Інтерв’ю
Шейн Еленіак, директор із продуктів Calix — серія інтерв’ю

Ключові моментиCalix створив дієві інсайти для конкретних персон за роки до появи агентного ШІ.
Показати більше
- Calix створив дієві інсайти для конкретних персон за роки до появи агентного ШІ.
- Більшість підприємств зазнають невдачі зі ШІ, тому що ігнорують рівень довіри, необхідний для автономних рішень.
- Організації повинні перепроєктувати знання у федеративне сховище, а не просто додавати ШІ до ізольованих систем.
Шейн Еленіак обіймає посаду головного директора з продукції в Calix, де він визначає стратегічне бачення та керує розвитком провідної в галузі платформи й SaaS-рішень компанії. Зосередившись на тому, щоб надати операторам зв’язку можливість спростити свій бізнес та забезпечити винятковий досвід для абонентів, Шейн керує усім життєвим циклом продукції – від концептуалізації до впровадження передових ринкових рішень.
Під його керівництвом Calix зміцнив свою позицію як піонер у галузі широкосмугового зв’язку, постійно надаючи інноваційні інструменти, які дозволяють операторам конкурувати та перемагати.
Calix – це американська технологічна компанія, яка надає хмарні й програмні платформи та платформи керованих сервісів для операторів зв’язку та широкосмугового зв’язку. Її основна пропозиція полягає в платформі широкосмугового зв’язку, що використовує штучний інтелект, яка інтегрує хмарну інфраструктуру, дані та мережеві системи для того, щоб допомогти операторам спростити операції, покращити взаємодію з клієнтами та забезпечити більш персоналізований цифровий досвід. Допомагаючи операторам переходити від базових послуг зв’язку до повноцінних “постачальників досвіду”, Calix допомагає їм збільшувати доходи, підвищувати лояльність абонентів та підтримувати цифрову трансформацію громад через більш просунуті та масштабовані послуги широкосмугового зв’язку.
Ваша кар’єра охоплює понад три десятиліття в галузі інженерії, мережевих технологій, хмарних платформ та великомасштабного керівництва продукцією. Як цей досвід сформували вашу точку зору на те, що насправді потрібно, щоб штучний інтелект виконував реальну роботу всередині підприємств, а не залишався бічним експериментом?
Я починав з традиційних телекомунікацій та мережевих технологій, де головне значення мали шлях передавання даних і надійність у великому масштабі. Якщо ви не можете забезпечити якісну й надійну послугу, нічого, що ви будуєте на її основі, не має значення. Колись телефон був на стіні кухні, внутрішнє дротове з’єднання ніколи не змінювалося, і поки в слухавці був гудок, все було гаразд.
Широкосмуговий зв’язок та Інтернет змінили все. Раптом це вже не було лише “включено чи вимкнено”. Це було Ethernet, потім Wi-Fi, діти на ігрових консолях та планшетах, ви спільно працюєте над хмарною електронною таблицею під час дзвінка в Zoom, і постійна мобільність – пристрої всередині будинку, на задньому дворі, на футбольному матчі, в кафе. Досвід абонента став значно складнішим, ніж двійковий стан “включено/вимкнено”, а світ для операторів зв’язку став дуже динамічним. У цьому світі ретроспективний погляд на дані – класичні сховища даних та історичні звіти місяць потому – просто не підходить. Ви повинні зібрати дані, зрозуміти досвід та генерувати інсайти в реальному часі, оскільки абоненти тепер очікують, що проблеми будуть вирішені проактивно, а не за години чи дні.
Ця еволюція сформувала моє мислення щодо штучного інтелекту. Більшість людей хочуть поставити штучний інтелект “на вершину”, так само, як вони ставлять бізнес-аналітику або SaaS поверх наявних озер даних. Мій досвід говорить про те, що потрібно думати значно глибше та проєктувати системи для практично застосовних висновків у реальному часі та можливості своєчасно діяти.
Для абонентів, однак, очікування не змінилося суттєво за останні 25 років. Вони все ще хочуть безпечного, керованого зв’язку, який відчувається так само просто, як гудок у слухавці – вони хочуть, щоб все “просто працювало” без думання про всі шари та складність, і вони хочуть цього всюди в своєму житті. Моя кар’єра в телекомунікаціях та хмарних технологіях навчила мене спокійно сприймати цей парадокс: ви будуєте надзвичайно складні системи, щоб абстрагувати все це та забезпечити простий, чудовий досвід для кінцевого користувача. Саме так я бачу реальну роботу ШІ всередині будь-якого бізнесу — у сфері широкосмугового зв’язку чи поза нею.
