Lior Koriat, administrerende direktør i Quali – Interviewserie

Lior Koriat, administrerende direktør i Quali, er en erfaren teknologiuddøver og iværksætter med næsten to årtiers erfaring i Quali, hvor han har hjulpet med at forme virksomheden fra dens tidlige ingeniør- og operationsgrundlag til en global leverandør af cloud-agnostiske Environment as a Service-løsninger til DevOps, IT og platformhold. Siden han blev administrerende direktør og bestyrelsesmedlem i 2011, har han ledet Qualis udvidelse i USA, Europa, Asien og Israel, og bygget på tidligere roller som vicepræsident for forskning og udvikling, chief operating officer og administrerende direktør, hvor han etablerede ingeniør-, salgs-, kundesupport-, juridiske-, forretningsudviklings- og internationale operationer. Hans baggrund omfatter også grundlæggelse og ledelse af Intellitech Engineering, et erhvervet systems- og mekanisk ingeniørfirma, der betjener forsvars- og civile kunder, samt mentorroller med Google Launchpad Accelerator og UC Berkeley’s Sutardja Center for Entrepreneurship & Technology, hvor han rådgiver startups om produktstrategi, markedsføring, DevOps og skalerbarhed.

Quali udvikler infrastrukturautomatiserings- og platformteknologi, der er designet til at hjælpe organisationer med at levere styrede, selvbetjente cloud-miljøer uden at sænke udviklingsteamets hastighed. Deres Torque-platform leverer en katalogbaseret selvbetjeningsskikt til platformhold, der muliggør godkendte blueprints, rollebaseret adgangskontrol, livscyklusstyring, omkostningsattribuering, politikgennemførelse og realtidsvisibility på tværs af miljøer. Quali positionerer Torque som en måde at standardisere infrastrukturlevering på tværs af multi-cloud- og hybrid-cloud-sætninger, med støtte til brugsområder som softwareudvikling, test, demoer, træning, proof-of-concept-installationer, MLOps, agentic AI, CI/CD-pipelineautomatisering og GPU-as-a-Service. Deres bredere produktportefølje omfatter også CloudShell, der omdanner infrastruktur til genbrugbare lavkode- eller kodefrie byggeklodser til komplekse miljøer på tværs af on-premises- og cloud-infrastruktur.

Du har grundlagt og skaleret flere teknologivirksomheder, før du blev leder af Quali, og din karriere spænder over militære systemer, robotteknologi, infrastrukturteknologi og cloudautomatisering. Hvordan har disse erfaringer påvirket din vision for opbygning af AI-infrastrukturplatforme, og hvad overbeviste dig om, at dette var det rette øjeblik at fokusere på AI-naturlig infrastrukturledelse?

Min karriere har konsekvent centreret sig om komplekse systemer, der skal fungere pålideligt under krævende forhold. Jeg startede i robotteknologi og luftfart, hvor jeg udviklede automatiserings- og simulationsystemer til forsvarsformål, hvor gentagenhed og styring var operationelle krav snarere end ingeniørpræferencer. Disse miljøer lærte mig, at de sværeste problemer opstår, hvor multiple systemer og processer skal fungere sammen konsekvent over tid.

Denne perspektiv har ført til Quali. Over det seneste årti er enterprise-infrastruktur blevet mere og mere distribueret på tværs af forskellige lag. Hver ny lag løste et specifikt teknisk problem, men det introducerede også et nyt administrationsgrænseflade, en ny operationel workflow og en ny kilde til kompleksitet. Organisationer blev meget gode til at oprette infrastruktur, men mindre effektive til at styre den, når den først var oprettet.

AI accelererede denne ubalance, og operationelle udfordringer bestemmer stadig, om en AI-initiativ når produktion eller blot bliver fast i pilotstadiet. Det er derfor, jeg mener, at AI-naturlig infrastrukturledelse er blevet nødvendig. Udfordringen består i at operere AI-infrastruktur kontinuerligt på tværs af heterogene miljøer, samtidig med at man opretholder styring, sikkerhed og omkostningsdisciplin samt optimerer udnyttelse.

