifikt till teknologin som kan förstå mål, planera uppgifter, utföra åtgärder över flera system och anpassa sig efter resultat. Istället för att bara generera innehåll eller förutsäga resultat, kan agenter utföra arbetsflöden från slut till slut. De kan resonera över kontext, samarbeta med andra agenter och operera inom styrningsgränser för att slutföra riktiga operativa uppgifter.

Detta skiljer sig fundamentalt från tidigare automatisering, som främst var regelbaserad och statisk. Traditionell automatisering fungerade bra för upprepade uppgifter i stabila miljöer, men den kämpade med komplexitet och undantag. Agentic AI kan hantera dynamiska situationer, lära sig från feedback och samordna över domäner.

Du har beskrivit en framtid med AI-nativa telekomoperationer. Vad ser den ut i praktiken, och hur långt ifrån är vi från fullt autonoma nätverk?

AI-nativa telekomoperationer ser ut som AI som är inbäddad i kärnan av hur ett företag fungerar – inte bara lagt till ovanpå. I praktiken ser det ut som servicegarantiarbetsflöden som upptäcker och löser problem innan kunderna märker dem, kundvårdsresor som är personanpassade och proaktiva, och nätverksoperationer som kontinuerligt optimerar prestanda baserat på realtidsförhållanden. Nyckeln är att AI är integrerat i beslut och exekvering, inte bara analyser.

Vi är inte ännu i fullt autonoma nätverk, och vi bör vara realistiska om det. De närmaste åren kommer att handla om progressiv autonomi, där operatörer automatiserar mer komplexa arbetsflöden medan de fortfarande håller människor i kontroll av högpresterande beslut. Full autonomi kommer att kräva starkare standarder, bredare interoperabilitet och fortsatt förbättring av tillförlitlighet och styrning.

Telekomsystem har historiskt sett varit fragmenterade över Operations Support Systems (OSS) och Business Support Systems (BSS)-lager, vilket har gjort det svårt att automatisera från slut till slut. Hur hjälper en agentic arkitektur till att förena dessa domäner och möjliggöra arbetsflöden över funktioner?

Agentic arkitektur hjälper till genom att införa en samordningslager som kan arbeta över OSS och BSS utan att tvinga en fullständig systemersättning. Agenter kan ansluta till befintliga plattformar via API:er, förstå kontexten av ett affärsmål och sedan orkestrera rätt sekvens av åtgärder över nätverks-, service- och kundsystem. Detta möjliggör för operatörer att automatisera arbetsflöden som tidigare bröt vid domängränser.

Till exempel, om det finns ett nätverksproblem som påverkar en högvärdeskund, kan ett agentic system korrelera felet, bedöma påverkan, utlösa åtgärder och uppdatera kundkommunikationsflödet i parallell. Sådant arbetsflöde över funktioner är svårt med traditionell automatisering eftersom varje domän opererar i isolering. Agentic arbetsflöden hjälper till att stänga den luckan.

En av de intressanta aspekterna av agentic system är samarbetet mellan AI-agenter och mänskliga operatörer. Var ser du balansen landa mellan automatisering och mänsklig tillsyn i telekommiljöer?

Balansen mellan AI-agenter och mänskliga operatörer kommer alltid att bero på det specifika användningsfallet, men kommer i stor utsträckning att vara mänskligt ledd och AI-accelererad under överskådlig tid. AI-agenter är utmärkta på hastighet, skala och mönsterigenkänning, medan mänskliga operatörer bidrar med omdöme, ansvar och kontext. Målet är inte att ta bort människor från loopen. Det är att låta människor fokusera på beslut som kräver expertis medan AI hanterar den tunga operativa arbetsbördan.

I praktiken betyder det att sätta tydliga trösklar för autonoma åtgärder och eskalationsvägar för undantag. Lågrisk, upprepade uppgifter kan automatiseras med minimal tillsyn, medan högpresterande beslut alltid bör inkludera mänsklig godkännande. Detta tillvägagångssätt bygger tillit och hjälper operatörer att skala AI på ett säkert sätt över kritiska miljöer.

Det finns mycket hype kring generativ AI, men telekomoperatörer är slutligen fokuserade på ROI. Vilka är de viktigaste måtten som CSP bör spåra för att avgöra om AI-distributioner faktiskt levererar värde?

