凯利克斯首席产品官Shane Eleniak – 采访系列

Shane Eleniak 是凯利克斯公司的首席产品官，他领导公司行业领先的平台和SaaS解决方案的战略愿景和执行。凭借使通信服务提供商能够简化其业务并提供卓越的订阅者体验的关注，Shane 监督整个产品生命周期，从概念化到市场领先的部署。

在他的领导下，Calix 巩固了其作为宽带行业先驱的地位，持续提供赋予提供商竞争和获胜的创新工具。

Calix 是一家总部位于美国的科技公司，提供面向宽带和通信服务提供商的云、软件和托管服务平台。其核心产品围绕着一个集成云基础设施、数据和网络系统的AI启用的宽带平台，旨在帮助提供商简化运营、改善客户参与度和提供更个性化的数字体验。通过使这些提供商能够从基本的连接服务转变为全面的“体验提供商”，Calix 帮助他们增加收入、提高订阅者忠诚度并通过更先进、可扩展的宽带服务支持社区的数字转型。

您的职业生涯跨越了三十多年，涵盖了工程、网络、云平台和大规模产品领导等领域。这些经历如何塑造了您对AI在企业内部真正发挥作用而不仅仅是边缘实验的看法？

我从传统的电信和网络开始，那时整个游戏就是数据路径和大规模的可靠性。如果你不能提供干净、可靠的服务，你在其上构建的所有东西都不重要。以前，电话挂在墙上，内部线路永远不会移动，只要有拨号音， mọi事情都很好。

宽带和互联网改变了一切。突然，它不再只是“是否打开？”；它变成了以太网，然后是Wi-Fi，孩子们在游戏机和平板电脑上玩游戏，你在Zoom上进行云会议，移动性不断增加——设备在家里、后院、足球场、咖啡店。订阅者体验变得比二进制的开/关状态更复杂，服务提供商的世界变得高度动态。在这样的世界中，后视镜式的数据——传统的数据仓库和历史报告——已经不够了。你需要实时收集数据、理解体验并生成洞察，因为订阅者现在希望问题能够被主动解决，而不是在几个小时或几天后。

这种演变塑造了我对AI的思考方式。大多数人希望在现有的数据上“添加”AI，就像他们在现有数据上添加商业智能或SaaS一样。我的经验告诉我，你需要比那更深入地思考，设计为实时、可执行的洞察和采取及时行动的能力。

对于订阅者来说，过去25年中，期望并没有太大变化。他们仍然只想要安全、托管的连接，感觉就像拨号音一样简单——他们希望一切都能“正常工作”，而不必思考所有的层次和复杂性，并且希望它在他们生活的每个地方都可用。我的电信和云计算经验使我非常熟悉这种悖论：你构建极其复杂的系统，以便抽象掉所有这些并提供简单、优秀的边缘体验。这正是我如何思考AI在任何企业内部真正发挥作用的方式，无论是宽带还是其他行业。

在Calix，您经常强调运营AI是构建的，而不是购买的。当组织尝试在不重新思考业务流程的情况下添加AI时，他们最常犯的错误是什么？

对我来说，这不仅仅是“构建与购买”的问题，而是你是否退一步看了整个技术栈。很多公司认为AI只是使用一些API来访问LLM，将其连接到你的堆栈中，然后购买令牌——然后你就有了一个AI策略。那不是这样工作的。

我们太多人被技术迷住了，而不是结果。我们以前也见过这种电影。当个人电脑出现时，每个人都想争论是否有286还是386，内存有多少，运行什么DOS。今天，没人能告诉你他们的笔记本电脑或手机的规格，也没人在意，直到它停止做他们需要它做的事情。重要的是：这使我在工作中更有效吗？AI也是如此。如果你不能将其与真正的工作流、真正的价值和真正的ROI联系起来，技术规格就是噪音。

另一个大错误是尝试将AI连接到现有的内容，而不问它对你的架构、安全模型和成本的影响。AI是一种基本技术，而不是增量功能升级。当你将其视为增量时，你会得到糟糕的数据、安全问题、幻觉、成本失控或大量活动，但没有解决任何问题。