Suveræn AI er blevet en prioritet for både regeringer og virksomheder. Hvad misforstår de fleste organisationer om suverænitet, og hvorfor mener du, at infrastrukturledelse er lige så vigtig som model ejerskab?

Mange diskussioner om suveræn AI fokuserer på dataresidens og infrastruktur ejerskab. Disse er nødvendige komponenter, men de dækker kun en del af den operationelle virkelighed.

Når organisationer begynder at implementere autonome agenter, skifter den primære spørgsmål fra, hvor infrastruktur befinder sig, til, hvordan AI-systemer opererer inden for den infrastruktur. Moderne agenter kan provisionere ressourcer, hente information, initiere workflows og interagere med produktionsystemer. Hver af disse handlinger kræver politikgennemførelse.

Dette ændrer, hvordan suverænitet skal vurderes. At eje infrastruktur giver ikke automatisk operationel kontrol, hvis AI-systemer kan udføre handlinger uden deterministisk styring. Virksomhederne skal kunne demonstrere, hvem der initierede en handling, hvilke politikker styrer den, hvilke ressourcer blev adgang til, og hvordan disse beslutninger kan auditeres. Udfordringen består i at operere AI-infrastruktur kontinuerligt på tværs af heterogene miljøer, samtidig med at man opretholder styring, sikkerhed og omkostningsdisciplin samt optimerer udnyttelse.

Jeg forventer, at infrastrukturledelse vil blive lige så strategisk vigtig som modeludvikling, fordi det giver den operationelle ramme, der tillader organisationer at skale AI ansvarligt. Når virksomheder adopterer multiple modeller, multiple clouds og stadig mere autonome workflows, bliver styring det lag, der holder disse miljøer sikre og ansvarlige på tværs af hele infrastrukturporteføljen.

AI-agenter får stadig mere autoritet til at provisionere ressourcer, deploye workloads og træffe operationelle beslutninger. Hvilke sikkerhedsforanstaltninger skal være på plads, før virksomheder kan tillade autonome systemer at håndtere kritisk infrastruktur?

Mange organisationer har allerede deployet AI-agenter i produktion. Spørgsmålet er, hvordan disse agenter opererer inden for tydeligt definerede grænser.

Det første krav er deterministisk politikgennemførelse på udførelseslaget. Agenter skal kun kunne udføre handlinger, der overholder forhåndsdefinerede infrastrukturpolitikker. Disse politikker kan ikke afhænge af, om modellen beslutter, om en handling er passende. De skal gennemføres uafhængigt af modellen selv.

Adgangskontrol er lige så vigtig. Persistente tilladelser skaber unødvendig operationel risiko. Adgang skal være provisioneret til den specifikke opgave, der udføres, begrænset til de ressourcer, der kræves, og inddraget automatisk, når arbejdet er fuldført. Denne model tillader organisationer at udvide automatisering uden at udvide deres angrebsflade.

Hver handling kræver også en komplet audittrail. Når AI-systemer bliver mere autonome, skal virksomhederne kunne forstå, hvilken agent udførte en handling, hvornår det skete, hvilken politik autoriserede det, og hvilke ændringer blev foretaget. Denne niveau af sporbarehed understøtter operationel fejlfinding samt reguleringsmæssig overholdelse.

Jeg mener også, at autonome infrastruktur skal operere inden for styrede miljøer snarere end på ubegrænset infrastruktur. Veldefinerede miljøer giver eksplisitte ressourcegrænser, livscykluskontrol og operationelle politikker, før en agent begynder at udføre workloads. Dette tillader organisationer at øge automatisering, samtidig med at de opretholder forudsigelige operationelle adfærd, når AI-deployeringer fortsætter med at skale.

Du diskuterer ofte skiftet fra traditionel automatisering til, hvad du kalder en intelligent kontrolplan. Hvad ændrer sig fundamentalt, når infrastruktur begynder at operere omkring intention snarere end statiske regler og workflows?