У Calix ви часто підкреслюєте, що операційний штучний інтелект будується, а не купується. Які найпоширеніші помилки організацій, коли вони намагаються додати штучний інтелект без переосмислення того, як робота тече через підприємство?
Для мене це менше про “будується чи купується” і більше про те, чи ви відступили назад і подивилися на весь технологічний стек. Багато компаній вирішили, що штучний інтелект просто полягає у використанні деяких API для доступу до великої мовної моделі (LLM), підключенні її до свого стека з допомогою обгортки та покупці токенів – тоді у вас є стратегія штучного інтелекту. Це не так працює.
Занадто багато з нас захоплюються технологією замість результату. Ми бачили це раніше. Коли з’явилися персональні комп’ютери, кожен хотів сперечатися про те, чи має він процесор 286 чи 386, скільки пам’яті він має, і яку версію DOS він використовує. Сьогодні ніхто не може сказати вам характеристики свого ноутбука чи телефону, і нікого це не хвилює, доки пристрій не перестане робити те, що потрібно користувачеві. Що має значення, це: чи робить це мене більш ефективним у моїй роботі? Те саме стосується штучного інтелекту. Якщо ви не можете зв’язати його з реальними робочими процесами, реальною цінністю та реальним ROI, то технічні характеристики – це просто шум.
Інша велика помилка полягає в тому, що вони намагаються прикріпити штучний інтелект до того, що у них вже є, не запитуючи, як це впливає на їхню архітектуру, модель безпеки та витрати. Штучний інтелект – це фундаментальна технологія, а не інкрементальне оновлення функції. Коли ви його розглядаєте як інкрементальне, ви отримуєте погані дані, проблеми з безпекою, галюцинації, неконтрольовані витрати або багато діяльності, яка не вирішує проблему для нікого.
Нарешті, ви не можете ігнорувати контекст та важливість вертикальної експертизи. Дія полягає у контексті, і цей контекст відрізняється в телекомунікаціях, фінтеху та охороні здоров’я. У Calix ми почали з глибоким досвідом у одній галузі та побудували вертикальну платформу навколо неї. Ми вже розуміли дані, інсайти, робочі процеси та контекст, тому стек міг відображати цю реальність. Більшість компаній знають свою вертикальну галузь всередині та зовні. Можливість полягає в тому, щоб закодувати ці знання у вертикальний технологічний стек, а не покладатися на тонкий горизонтальний шар та загальну модель штучного інтелекту, а потім намагатися все зшити разом. Для підприємств важливі результати, а не моделі. Реальне питання полягає в тому, як ця технологія допомагає вам досягати цих результатів відповідно до реальних робочих процесів.
Ви описали п’ятишарову архітектуру операційного штучного інтелекту, яка включає дані, знання, оркестрацію, довіру та дію. Чому важливо явно розділяти ці шари, і який із них підприємства найчастіше недооцінюють або повністю пропускають?
Тривалий час стек був досить простим: дані, інсайти, панелі управління, робочі процеси, люди. Ви будували сховища даних, ставили бізнес-аналітику на вершину, створювали двигуни робочих процесів та передавали важку роботу людям. У світі агентів це не витримує. Вам потрібні дані, знання, оркестрація, довіра та дія, оскільки кожен шар виконує окрему функцію.
Видима частина, про яку всі хочуть говорити, – це шар дії – агенти. Це вершина айсберга. Що визначає, чи зможете ви коли-небудь дозволити агентам торкатися реальних систем, – це все “нудне” під водою: трубопроводи даних та чисті дані, шар знань, який дає вам контекст, оркестрація, яка координує динамічні робочі процеси, та модель довіри, яка вирішує, що повинно бути дозволено з самого початку. Коли “Титанік” затонув, це не була мала частина, яку ви могли бачити, яка його потопила; це була величезна маса льоду під водою. Операційний штучний інтелект – те саме. Інфраструктура під поверхнею визначає успіх або провал.
Історично ми ніколи не розглядали оркестрацію та довіру як окремі шари, оскільки люди виконували більшу частину цієї роботи. Оркестрація означала менеджерів та черги тикетів; довіра означала імена користувачів та паролі. Тепер вам потрібно довіряти сутностям – агентам – робити речі, і вам потрібно координувати кілька агентів в реальному часі навколо динамічних даних. Це зовсім інша задача проектування, тому ці шари повинні бути явними.
