伊兰·萨德，Amdocs 基于 GenAI 和数据的分部总裁 – 采访系列

伊兰·萨德，Amdocs 基于 GenAI 和数据的分部总裁，在同一家公司中拥有超过二十年的领导经验，从早期的技术人员和项目经理到监督大规模的全球交付、产品策略和创新。 在他的任期内，他领导了关键的部门，包括收入管理、数字和业务支持系统以及开放网络计划，最终领导了 T-Mobile 部门，然后转入当前专注于生成式 AI 和数据的职位。 他的职业生涯反映了他在电信领域的深厚专业知识，特别是在复杂的计费系统、客户体验平台和大型企业转型方面，处于 Amdocs 向 AI 驱动的运营和下一代数据平台转变的前沿。

Amdocs 是一家专门为通信、媒体和数字服务提供商提供解决方案的跨国软件和服务公司，帮助他们管理从计费和客户关系到网络运营和数字转型的所有事情。 该公司成立于 1982 年，在 90 多个国家运营，已经发展成为电信运营商的关键基础设施提供商，提供云原生平台、AI 驱动的分析和自动化工具，以实现更高效的服务交付和个性化的客户体验。 其对生成式 AI 和数据平台的日益关注反映了整个行业向智能、软件定义的网络和完全数字化的客户生态系统转变的趋势。

您在 Amdocs 度过了二十多年，从开发人员到领导 GenAI 和数据部门，并之前曾负责公司与 T-Mobile 的最重要的合作伙伴关系之一。 这段旅程如何塑造了您对将 AI 从实验转移到电信规模生产的看法？

我这些年来所学到的东西是，将 AI 转移到电信规模的生产中，并不是主要的模型问题。它是一个运营问题。您需要正确的数据基础，强大的集成到现有的系统中，明确的责任和知道如何将 AI 作为日常业务流程的一部分运行的团队。如果这些部分中任何一个缺失，试点项目可能看起来很令人印象深刻，但它们不会扩大规模。

我在 Amdocs 的道路让我接触到了等式的所有方面，从工程到客户交付到大型运营商合作伙伴。这种经验塑造了我的观点，即成功来自于将技术卓越与执行纪律相结合。在电信领域，AI 必须在复杂的环境中工作，支持真正的服务水平，并提供可衡量的结果。这需要从第一天开始就具有生产思维方式。

在世界移动通信大会（MWC）上，有一个明确的信号，即电信公司大量投资于 AI 试点项目，但难以使其运营。您认为，目前阻止运营商超越实验的最大障碍是什么？

我认为最大的障碍之一是碎片化。大多数运营商都有有价值的数据和强大的用例，但他们的环境分散在广泛的系统、团队和供应商中，使得很难将 AI 输出连接到真正的工作流程中。这在工作流程跨越网络、客户服务和业务运营时尤其如此。因此，AI 通常仍然是一个点解决方案，而不是成为运营模式的一部分。

此外，我见过的另一个障碍是信任——运营商最终需要可靠性、治理和明确的控制，然后才能将 AI 集成到关键流程中。例如，如果他们不能解释为什么 AI 代理做出了决定或执行围绕它的政策，那么该技术将被保留在试点车道上。向前迈进需要一个将自动化与可观察性、可审计性和人类监督相结合的框架。

Amdocs 将 aOS 定位为“代理操作系统”。您如何在电信的背景下定义代理 AI，它与早期的 AI 驱动的自动化方法有何根本不同？

在电信领域，代理 AI 特指能够理解目标、计划任务、跨多个系统采取行动并根据结果进行调整的技术。与简单地生成内容或预测结果不同，代理可以从头到尾执行工作流程。它们能够根据上下文推理、与其他代理合作，并在治理边界内运作以完成真正的运营任务。

这与早期的自动化方法有根本的不同，早期的自动化方法主要是基于规则和静态的。传统的自动化方法在重复性任务和稳定的环境中效果很好，但在复杂性和异常情况下却很难处理。代理 AI 可以处理动态情况、从反馈中学习，并在域之间协调。

您描述了一个 AI 本地电信运营的未来。这种未来实际上是什么样子，以及我们距离完全自治的网络有多远？

AI 本地电信运营看起来像 AI 已经嵌入到业务运营的核心——不仅仅是添加在上面。在实践中，这看起来像服务保障工作流程，可以在客户注意到之前检测和解决问题，客户服务旅程是个人化和主动的，网络运营可以根据实时条件持续优化性能。关键是 AI 已经集成到决策和执行中，而不仅仅是分析中。

我们还没有达到完全自治的网络，我们应该对此保持现实的态度。未来几年将是渐进式的自治，运营商将自动化更复杂的工作流程，同时保持人类对高影响决策的控制。完全的自治需要更强的标准、更广泛的互操作性以及可靠性和治理的持续改进。