Traditionel automatisering udfører forhåndsdefinerede trin. Dette fungerer, når infrastruktur er forudsigelig, workloads er stabile, og ændringer sker gennem menneskestyret workflows. AI-infrastruktur opererer ikke på den måde.

AI-workloads er dynamiske. GPU-krav ændrer sig hurtigt, miljøer oprettes og fjernes ofte, og agenter kan have brug for adgang til ressourcer til bestemte opgaver. En intelligent kontrolplan forstår formålet med et miljø, hvem der ejer det, hvad det koster, hvilke politikker gælder, og om den aktive tilstand stadig matcher den intentionerede tilstand.

Dette ændrer infrastrukturledelse. Systemet kan opdage drift, anbefale optimering, gennemføre politik og træffe livscyklusbeslutninger mod den intentionerede udfald snarere end en statisk script.

GPU-infrastruktur er blevet en af de største flaskehalse i AI-deployering. Mener du, at industrien nærmer sig GPU-udnyttelse forkert, og hvilke operationelle ændringer kunne dramatisk forbedre effektiviteten uden blot at tilføje mere hardware?

Industrien behandler ofte GPU-problemet som et indkøbsproblem. I mange virksomheder er det mere umiddelbare problem udnyttelse.

Vi ser organisationer med GPU-kluster, der er forudalloceret til toppunkt, sidder inaktive mellem træningsløb eller forbliver knyttet til miljøer efter arbejdet er slut. Dette skaber høje omkostninger uden at matche forretningsværdi.

Forbedring af GPU-effektivitet starter med livscyklusstyring. Miljøer skal provisioneres påkrævet, matchet til workload, tilskrevet en team eller projekt, og fjernet automatisk, når opgaven er fuldført. Virksomhederne har også brug for indsigt i udnyttelse, omkostninger pr. workload og den forretningsmæssige årsag bag hvert miljø.

Tilføjelse af hardware kan stadig være nødvendigt, men uredt GPU-kapacitet udvider kun omkostningsproblemet.

Mange virksomheder opererer i dag på tværs af offentlig cloud, privat cloud, on-premises-miljøer og edge-infrastruktur. Hvordan ser du hybrid-AI-miljøer udvikle sig over de næste fem år, og hvilke udfordringer forbliver uløste i dag?

Hybrid-AI vil blive den standardmæssige enterprise-model. Organisationer vil bruge offentlig cloud til fleksibilitet, on-premises-infrastruktur til kontrol og omkostningsstyring samt edge-miljøer, hvor latency, data-lokalitet eller operationelle krav kræver det.

Den uløste udfordring er konsistens. De fleste virksomheder opererer allerede på tværs af multiple leverandører, clouds, automatiseringsværktøjer og infrastrukturtyper. AI tilføjer GPU-kluster, model-serveringsmiljøer, finjusteringspipelines og agente workloads til denne blanding.

Over de næste fem år vil de førende organisationer være dem, der skaber en operationel standard på tværs af disse miljøer. De skal have konsistent provisionering, politikgennemførelse, omkostningsattribuering, auditabilitet og livscyklusstyring, uanset hvor workload kører.

DevOps forandrede softwarelevering over det sidste årti. Mener du, at AI-infrastruktur kræver en helt ny operationel model, eller er det den naturlige udvikling af DevOps og platformteknologi?

AI-infrastruktur udvider DevOps, men det introducerer også krav, som traditionelle DevOps-praktikker ikke var designet til at håndtere.

DevOps forbedrede softwarelevering ved at standardisere pipelines, automatisere gentagne arbejde og give teams hurtig adgang til de ressourcer, de havde brug for. AI-infrastruktur kræver samme disciplin, men workloads er mere ressourcekrævende, mindre forudsigelige og mere afhængige af specialiseret infrastruktur.

