AI за телекоми: традиционни операции срещу автоматизиран оперативен модел
Решението, което AT&T взема точно сега, е решение, пред което всеки голям телеком оператор ще се изправи в рамките на следващите три години: да продължи с оперативен модел, зависим от много хора и физическа инфраструктура, или да премине към модел, в който AI поема повтаряемата и измерима работа, а екипите се фокусират върху решенията, които действително изискват човешка преценка. AT&T вече направи своя избор. Ясното разбиране на компромисите — вместо темата да се свежда до бинарното „запазваме всичко“ срещу „автоматизираме всичко“ — отличава операторите, които изпълняват добре, от онези, които обявяват пилоти и после блокират.
Двата модела един до друг
Преди да разгледаме всеки критерий в детайл, ето как традиционният телеком оперативен модел се сравнява с модела, управляван от AI, който AT&T активно изгражда, според Wired in September 2026:
| Criterion | Legacy Operating Model | AI-Driven Operating Model |
|---|---|---|
| Customer service requests | Ръчна обработка от агенти за рутинни заявки (напр. прекратяване на услуга) | Автоматизирани workflow-и обработват заявки от първо ниво; агентите поемат изключенията |
| Network planning | Теренни огледи и ръчен анализ на локации за кули | AI идентифицира оптимални места за клетъчни кули и маркира проблеми с поддръжката |
| Network configuration | Изпращане на техници на място за промени по хардуера | Дистанционна софтуерна настройка чрез cloud платформи (напр. DriveNets) |
| Weather/event response | Реактивен подход; ръчни вериги за ескалация | AI системи в реално време като GeoModeler на AT&T настройват параметрите автоматично |
| Software development | Екипи от junior разработчици поддържат legacy код | Generative AI подпомага генерирането на код; нужни са по-малко junior роли |
| Energy profile | Медна инфраструктура, висока енергийна консумация | Изведена от употреба медна мрежа; cloud-first подход; измеримо намаление на електропотреблението |
| Cost structure | Висок дял на труда; висок capex за физически активи | Преход към opex; по-малко middle management и junior developer слоеве |
| Revenue per employee | По-нисък спрямо конкурентите (AT&T изоставаше от Verizon и T-Mobile в публичните отчети за 2025 г.) | Цел: осезаемо по-висок до 2030 г., при около ~85 000 служители спрямо ~131 000 |
Ръчни хъбове срещу cloud-управлявани хъбове
Най-ясната точка за сравнение е какво прави AT&T със своите централни мрежови хъбове. При традиционния модел физическият хардуер на хиляди локации изискваше техници на място за промени по конфигурацията — включително за нещо толкова рутинно като заявка на клиент за по-бърз интернет план. От 2027 г. AT&T ще замени този хардуер с cloud софтуер от DriveNets, израелски стартъп, в който AT&T има инвестиционен дял. Това означава, че техник, работещ дистанционно, може да приложи конфигурационна промяна за минути, вместо да се планира посещение, което може да отнеме дни.
Компромисът е реален: cloud-управляваните хъбове създават зависимости от софтуера и изискват стабилно планиране на failover сценарии. Неправилно конфигурирана актуализация, пусната в мащаб, се овладява по-трудно от локален хардуерен проблем. Операторите, които избират този път, трябва да имат ясни rollback процедури и наблюдение на мрежово ниво, а не само на application layer, още от първия ден.
Автоматизация на обслужването срещу support, воден от агенти
AT&T използва AI за клиентски взаимодействия, включително за рутинни заявки от типа прекратяване на телефонна линия — нещо, което доскоро все още изискваше служител да работи с хартиени записи. Това не е маловажен детайл. Според U.S. Bureau of Labor Statistics data работните места в телекомуникационната индустрия намаляват от 25 години, а AI сега ускорява тенденция, която предхожда настоящия hype цикъл с две десетилетия.
Честното сравнение тук е следното: автоматизираното обслужване се справя ефективно с обемите, но среща трудности при неясни заявки, ескалации с регулаторен елемент или клиенти, които вече са били прехвърляни между системи. Най-добри резултати постигат операторите, които дефинират прецизно границата на автоматизацията — кои заявки минават изцяло автоматизирано, кои задействат предаване към човек и как това предаване се записва. Тази граница е въпрос на имплементационно решение, а не на продуктова функционалност.
Поддръжка на хардуер срещу дистанционно откриване на повреди
Системата GeoModeler на AT&T автоматично настройва параметрите на мрежата при екстремни метеорологични събития. AI инструментите ѝ също така идентифицират проблеми по съществуващи клетъчни кули, без да е необходимо посещение на място, за да бъде открит проблемът. Сравнете това с традиционния подход: полеви доклади, планирани прозорци за поддръжка и реактивно изпращане на екип, когато нещо се повреди.