Шар, який найчастіше недооцінюють, – це довіра. Багато організацій думають, що вони обробляють довіру, оскільки мають контроль доступу – хто може увійти в яку систему. Але справжня довіра в світі агентів не полягає в тому, чи має цей користувач доступ, а в тому, чи є ця дія підходящою для цієї особи чи агента в цей момент часу. Це питання управління, а не питання контролю доступу. Якщо ви не робите цей шар явним, ви застряєте в демонстраційному світі, оскільки ви ніколи не зможете спокійно довірити агентам реальну роботу в продуктивному середовищі.
Таким чином, довіра очевидно є фундаментальною частиною вашої стратегії штучного інтелекту. Як ви проектуєте системи так, щоб автоматичні рішення залишалися спостережуваними, аудитованими та оборотними, залишаючись при цьому достатньо швидкими, щоб доставляти бізнес-цінність?
Вам потрібно починати з нульової довіри. Перше питання не полягає в тому, чи може цей агент технічно зробити це. Перше питання полягає в тому, чи повинен цей агент, від імені цієї особи, намагатися зробити це взагалі. Якщо відповідь – ні, то не продовжуйте.
Якщо відповідь – так, ви переходите до обмежень: аудитованості, простежуваності та необхідності залучення людини. Наша модель залежить від шару довіри, який діє трохи як регулювальник руху на початку кожної взаємодії: хто ви, що ви робите, і чому ви це робите? Це усуває багато проблем з безпекою, оскільки ви не дозволяєте агентам вільно діяти та робити речі, а потім сподіваєтеся, що ви помітите це після факту.
Альтернативою є те, щоб випустити агентів, а потім підняти тривогу, якщо вони підуть і зроблять щось погане. Ви припускаєте, що ви можете побачити це, розібратися в цьому, ідентифікувати це та зупинити це в реальному часі, у темпі та масштабі, у яких ці системи працюють. Це дуже складна проблема, і це причина, чому так багато людей борються – вони намагаються шукати зловмисників у реальному часі замість того, щоб запобігати поганим діям заздалегідь.
На додаток до цього, ми додали багаторівневі шлюзи. Навіть якщо агент діє від імені правильної особи, ми все ще дивимося на сесію та вміст – чи вони намагаються отруїти модель, зловживати API чи виштовхувати щось поза політикою? Все це обгорнуто повною спостережуваністю, щоб ви могли аудитувати, що відбулося, та повернути все назад, якщо потрібно. Це те, як ви рухаєтеся швидко та спите спокійно.
Багато компаній успішно генерують інсайти штучного інтелекту, але борються з тим, щоб перевести їх у дію. Які проектні рішення дозволили Calix впровадити штучний інтелект безпосередньо у щоденні робочі процеси по маркетингу, операціях та підтримці клієнтів?
Задовго до того, як штучний інтелект став зіркою шоу, у Calix ми вже були одержимі одним питанням: що робить інсайт справжнім та дієвим для реальної людини в реальній роботі? З 2018 року ми працюємо з операторами зв’язку, щоб зрозуміти, як різні персони працюють – що робить маркетолог у вівторок вранці, що робить операційна команда, коли спрацьовує сигнал тривоги, що робить команда підтримки, коли абонент дзвонить у розчаруванні. Це змусило нас стати дуже чіткими щодо того, які інсайти мають значення для кого, в якому контексті, та як виглядає “правильна дія”.
Отже, коли агентний штучний інтелект з’явився, ми не починали з нуля. У нас вже були системи генерації інсайтів у реальному часі, пов’язаних з конкретними робочими ролями та робочими процесами. Питання проєктування тепер було таким: маючи інший набір інструментів та інший технологічний стек, як би ви перебудували ці самі робочі процеси у світі агентного штучного інтелекту, а не намагалися винайти все це з нуля?
Коли ви поєднуєте це глибоке розуміння робочих ролей з агентним штучним інтелектом, ви можете будувати динамічні робочі процеси над динамічними даними. Агенти можуть визначити в реальному часі, які кроки та які робочі ролі повинні бути залучені на основі того, що відбувається, а не змушувати вас жорстко кодувати сотні жорстких потоків у мікросервісах. Для більшості компаній складна проблема полягає в тому, щоб приймати рішення у реальному часі на основі контексту, а потім спроектувати правильний робочий процес навколо цього. Для нас ця частина була вже на місці; ми роками створювали в реальному часі практично застосовні висновки, прив’язані до конкретних робочих ролей. Агентний штучний інтелект – це просто новий інструментарій на цьому фундаменті.
Ваша платформа включає взаємодію між агентами (A2A) та федеративні системи штучного інтелекту. Як цей підхід змінює спосіб співпраці корпоративних інструментів порівняно з традиційними точковими інтеграціями?