电信系统在历史上一直在运营支持系统（OSS）和业务支持系统（BSS）层面上碎片化，使得端到端的自动化变得困难。代理架构如何帮助统一这些域并实现跨功能的工作流程？

代理架构通过引入一个可以在不强制完全系统更换的情况下跨 OSS 和 BSS 工作的协调层来帮助。代理可以通过 API 连接到现有的平台，了解业务目标的上下文，然后编排正确的动作序列跨网络、服务和客户系统。这使得运营商能够自动化以前在域边界上断裂的工作流程。

例如，如果有一个网络问题影响高价值的企业客户，代理系统可以关联故障、评估影响、触发补救步骤并更新客户通信流程。这种跨功能的执行对于传统的自动化方法来说很困难，因为每个域都独立运行。代理工作流程有助于弥合这一差距。

代理系统中代理与人类运营商之间的合作是一个有趣的方面。您认为在电信环境中，自动化和人类监督之间的平衡将如何发展？

自动化和人类运营商之间的平衡将始终取决于具体的用例，但在可预见的未来，人类将领导，AI 将加速。AI 代理在速度、规模和模式识别方面非常出色，而人类运营商则带来了判断力、责任感和上下文。目标不是从循环中删除人员。它是让人们专注于需要专业知识的决策，同时 AI 处理重型运营工作量。

在实践中，这意味着为自主行动设置明确的阈值和异常的升级路径。低风险、重复的任务可以在最少的监督下自动化，而高影响力的决策应该始终包括人类的批准。这种方法建立了信任，并帮助运营商在任务关键环境中安全地扩大 AI。

由于对生成式 AI 的炒作，电信运营商最终专注于 ROI。CSP 应该跟踪哪些指标来确定 AI 部署是否真正带来价值？

运营商应该跟踪直接与业务成果相关的指标，而不仅仅是技术性能。在客户端，这包括首次联系解决、平均处理时间、流失减少和客户满意度。在网络端，这包括平均检测时间和平均解决时间、服务可用性和运营效率增益。

还需要测量采用率和可靠性。如果代理被部署但团队不信任它们，则不会实现价值。CSP 应该跟踪 AI 推荐被接受的频率、工作流程成功完成的频率以及需要人类干预的频率。ROI 来自持续的运营影响，而不是孤立的试点结果。

aOS 强调可以跨电信环境执行复杂的端到端流程的多代理工作流程。如何确保在多个 AI 代理同时在关键系统上运行时的协调、可靠性和治理？

协调从明确的编排模型开始。在多代理环境中，每个代理都应该有明确的访问边界和成功标准。一个中央编排层管理任务序列、冲突解决和状态跟踪，以确保代理不会相互冲突。这使得工作流程即使跨越多个系统也可以预测。

可靠性和治理需要从设计上就具备强大的控制。包括政策执行、审计跟踪、可解释性和代理行为的实时监控。还意味着拥有回滚机制，以便在发生意外情况时可以安全地暂停、升级或回滚工作流程。在关键的电信系统中，治理不仅仅是一个附加项——它是一个核心要求。

在最近的 aOS 公告 中，Amdocs 将生成式 AI 定位为从“边车”能力演变为嵌入客户、网络和业务流程中的核心运营层。过去 12 到 24 个月中发生了什么变化，使得这种转变今天成为可能？

几个因素同时成熟。基础模型在推理质量和工具使用方面有了显著的改进，使其在企业工作流程中更加有能力。同时，周围的生态系统也得到了改进，包括编排框架、可观察性工具和治理控制。这使得从孤立的用例转移到协调的运营工作流程成为可能。

另一个重大变化是组织的准备度。运营商现在对 AI 有了更明确的优先事项，并且有更大的压力去实现可衡量的结果。他们不再仅仅为了学习而进行实验。他们正在寻找可以在安全和控制的前提下跨功能扩大 AI 的平台。技术和商业两方面的成熟度使得这一刻与众不同。

如果 aOS 代表着向 AI 本地电信运营的转折点，那么下一阶段是什么？我们是否正在走向完全自治的电信网络，什么挑战仍需要在成为现实之前解决？

下一阶段是从孤立的自动化扩展到企业范围内的协调自治。我们可能会看到更多的多代理工作流程，它们可以实时连接客户服务、服务运营和网络团队。运营商可能会从反应式运营转变为预测和主动的模型，其中 AI 可以提前识别风险并在问题升级之前执行补救措施。

完全自治的网络是一个长期的目标，但仍然存在需要解决的重要挑战。我们需要更强的供应商生态系统之间的互操作性、更强的治理标准以及可靠性和可解释性的持续进步。最重要的是，行业需要对自治系统在现实世界条件下安全运行的信心。前进的道路将是渐进的，具有明确的每一步骤的控制。

感谢这次精彩的采访，希望了解更多的读者可以访问 Amdocs。