Ronak Desai, grundlægger og administrerende direktør for Ciroos – Interviewserie

Ronak Desai, grundlægger og administrerende direktør for Ciroos, leder virksomheden med en klar mission om at eliminere IT-arbejde og give tid tilbage til SRE, DevOps og operationsingeniører. Han har en dyb overbevisning om, at AI skal væsentligt udvide menneskelig ekspertise i stedet for at erstatte den, især i højrisikområder. Før han grundlagde Ciroos, tilbragte Desai mere end 20 år hos Cisco, hvor han havde flere ledende stillinger, herunder senior vicepræsident og direktør for Cisco Full-Stack Observability og AppDynamics. Gennem sin karriere har han fokuseret på at opbygge skalerbare, kundecentrerede platforme, har mere end 50 patenter i brug i dag og følger principperne for innovation og kundeobsession, som formede hans tid hos Cisco.

Ciroos bygger en AI-baseret SRE-makker, der er designet til at dramatisk reducere den tid, det tager at undersøge og løse komplekse IT-episoder på tværs af moderne, multi-domæne-miljøer. Platformen bruger naturlig multi-agentic AI til at forstå signaler, automatisere undersøgelser og understøtte automation, udvidelse og autonom drift – samtidig med, at mennesker forbliver fast i kontrollen. Ved at korrelerer data på tværs af værktøjer og domæner, der traditionelt er adskilt, gør Ciroos det muligt for hold at gå fra reaktiv brandbekæmpelse til hurtigere og mere selvbevidst beslutningstagning, hvilket giver ingeniører mulighed for at fokusere på højere-impact-arbejde i stedet for gentagne og udmattende operationelle arbejdsopgaver.

De tilbragte mere end to årtier hos Cisco, hvor De hjalp med at bygge nogle af virksomhedens mest succesfulde netværks- og overvågningsprodukter. Hvad inspirerede Dem til at tage springet og grundlægge Ciroos?

Gennem mine interaktioner med forskellige enterprise-hold så jeg den samme historie gentage sig gang på gang. Operationsholdene var overvældede af dashboards, jagtede alerts og afhængige af institutionel viden til at fejlfinde problemer på tværs af multiple systemer. Trods betydelige kapitaludgifter til overvågning manglede de en måde at forbinde beviser på tværs af domæner i realtid. Mine medstiftere og jeg ville ændre på det. Vi satte os for at bygge et AI-system, der kunne forstå som en erfaren operatør og arbejde i samspil med SRE’er fra starten, hvilket gjorde det muligt for hold at fokusere på at forbedre robusthed og pålidelighed i stedet for at bruge tid på at lede efter indsigt eller bekæmpe problemer.

De har beskrevet Ciroos som en reaktion på et af de største problemer i operationer – undersøgelser, der spænder over multiple domæner. Hvordan formede Deres erfaring med at lede AppDynamics og Full-Stack Observability-forretningsområdet hos Cisco denne erkendelse og påvirkede arkitekturen i Ciroos?

Hos AppDynamics opnåede vi et højt niveau af indsigt i applikationsadfærd. Men når årsagen til en episode boede uden for applikationen (enten i cloud-konfiguration, netværk eller IAM), var det at have indsigt på applikationslaget alene utilstrækkeligt. Udfordringen bestod i at etablere kontekst. Denne erfaring formede, hvordan vi designede Ciroos. Vores platform bringer AI-forståelse til skala for produktion-operationer. Den ser på signaler på tværs af domæner, aligner begivenheder på en fælles tidsakse og forstår på tværs af domæne-grænser for at bestemme de sande årsager til episoder.

Ciroos introducerer begrebet om en “AI SRE-makker”. Hvordan adskiller denne idé om AI som en samarbejdspartner sig fra traditionel automation eller overvågningsværktøjer?

AI SRE-makkeren fungerer mere som en ny makker end et nyt værktøj. Den lytter først, opnår en forståelse af miljøet, accepterer definerede opgaver og opbygger tillid over tid. Mens traditionel automation udfører regler, anvender makkeren forståelse. Når den identificerer et problem, vælger den de relevante domæne-eksperter til at spørge, indsamler understøttende beviser og præsenterer dem i kontekst. Dette samarbejdselement frigør ingeniørernes tid til at validere og løse problemer i stedet for at manuelt aflede korrelationer.

Deres platform anvender multi-agentic AI-forståelse. Kan De forklare, hvordan multiple AI-agenter koordinerer for at accelerere rodårsagsanalyse og forbedre nøjagtighed på tværs af komplekse systemer?

Hver agent har domæne-ekspertise – en i Kubernetes, en anden i cloud, en anden i netværk og så videre. Når en episode indtræffer, arbejder disse agenter sammen som en del af et centralt forståelseslag, der korrelerer fund i realtid. Systemet bestemmer, hvilke agenter der skal aktiveres, hvilke opgaver der skal tildeles hver agent, i hvilken rækkefølge og i hvor lang tid. Denne koordination reducerer undersøgelses tid og forbedrer nøjagtighed ved at sikre, at hver lag evalueres i kontekst i stedet for i en silo.

Set fra et teknisk synspunkt, hvordan gør Ciroos det muligt at forstå på tværs af forskellige datakilder – såsom cloud-telemetri, applikationslog og infrastruktur-målinger – uden at overvælde brugere med støj?