最后，你不能忽视上下文和垂直专业知识的重要性。行动都是关于上下文的，而这种上下文会在电信、金融科技和医疗保健等行业之间有所不同。在Calix，我们从一个行业开始，具有深厚的经验，并围绕它构建了一个垂直平台。我们已经理解了数据、洞察、工作流和上下文，因此堆栈可以反映这种现实。大多数公司都对自己的垂直行业有深刻的理解。机会在于将这种知识编码到垂直技术栈中，而不是依赖于薄的水平层和通用AI模型，然后尝试将一切都拼凑在一起。业务都是关于结果，而不是模型。真正的问题是这种技术如何帮助你以工作流的方式实现这些结果。

您概述了一个五层架构用于运营AI，包括数据、知识、编排、信任和行动。为什么明确分离这些层次很重要？哪一层企业最常低估或完全跳过？

很长一段时间以来，堆栈相当简单：数据、洞察、仪表板、工作流、人员。你构建数据仓库，在上面添加商业智能，创建工作流引擎，并将辛苦的工作交给人类。在代理世界中，这行不通。你需要数据、知识、编排、信任和行动，因为每个层次都执行一个不同的功能。

每个人都想谈论的可见部分是行动层——代理。这只是冰山一角。决定你是否可以让代理触摸真正的系统的是所有“无聊”的东西：数据管道和干净的数据、提供上下文的知识层、协调动态工作流的编排，以及决定应该允许什么的信任模型。当泰坦尼克号沉没时，不是你能看到的小部分让它沉没的；是水面下巨大的冰块。运营AI也是如此。表面下管道是使其成败的关键。

历史上，我们从未将编排和信任视为单独的层，因为人类做了大部分工作。编排意味着经理和票队；信任意味着用户名和密码。现在你必须信任实体——代理——去做事情，并且你必须在动态数据周围协调多个代理。这种设计问题是完全不同的，这就是为什么这些层需要明确的原因。

大多数人低估的层是信任。很多组织认为他们处理了信任，因为他们有访问控制——谁可以登录哪个系统。但在代理世界中的真正信任不是“这个用户是否有访问权限？”；而是“这个特定的行动对于这个个人或这个代理在这个时间点是否合适？”这是一个治理问题，而不是访问控制问题。如果你没有明确的信任层，你会陷入演示模式，因为你永远不会愿意让代理在生产中执行真正的工作。

那么，信任显然是您AI策略的基础部分。您如何设计系统，使自动化决策保持可观察、可审计和可逆转，同时仍然能够快速交付业务价值？

你必须从零信任的思维方式开始。第一个问题不是“这个代理是否可以技术上做到这一点？”第一个问题是“这个代理代表这个人应该尝试做这件事吗？”如果答案是没有，那么就不要继续。

如果答案是是，那么你就进入了防护栏：可审计性、可追溯性和需要人工干预。我们的模型依赖于一个信任层，作用类似于每次交互开始时的交通警察：你是谁，你在做什么，为什么要做？这消除了很多安全问题，因为你不让代理自由运行，然后希望你能事后发现。

另一个选择是让代理自由运行，然后如果他们做了坏事就发出警报。你假设你可以看到它，弄清楚它是什么，识别它，并在实时停止它，按照这些系统的速度和规模运行。这个问题非常困难，这就是为什么很多人挣扎——他们试图在实时寻找坏行为者，而不是预防坏行为。

在此基础上，我们添加了分层网关。即使代理代表正确的人，我们仍然会查看会话和内容——他们是否试图毒害一个模型，滥用API，或者超出政策范围？所有这些都包裹在完整的可观察性中，以便你可以审计发生了什么，并在需要时回滚。这就是你如何快速移动并仍然睡得着觉的方式。