Якщо ви подивитесься на останні 20 років, стандартний шаблон був “купити багато інструментів SaaS та поєднати їх навколо озера даних”. Кожна нова система означала ще одну точкову інтеграцію, ще один трубопровід даних та ще одне місце для узгодження істини. У світі агентів це не масштабується. Ви хочете, щоб дані залишилися там, де вони належать, і щоб агенти розмовляли один з одним через добре визначені інтерфейси.
Саме тому ми говоримо про підключення до системи на двох шарах: MCP на шарі знань та A2A на шарах оркестрації та довіри. MCP – це те, як агенти відкривають та використовують інструменти та дані без нової настроюваної інтеграції кожного разу. A2A – це те, як агенти координують роботу один з одним під чіткими обмеженнями.
Як тільки у вас це є, співпраця перестає виглядати як купка крихких конекторів та починає виглядати як мережа спеціалістів, які можуть динамічно об’єднуватися навколо реальної роботи. Тут вступає аналогія матриці Ейзенхауера. Не все однаково терміново та важливо. Деяка робота справді термінова та важлива, деяка важлива, але може бути запланована, деяка просто потрібно зробити, а деяка – шум. З координацією агентів-агентів на вершині шару довіри та оркестрації ви можете розглядати ці категорії по-різному у масштабі: агенти можуть об’єднувати зусилля для розв’язання термінових і важливих проблем, поставити в чергу або запланувати важливі, але не термінові, та не дозволяти малокорисній рутині витісняти решту роботи. Це зовсім інший світ, ніж “додати ще один конектор та сподіватися, що черга спорожніє”. Ви ефективно бачите довірені, ретельно оркестровані динамічні робочі процеси навколо динамічних подій та даних, а не клубок окремих інтеграцій, де все кричить з однаковим пріоритетом.
Як тільки агенти штучного інтелекту дозволені діяти автономно, управління швидко стає викликом. Як ви балансуєте швидкість, підзвітність та людський нагляд, коли системи штучного інтелекту приймають або виконують рішення у масштабі?
Помилка, яку я бачу, полягає в тому, що люди думають, що вони можуть прикріпити агентний штучний інтелект до того, що у них є, та якимось чином спробувати “збалансувати” швидкість, підзвітність та людський нагляд після факту. Ви не можете. Вам потрібно починати з визнання того, що це проблема вертикального технологічного стека, та цілеспрямовано будувати шар довіри та шар оркестрації. Без цих двох шарів це перетворюється на некерований хаос — пріоритет отримує той, хто прийшов першим або кричить найголосніше.
Знову ж таки, це матриця Ейзенхауера: не вся робота створена рівною. Довіра та оркестрація – це те, як ви операціоналізуєте це у світі агентів. Ви не хочете, щоб кожен агент розглядав кожне завдання як пожежну тривогу; ви хочете, щоб система знала, що справді терміново, що можна запланувати, а що повинно бути тихо оброблено на задньому плані.
І тоді є принцип “вузький фокус замість широкого охоплення”. Більшість компаній помиляються, думаючи, що більший вплив від штучного інтелекту полягає в тому, щоб залишатися широким. Значно краще обрати вузький галузевий зріз – одному конкретному випадку використання, одному набору робочих процесів – та будуєте довіру та оркестрацію, які вам потрібні там спочатку. Звузьте галузевий фокус, досягніть правильної роботи, збережіть участь людей у граничних ситуаціях і лише потім розширюйте охоплення. Це те, як ви рухаєтеся швидко, залишаючись підзвітним, та уникаєте створення безладу, який ви не можете розмотати пізніше.
З вашого досвіду керівництва великими глобальними командами продукції та інженерії, які організаційні чи культурні зрушення потрібні для того, щоб штучний інтелект став стійкою спроможністю підприємства, а не збіркою відокремлених пілотних проектів?
Більшість підприємств не мають “проблеми штучного інтелекту”; вони мають проблему знань та робочих процесів. Перше зрушення полягає в тому, щоб зупинити гру з точковими рішеннями та перейти від сховищ даних до федеративного сховища знань, яке всі можуть переглядати й використовувати для дій. Поки знання існують в ізольованих сховищах, а ШІ залишається вишенькою на кожному з них, ви отримуєте пілотні проекти, а не трансформацію.
Від цього ви повинні бути готові піти за більш складними проблемами в певному порядку. Крок один – відокремити ажіотаж від реальності та прийняти те, що працює, а не те, що найголосніше у вашому каналі. Крок два – перебудувати шар знань, щоб ви могли перетворити дані на спільний, федеративний контекст, а не ще один звіт, похований у системі. Крок три – переосмислити робочі процеси навколо цього знання та справжнього шару довіри – більшість роботи сьогодні організована навколо людей, навичок та локальних ізольованих сховищ знань. Якщо ви не зміните це, агенти просто будуть ще одним інструментом, який обертається навколо тих самих старих вузьких місць.