Operatörer bör spåra mått som direkt hänför sig till affärsresultat, inte bara teknisk prestanda. På kundsidan inkluderar det första kontakttiden, genomsnittlig hanteringstid, kundtapp och kundtillfredsställelse. På nätverkssidan inkluderar det medel tid att upptäcka och medel tid att lösa incidenter, tjänstetillgänglighet och operativ effektivitetsvinster.

Det är också viktigt att mäta antagande och tillförlitlighet. Om agenter distribueras men team inte litar på dem, kommer värdet inte att materialiseras. CSP bör spåra hur ofta AI-rekommendationer accepteras, hur ofta arbetsflöden slutförs framgångsrikt och hur ofta mänsklig intervention krävs. ROI kommer från varaktig operativ påverkan, inte isolerade pilotresultat.

aOS betonar multiagentarbetsflöden som kan utföra komplexa, slut-till-slut-processer över telekommiljöer. Hur säkerställer du samordning, tillförlitlighet och styrning när flera AI-agenter opererar samtidigt över kritiska system?

Samordning börjar med en tydlig orkestreringsmodell. I en multiagentmiljö bör varje agent ha en definierad, åtkomstgräns och framgångskriterier. Ett centralt orkestreringslager hanterar uppgiftssekvensering, konfliktlösning och tillståndsspårning så att agenter inte arbetar i korspur. Detta håller arbetsflöden förutsägbara även när de omfattar många system.

Tillförlitlighet och styrning kräver starka kontroller från början. Det inkluderar policyenforcement, granskningsloggar, förklarbarhet och realtidsövervakning av agentbeteende. Det innebär också att ha återställningsmekanismer så att arbetsflöden kan pausa, eskalera eller återställa säkert om något oväntat händer. I kritiska telekomsystem är styrning mer än en tillägg – det är ett kärnkrav.

I en nylig aOS-annonsering positionerar Amdocs generativ AI som utvecklas från en “sidecar”-funktion till en kärnoperativ lager som är inbäddad över kund-, nätverks- och affärsprocesser. Vad har förändrats under de senaste 12-24 månaderna som gör denna skift möjlig idag?

Flera saker mognade samtidigt. Grundmodellerna förbättrades avsevärt i resonemangskvalitet och verktygsanvändning, vilket gjorde dem mer kapabla i företagsarbetsflöden. Samtidigt förbättrades ekosystemet runt dem, inklusive orkestreringsramverk, observerbarhet och styrningskontroller. Det gjorde det praktiskt att gå från isolerade användningsfall till samordnade operativa arbetsflöden.

Den andra stora förändringen är organisatorisk mognad. Operatörer har nu tydligare prioriteringar runt AI och starkare tryck för att leverera mätbara resultat. De experimenterar inte längre bara för att lära. De letar efter plattformar som kan skala AI över funktioner med säkerhet och kontroll. Den skiftningen i mognad på både teknisk och affärssida är vad som gör denna tidpunkt annorlunda.

Om aOS representerar en vändpunkt mot AI-nativa telekomoperationer, vad ser nästa fas ut? Är vi på väg mot fullt autonoma telekomnätverk, och vilka utmaningar återstår att lösas innan det blir verklighet?

Nästa fas handlar om att skala från isolerad automatisering till samordnad autonomi över hela företaget. Vi kommer sannolikt att se fler multiagentarbetsflöden som kopplar kundvård, serviceoperationer och nätverksteam i realtid. Operatörer kan gå från reaktiv till proaktiv och förutsägande modeller, där AI kan identifiera risker tidigt och utföra åtgärder innan problem eskalerar.

Fullt autonoma nätverk är en långsiktig vision, men det finns fortfarande viktiga utmaningar att lösa. Vi behöver starkare interoperabilitet över leverantörs ekosystem, mer robusta styrningsstandarder och fortsatt framsteg inom tillförlitlighet och förklarbarhet. Framför allt behöver branschen förtroende för att autonoma system kan utföra säkert under verkliga förhållanden. Vägen framåt kommer att vara gradvis, med tydliga kontroller vid varje steg. Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka Amdocs.