许多公司在生成AI洞察方面取得了成功，但难以将其转化为行动。是什么设计决策使Calix能够将AI直接推入营销、运营和客户支持的日常工作流程中？

在AI成为主角之前很久，Calix就已经痴迷于一个问题：什么样的洞察真正对一个真实的人在一个真实的工作中是可执行的？从2018年开始，我们一直与服务提供商合作，以了解不同人员如何工作——市场人员在周二早晨做什么，当报警器响起时运营团队做什么，当订阅者打来电话时支持团队做什么。这迫使我们非常清楚地了解哪些洞察对谁来说很重要，在什么上下文中，以及什么样的“好行动”看起来像什么。

因此，当代理AI出现时，我们并没有从零开始。我们已经有实时系统生成可执行的洞察，绑定到特定的人员和工作流程。设计问题变成了：给定不同的工具集和不同的技术栈，你如何在代理AI世界中重新架构相同的工作流程，而不是尝试从头开始发明所有这些?

当你将这种深入的角色知识与代理AI配对时，你可以构建动态工作流程，基于动态数据。代理可以实时确定哪些步骤和哪些角色需要参与，基于正在发生的事情，而不是强迫你在微服务中硬编码数百个僵化的流程。对于大多数公司来说，难题是尝试根据上下文和然后设计正确的工作流程做出实时决策。对于我们来说，那部分已经存在；我们已经做了多年的实时、基于角色的、可执行的洞察。代理AI只是一个新的工具集，建立在这个基础之上。

您的平台愿景包括代理到代理（A2A）互操作性和联邦AI系统。这种方法如何改变企业工具之间的协作方式，与传统的点对点集成相比？

如果你看过去20年，缺省模式是“购买一堆SaaS工具并将它们连接到数据湖周围”。每个新系统都意味着另一个点对点集成、另一个数据管道和另一个需要协调的真相来源。在代理世界中，这种方式不具备可扩展性。你希望数据留在它所属的地方，让代理通过明确定义的接口相互交谈。

这就是为什么我们谈到以两个层次触摸系统：MCP在知识层，A2A在编排和信任层。MCP是代理如何发现和使用工具和数据，而不需要每次都进行自定义集成。A2A是代理如何在明确的防护栏内协调工作。

一旦你有了它，协作就不再看起来像是一堆脆弱的连接器，而是看起来像一个可以在真正的工作周围动态组建的专家网络。这里的艾森豪威尔矩阵类比就来了。并非一切都同样紧急和重要。有些工作真正需要及时完成，有些工作很重要但可以安排，有些工作只需要完成，有些工作是噪音。有了代理到代理的协调，建立在信任和编排层之上，你可以按规模对这些类别进行不同的处理：代理可以围绕紧急和重要的问题进行协调，对重要但不紧急的问题进行排队或安排，并防止低价值的繁忙工作淹没一切其他工作。

那是一个与“添加另一个连接器并希望队列排空”完全不同的世界。你有效地看到的是可信的、精心编排的动态工作流程，围绕动态事件和数据，而不是一堆具有相同优先级的一次性集成的混乱。

一旦AI代理被允许自主运行，治理很快就会成为一个挑战。您如何在AI系统在规模上做出或执行决策时平衡速度、问责和人工监督？

我看到的错误是，人们认为他们可以将代理AI连接到他们现有的东西上，然后试图在事后“平衡”速度、问责和人工监督。你不能这样做。你必须首先承认这是一个垂直技术栈的问题，并故意构建一个信任层和一个编排层。如果没有这些层，它就会变成一片混乱——一切都是先到先得，或者谁喊得最响。

再次，这是艾森豪威尔矩阵：并非所有工作都同样重要。信任和编排是你如何在代理世界中实现这一点的方式。你不希望每个代理都把每个任务当作消防演习；你希望系统知道什么真正是时间关键的，什么可以安排，什么应该在后台安静地处理。

然后还有“狭而非胖”的部分。大多数公司错误地认为，AI的更大影响来自于保持广泛。其实你更好地专注于一个狭窄的垂直切片——一个具体的用例、一个工作流程——并在那里建立信任和编排所需的东西。变得更薄、变得正确、在边缘保持人类的参与，然后扩展。这就是你如何快速移动、保持问责、避免创建一个你以后无法解开的混乱的方式。