Тільки тоді ви отримуєте культурне зрушення, яке часто є найскладнішим. Вам потрібна культура, у якій люди не турбуються в першу чергу про те, щоб не втратити роботу, інструменти чи ідентичність, а щиро захоплені роботою з новими можливостями. Це проблема управління змінами, а не технологічна проблема. Це виглядає як справжнє розподілене лідерство: люди на кінці ланцюга розуміють робочі процеси, відчувають себе в безпеці, називаючи тертя, та є ентузіастами щодо того, щоб поставити агентів на роботу над цим.
Поглянувши за межі широкосмугового зв’язку та телекомунікацій, які галузі, на вашу думку, найкраще підходять для прийняття операційного, агентного штучного інтелекту далі, та які умови роблять їх готовими?
Я не думаю про це як про вибір переможців за галуззю; я думаю у термінах шаблонів. Практично кожна вертикаль має той самий основний виклик: вони побудували ізольовані сховища даних та функціональні відділи замість одного погляду на три життєвих цикли – клієнта, працівника та продукту. Ті, хто готові, – це ті, хто бачить це, визнає, що у них немає справжнього шару знань, та готові це виправити.
Від цього умови виглядають досить схожими, незалежно від того, чи ви в охороні здоров’я, фінтеху, рітейлі чи критичній інфраструктурі. Потрібні складні робочі процеси, у яких люди працюють на межі своїх можливостей, справжні точки тертя, які ви можете назвати, та достатньо високоякісних даних, щоб дати агентам контекст. Якщо ви можете відобразити поточні робочі процеси, побачити, де робота сповільнюється чи нагромаджується, зрозуміти, які передачі створюють затримки, та підтримати це федеративним складом знань, агентний штучний інтелект стає неймовірним інструментарієм.
У цьому світі “готовність галузі” полягає в лідерстві. Чи готові лідери компанії рухатися за межі маркетингових інструментів та тонких горизонтальних панелей управління, та інвестувати у вертикальний технологічний стек – перетворювати дані на знання, федералізувати це знання, встановлювати шари оркестрації та довіри, та проводити чесні розмови про те, де справжній ROI? Будь-яка компанія в будь-якій галузі, яка робить цю роботу, добре підходить для операційного, агентного штучного інтелекту; ті, хто цього не робить, застрягнуть в додаванні ще одного інструменту до вже галасливої купи.
З огляду на розвиток корпоративного ШІ в напрямі багатоагентних і багатохмарних середовищ, як виглядатиме добра архітектура ШІ за п’ять років і яких принципів керівникам слід дотримуватися сьогодні, щоб уникнути перебудови своїх систем пізніше?
За п’ять років найбільш цікавим у штучному інтелекті не будуть окремі агенти чи моделі; це будуть агентні робочі процеси, які вони дозволяють, та бізнес-цінність, яку ці робочі процеси доставляють. Агенти самі по собі з’являться та зникнуть. Шари під ними – дані, знання, оркестрація, довіра та дія – продовжуватимуть еволюціонувати, але потреба в них не зникне.
Це чому я більше зосереджений на архітектурі, ніж на будь-якому конкретному інструменті. Ми рухаємося від сховищ даних до федеративних сховищ знань, від крихких точкових інтеграцій до відкритих, шарових стеків. У цьому світі ви будете мати агентів, які працюють у різних хмарах, торкаються різних джерел знань та координують роботу через добре визначені інтерфейси – MCP на шарі знань, протоколи агент-агент на шарах оркестрації та довіри. Як тільки технологія покращиться, ви будете хотіти мати можливість замінювати компоненти цих шарів кращими без перебудови всього кожного разу.
Отже, принципи для керівників прості. Не будуйте монолітно. Проектуйте для шарів, щоб дані, знання, оркестрація, довіра та дія могли окремо розвиватися незалежно. Проектуйте для потоків, а не функцій, щоб ви були чіткими щодо того, які робочі процеси мають значення, та як виглядає добрий результат у життєвих циклах клієнта, працівника та продукту. І проектуйте для управління на рівні агента: припустіть нульову довіру за замовчуванням, визначте чіткі “карти агентів”, та використовуйте оркестрацію, щоб вирішити, що терміново, що важливо, а що просто потрібно зробити. Якщо ви це зробите, ви зможете дозволити технології змінюватися – як це завжди відбувається – без постійного занепокоєння про перебудову.
Дякую за чудове інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Calix.