Ciroos betragter hver datakilde som ét linse i et større billede. Den aligner observationer på tværs af datakilder på en fælles tidsakse og viser kun de relevante årsagsforhold. For eksempel, hvis en pod-genstartsbegivenhed indtræffer efter en lille ændring i IAM eller netværkspolitik, forbinder Ciroos automatisk denne sekvens. Den går ud over at give raw dashboards og samler i stedet en komplet historie baseret på beviser, der hjælper ingeniørerne med at forstå, hvorfor noget skete.

Tillid og forklarbarhed er centrale i Deres designfilosofi. Hvordan sikrer De, at AI-drevne anbefalinger forbliver gennemsigtige, og at menneskelige ingeniører forbliver fast i kontrollen?

Hver anbefaling kommer med det understøttende bevis og den forståelse, der førte til den. Ingenicørerne kan spore hver konklusion, teste deres antagelser og styre systemets niveau af autonomi, fra assistent til semi-autonom. Systemet beholder kontekstuel viden over tid gennem menneskelig feedback, hvilket giver det mulighed for at forbedre beslutningskvalitet, mens det forbliver fuldt styret. Vores tilgang ligner måden, en team ville påtage sig nye teammedlemmer, med klare retningslinjer, direkte forståelse og fuld menneskelig oversigt. Tillid opbygges, da systemet viser stadig mere pålidelig præstation over tid.

Tidlige brugere rapporterer, at Ciroos reducerer undersøgelsestid fra timer til minutter. Hvad slags mønstre eller indsigt overraskede Dem mest, da hold begyndte at bruge AI SRE-makkeren i produktion?

Der har været to behagelige overraskelser – først, hvor hurtigt selv store virksomheder har reageret positivt på vores kerneværdiproposition, har været opmuntrende. For det andet har vores kunder kigget nærmere på vores teknologi og er kommet op med nogle meget unikke brugsområder, der går langt ud over rodårsagsanalyse. Disse brugsområder fremhæver de virkelige udfordringer, som store virksomheder står over for i deres produktionsoperationer i dag.

Begrebet “AI som en makker” antyder samarbejde i stedet for erstatning. Hvordan ser De på, at dette begreb udvikler sig, når organisationer bliver mere komfortable med at arbejde sammen med intelligente systemer?

Vi ser på dette som en rejse, der involverer automation, udvidelse og til sidst autopilot. Selvom Ciroos understøtter alle tre tilgange i dag, ser vi typisk, at organisationsadoption af AI følger en modenhedskurve. For at begynde bruger virksomheder vores AI-system til at automatisere klart definerede og gentagne opgaver, samtidig med at de minimiserer kognitivt overload for mennesker. I modsætning hertil lægger ikke-AI-native-systemer for stor byrde på den menneskelige operatør for at konfigurere mange parametre og regler, før kunderne kan se værdien.

I den næste fase udnytter virksomheder AI-systemet til at udvide en menneskelig forståelse i skala på tværs af multiple domæner, selvom systemet giver detaljerede forklaringer og anbefalinger for afhjælpning, som menneskerne validerer og udfører. Dette er, hvor de fleste virksomheder er i dag.

Over tid kan AI-systemet håndtere fulde incident-workflows autonomt for virksomheden, kun eskalerer til en menneske, når det er nødvendigt. Vi forventer, at dette vil åbnes op gradvist baseret på opgaven. Denne progression ligner måden, teams udvikler tillid til nye medarbejdere. Jo mere tillid, desto dybere partnerskab.

Mange virksomheder afhænger allerede af etablerede overvågnings- og incidentstyringsplatforme. Hvordan integrerer Ciroos med disse eksisterende økosystemer uden at forstyrre arbejdsgange?

Fra begyndelsen var integration aldrig et spørgsmål om, om det var muligt. Vi mener, at en føderal datamodel giver virksomheder den hurtigste tid-til-værdi, mest valgmuligheder og lavest samlede ejeromkostning. Ciroos AI SRE-makker integrerer med syv forskellige kategorier af virksomhedssystemer i dag – overvågning, incidentrespons, samarbejdsværktøjer, cloud-platforme, billetsystemer, CI/CD-værktøjer og fysisk infrastruktur via åbne API’er og protokoller såsom MCP og A2A. Den integrerer i etablerede arbejdsgange i stedet for at kræve, at hold skal adoptere nye. Denne design har gjort det let for virksomheder at adoptere. Hold får hurtigere svar uden at ændre deres eksisterende arbejdsgange.

De har understreget kundeobsession og innovation gennem Deres karriere. Hvordan leder disse værdier Ciroos’ kultur og dens langsigtede vision for at gendefinere pålidelighedsingeniørarbejde?

At være kundeobsesseret betyder at være ubønhørligt fokuseret på de virkelige udfordringer, som vores kunders operationshold står over for, såsom lange arbejdstider, træthed, arbejde og den konstante søgen efter svar på spørgsmål, der opstår i operationer. Innovation handler om at løse disse problemer på måder, der giver tid og fokus tilbage. Vi forestiller os, at alle operationshold har en AI-makker, der lærer kontinuerligt, skalerer med efterspørgsel og hjælper med at sikre pålidelighed på tværs af systemer. På lang sigt ser vi AI-tjeneste som software, der bliver standard på tværs af hele udvikling til produktion-operationssammenhæng – systemer, der tænker, handler og forbedrer sammen med deres menneskelige kolleger. Hvis vi kan give vores brugere den klarhed og åndedrætsrum, de altid har brugt, har vi gjort vores arbejde rigtigt. Disse brugere kunne være SRE’er, IT-operationspersonale, produktion-operationsingeniører, cloud-operationsingeniører eller DevOps-teammedlemmer, der udfører produktion-operationer.