Разликата в представянето е съществена. McKinsey research on predictive maintenance при индустриални оператори последователно показва 20–30% спад на непланирания downtime, когато AI-базираното откриване на дефекти замени реактивната поддръжка. Телеком мрежите, с хиляди разпределени активи и изложеност на атмосферни условия, са силен кандидат за този модел.
Компромисът: AI за откриване на повреди е толкова добър, колкото са добри данните от сензорите и входящите сигнали, които получава. Legacy инфраструктура с непълна телеметрия създава шумни модели. Преди внедряване на predictive инструменти операторите трябва честно да оценят какво реално показва тяхната инфраструктура в реално време.
Capex модел срещу opex модел
Медната инфраструктура е скъпа за поддръжка и енергоемка за експлоатация. Планът на AT&T да се откаже от медта в над 85% от съществуващото си покритие до края на 2026 г. е толкова счетоводно решение, колкото и технологично. Изваждането на тези активи от експлоатация намалява както разходите за поддръжка, така и консумацията на електроенергия — измерение, което CTO на AT&T Jeremy Legg посочва изрично като полза от прехода.
Cloud и software-defined инфраструктурата прехвърлят разхода от capital expenditure (закупуване на хардуер) към operating expenditure (плащане за софтуерни лицензи и cloud капацитет). За повечето големи оператори това подобрява бюджетната гъвкавост, но също така означава, че контролът на разходите се измества от procurement към vendor management и дисциплина по договорите. Opex моделите могат бързо да натрупат разходи, ако потреблението не се следи внимателно.
Приход на служител: метриката, която инвеститорите следят
Според публичните финансови отчети, цитирани от Wired, AT&T е генерирала по-нисък приход на служител през 2025 г. от Verizon и T-Mobile — и двете компании също намалиха персонала си през последните месеци. Именно този бенчмарк обяснява защо заявената посока на AT&T има логика от гледна точка на investor relations, дори човешката цена на продължаващото съкращаване на екипи да е значителна.
Сравнението изисква прецизност: приходът на служител е груб инструмент. Той не различава операторите, които се разделят с ценни инженери, от тези, които успешно автоматизират нискостойностна работа. Операторите, които ще излязат напред, са онези, които следят не само съотношенията в headcount, но и качеството на резултата — uptime на мрежата, процент на решени клиентски казуси, скорост на внедряване — паралелно с показателите за труд.
За enterprise оператори, които внедряват AI business process automation в мащаб, рамката за измерване е толкова важна, колкото и самата автоматизация. Внедряването на AI без промяна в начина, по който измервате представянето, води до намаления на разходите, които трудно се приписват, и до подобрения, които трудно се възпроизвеждат.
Какво означава примерът на AT&T за enterprise операторите
Трансформацията на AT&T не е готов шаблон, който може да се копира във всеки детайл — legacy телеком с 131 000 души и 150 години инфраструктура е много специфичен контекст. Но структурната логика важи широко за всеки голям оператор, който съчетава ръчни workflow-и, остаряващи физически активи и конкурентен бенчмарк, измерващ ефективността на приходите на служител.
Уроците, които се пренасят добре, са следните: започнете автоматизацията с workflow-и с ясни входове, измерими изходи и нисък регулаторен риск; обвържете внедряването на AI с конкретни метрики за разход и енергия още от първия спринт, а не като последваща мисъл; и приемете въпроса за оперативния модел — кой управлява AI системите след внедряването — толкова сериозно, колкото и самото внедряване. AT&T използва AI за генериране на софтуерен код, управление на мрежи и маршрутизиране на клиентско обслужване, но някой задава правилата кога GeoModeler действа автономно и кога човек преглежда резултата.
Изграждането на този слой на управление, преди да се превърне в инцидент, е разликата между програма за автоматизация и автоматизиран оперативен модел.
Извод: кой модел пасва на вашия етап
Изберете традиционния модел, ако вашата мрежова инфраструктура все още има няколко години остатъчен срок на амортизация, клиентската ви база е стабилна и все още не сте изградили необходимата data инфраструктура, за да могат AI инструментите да генерират надежден сигнал. Прибързаното внедряване на AI върху непълни data pipelines води до грешки в мащаб, а не до ефективност.
Изберете модела, управляван от AI, ако вече имате телеметрия по мрежовите активи, в опашката за клиентско обслужване има ясно различими повтаряеми модели и ръководният ви екип е готов да дефинира границите на човешкия контрол преди автоматизацията да влезе в действие — не след това. Пътят на AT&T показва, че ползите са реални. Така са реални и рисковете по внедряването за операторите, които третират това като покупка на продукт, а не като редизайн на оперативния модел.
Related reads
Martin Kuvandzhiev
Co-Founder & CEO, encorp.ai
CEO and Founder of Encorp.io with expertise in AI and business transformation
LinkedIn