在您领导大型全球产品和工程团队的经验中，AI成为一个可持续的企业能力而不是一系列断断续续的试验所需的组织或文化转变是什么？

大多数企业没有“AI问题”；他们有一个知识和工作流问题。第一个转变是停止玩弄点解决方案，转向从数据仓库到每个人都可以看到和采取行动的联邦知识仓库。只要知识生活在孤岛中，AI只是每个孤岛上的一颗糖果，你就会得到试验，而不是转变。

从那里开始，你必须愿意以特定的顺序解决更难的问题。步骤1是将炒作与现实区分开来，采用正在发挥作用的东西，而不是最响亮的东西。步骤2是重新设计知识层，以便将数据转化为共享的联邦上下文，而不是系统中的另一个报告。步骤3是围绕该知识和真正的信任层重新思考工作流程——今天的大多数工作都围绕人员、技能和本地知识孤岛组织。如果你不改变这一点，代理将只是另一个围绕相同的旧瓶颈运行的工具。

只有到那时，你才会到达文化转变，这通常是最困难的。你需要一个文化，让人们不仅仅担心失去工作、工具或身份，而是真正对与新能力合作感到兴奋。这是一个变革管理问题，而不是技术问题。这看起来很像真正的分布式领导：前线的人员理解工作流程，感到安全地指出摩擦，并渴望将代理投入工作。

超越宽带和电信，哪些行业您认为最有可能在未来采用运营性、代理驱动的AI，并且哪些条件使它们准备就绪？

我不太考虑按行业标签选取赢家；我考虑的是模式。几乎每个垂直行业都面临着同样的基本挑战：他们建立了数据孤岛和功能孤岛，而不是在三个生命周期中拥有一个视图——客户、员工和产品。准备好的那些是愿意看到这一点、承认他们没有真正的知识层并解决它的人。

从那里开始，条件看起来相对独立于行业标签，无论你是在医疗保健、金融科技、零售还是关键基础设施中。您需要复杂的工作流程，人员紧张，真正的摩擦点，您可以命名，并且有足够的高质量数据为代理提供上下文。如果您可以绘制当前的工作流程，看到工作变慢或积累的位置，了解哪些交接创建了延迟，然后通过联邦知识仓库支持它，代理AI就成为了一套不可思议的工具。

在这种世界中，“行业准备就绪”归结为领导力。公司的领导者是否愿意超越营销工具和薄的水平仪表盘，投资于垂直技术栈——将数据转化为知识，联邦化知识，建立编排和信任框架，并对真正的ROI进行诚实的对话？任何在任何行业中完成这项工作的公司都为运营性、代理驱动的AI做好了准备；那些没有做到这一点的公司将陷入添加另一个工具到已经嘈杂的堆栈中。

随着企业AI演变为多代理和多云环境，您认为五年后好的AI架构是什么样的？领导者今天应该致力于哪些原则，以避免以后重建他们的系统？

五年后，AI的有趣部分将不是单个代理或模型；它将是代理使能的工作流程和这些工作流程所交付的业务价值。代理本身将来来去去。代理下面的层次——数据、知识、编排、信任和行动——将继续演变，但需要这些层次的需求并不会消失。

这就是为什么我更关注架构，而不是特定的工具。我们正在从数据仓库转向联邦知识仓库，从脆弱的点对点集成转向开放的分层栈。在这样的世界中，你将拥有在不同云中运行的代理，触及不同的知识源，并通过明确定义的接口协调。在技术改进时，你希望能够在不重建整个系统的情况下将更好的部分换入这些层次。

因此，领导者的原则很简单。不要建造整体。设计为层次，以便数据、知识、编排、信任和行动可以独立演进。设计为流程，而不是功能，以便你清楚哪些工作流程很重要，以及什么样的“好”看起来像什么，在客户、员工和产品生命周期中。并且在代理级别设计治理：假设默认为零信任，定义明确的“代理卡”，并使用编排来决定什么是紧急的，什么是重要的，什么只是需要完成。如果你这样做，你就可以让技术改变——正如它总是做的那样——而不必不断担心重建。

感谢这次精彩的采访，希望了解更多的读者可以访问Calix。