Platformteknologi bliver central i denne kontekst. Teams har brug for styrede selvbetjeningadgang til validerede miljøer snarere end ticket-baseret provisionering eller enkeltstående manuelle konfigurationer. Den operationelle model værdsætter stadig hastighed og automatisering, men den kræver også stærkere styring, omkostningskontrol og infrastrukturkontekst fra starten.

Zero-touch-operationer har længe været et mål i infrastrukturledelse. Hvor tæt er vi på at opnå sandt autonome infrastruktur, og hvilke er de største tekniske og organisatoriske barrierer, der stadig står i vejen?

Vi er meget tættere på autonom infrastruktur, end de fleste mennesker er klar over, men begrænsningsfaktoren er styring snarere end automatisering. AI-agenter kan allerede provisionere miljøer, deploye workloads, undersøge anomalier og anbefale remediering. Udfordringen er at sikre, at disse handlinger sker inden for tydeligt definerede politikgrænser.

Organisationer har også brug for tillid til, at autonome systemer kan forklare, hvad de gjorde, hvorfor de gjorde det, og under hvilken politik de handlede. Denne niveau af sporbarehed mangler stadig i mange enterprise-miljøer. Autonom infrastruktur vil blive mainstream, når styring, auditabilitet og politikgennemførelse er bygget ind i den operationelle lag snarere end tilføjet efterfølgende.

Når AI-workloads bliver mere dynamiske og ressourcekrævende, bliver omkostningsoverskridelser en stor bekymring. Hvad er de mest almindelige fejl, virksomheder begår, når de forsøger at skale AI-infrastruktur, og hvordan kan de undgå dem?

Mange organisationer fokuserer på at erhverve mere beregningskraft, før de forstår, hvor effektivt de bruger den infrastruktur, de allerede har.

Vi ser ofte miljøer, der forbliver aktive efter projekter er slut, GPU-ressourcer reserveret til workloads, der aldrig kører, og lidt indsigt i, hvilke teams eller applikationer driver infrastruktur-omkostninger. AI-workloads forstærker disse ineffektiviteter, fordi krav ændrer sig hurtigt, og GPU-infrastruktur er dyrt.

Løsningen starter med styring. Hvert miljø skal have en defineret ejer, forretningsformål, livscyklus og omkostningsprofil fra det øjeblik, det provisioneres. Når organisationer kombinerer politikstyret provisionering med automatiseret teardown og kontinuerlig indsigt i udnyttelse, bliver infrastruktur-udgifterne meget lettere at forudsige og retfærdiggøre.

Set fremad, hvad vil skille organisationerne, der med held operationaliserer AI i stor skala, fra dem, der kæmper, og hvilke infrastruktur-trends bør teknologiledere være opmærksomme på lige nu, der stadig flyver under radaren?

Organisationerne, der lykkes, vil behandle AI-infrastruktur som en operationel kapacitet snarere end en samling teknologier. Modeller vil fortsætte med at forbedre sig, og hardware vil fortsætte med at blive mere kraftfuldt. At operere disse miljøer konsekvent på tværs af multiple teams og platforme vil forblive den sværeste udfordring.

En trend, der fortjener mere opmærksomhed, er skiftet mod infrastrukturintelligens. Infrastrukturplatforme begynder at forstå konteksten af, hvad de styrer, hvem der ejer et miljø, hvilken workload det understøtter, hvor meget det koster, om det overholder politik, og hvornår det skal optimeres eller pensioneres. Denne operationelle kontekst vil blive stadig mere værdifuld, når virksomheder deployer mere AI-agenter og mere heterogen infrastruktur.

Jeg forventer også, at styring vil blive en konkurrencefordel. Organisationerne, der kan provisionere infrastruktur hurtigt, samtidig med at de opretholder synlighed, politikgennemførelse, omkostningskontrol og auditabilitet, vil flytte AI-projekter fra pilot til produktion meget hurtigere end dem, der stadig afhænger af fragmenterede operationelle modeller.

Tak for det gode interview. Læsere, der ønsker at lære mere, kan besøge Quali.