Lior Koriat, CEO von Quali – Interview-Serie

Lior Koriat, CEO von Quali, ist ein erfahrener Technologie-Executive und Unternehmer mit fast zwei Jahrzehnten Erfahrung bei Quali, wo er half, das Unternehmen von seinen frühen Ingenieur- und Betriebsgrundlagen zu einem globalen Anbieter von cloud-agnostischen Environment-as-a-Service-Lösungen für DevOps-, IT- und Plattform-Teams zu entwickeln. Seit er 2011 CEO und Vorstandsmitglied wurde, hat er die Expansion von Quali in den USA, Europa, Asien und Israel geleitet und auf frühere Rollen als VP R&D, COO und CEO aufgebaut, wo er Ingenieur-, Vertriebs-, Kundensupport-, Rechts-, Geschäftsentwicklungs- und internationale Betriebsabteilungen etablierte. Sein Hintergrund umfasst auch die Gründung und Leitung von Intellitech Engineering, einem erworbenen System- und Maschinenbauunternehmen, das Verteidigungs- und zivile Kunden bediente, sowie Mentor-Rollen bei Google Launchpad Accelerator und der UC Berkeley-Sutardja-Zentrum für Unternehmertum und Technologie, wo er Start-ups über Produktstrategie, Go-to-Market-Execution, DevOps und Skalierung berät.

Quali entwickelt Infrastruktur-Automatisierungs- und Plattform-Engineering-Software, die dazu dient, Organisationen dabei zu helfen, geregelte, selbstbediente Cloud-Umgebungen bereitzustellen, ohne die Entwicklungsteams zu verlangsamen. Die Torque-Plattform bietet eine katalogbasierte Selbstbedienungsschicht für Plattform-Teams, die genehmigte Blaupausen, rollenbasierte Zugriffssteuerungen, Lebenszyklus-Management, Kostenzuordnung, Richtlinien-Durchsetzung und Echtzeit-Überwachung über Umgebungen hinweg ermöglicht. Quali positioniert Torque als Möglichkeit, die Infrastruktur-Bereitstellung über Multi-Cloud- und Hybrid-Cloud-Setups hinweg zu standardisieren, mit Unterstützung für Anwendungsfälle wie Software-Entwicklung, Testen, Demos, Schulung, Proof-of-Concept-Deployments, MLOps, agentic AI, CI/CD-Pipeline-Automatisierung und GPU-as-a-Service. Das umfassendere Produkt-Portfolio umfasst auch CloudShell, das Infrastruktur in wiederverwendbare Low-Code- oder No-Code-Bausteine für komplexe Umgebungen über On-Premises- und Cloud-Infrastruktur umwandelt.

Sie haben mehrere Technologie-Unternehmen gegründet und skaliert, bevor Sie Quali leiteten, und Ihre Karriere umfasst militärische Systeme, Robotik, Infrastruktur-Engineering und Cloud-Automatisierung. Wie haben diese Erfahrungen Ihre Vision für den Bau von AI-Infrastruktur-Plattformen beeinflusst, und was hat Sie davon überzeugt, dass dies der richtige Moment ist, um sich auf AI-nativen Infrastruktur-Management zu konzentrieren?

Meine Karriere hat sich konsistent auf komplexe Systeme konzentriert, die zuverlässig unter anspruchsvollen Bedingungen operieren müssen. Ich begann in der Robotik und der Luft- und Raumfahrt, wo ich Automatisierungs- und Simulations-Systeme für Verteidigungsanwendungen entwickelte, wo Wiederholbarkeit und Governance betriebliche Anforderungen und nicht nur Ingenieur-Präferenzen waren. Diese Umgebungen lehrten mich, dass die härtesten Probleme entstehen, wenn mehrere Systeme und Prozesse zusammenarbeiten müssen, um konsistent über einen längeren Zeitraum zu funktionieren.

Das hat sich bei Quali fortgesetzt. Im Laufe des letzten Jahrzehnts ist die Unternehmens-Infrastruktur zunehmend verteilt über verschiedene Schichten geworden. Jede neue Schicht löste ein bestimmtes technisches Problem, führte aber auch eine weitere Management-Schnittstelle, einen weiteren Betriebs-Workflow und eine weitere Quelle der Komplexität ein. Organisationen wurden sehr gut darin, Infrastruktur zu erstellen, aber viel weniger effektiv darin, sie zu verwalten, nachdem sie existierte.

AI hat diese Ungleichgewichtung beschleunigt, und betriebliche Herausforderungen bestimmen zunehmend, ob eine AI-Initiative die Produktionsphase erreicht oder im Pilot-Stadium stecken bleibt. Deshalb glaube ich, dass AI-nativer Infrastruktur-Management notwendig geworden ist. Die Herausforderung besteht darin, AI-Infrastruktur kontinuierlich über heterogene Umgebungen hinweg zu betreiben, während Governance, Sicherheit und Kosten-Disziplin aufrechterhalten und die Auslastung optimiert werden.

Souveräne AI ist für Regierungen und Unternehmen gleichermaßen zu einer Priorität geworden. Was verstehen die meisten Organisationen falsch über Souveränität, und warum glauben Sie, dass Infrastruktur-Governance genauso wichtig wird wie Modelleigentum?

Viele Diskussionen über Souveräne AI konzentrieren sich auf Daten-Residenz und Infrastruktur-Eigentum. Das sind notwendige Komponenten, aber sie berücksichtigen nur einen Teil der betrieblichen Realität.

Sobald Organisationen beginnen, autonome Agenten zu bereitstellen, ändert sich die Frage von der Infrastruktur-Residenz zu der Frage, wie AI-Systeme innerhalb dieser Infrastruktur operieren. Moderne Agenten bereitstellen Ressourcen, rufen Informationen ab, initiieren Workflows und interagieren mit Produktions-Systemen. Jede dieser Aktionen erfordert Richtlinien-Durchsetzung.

Das ändert, wie Souveränität bewertet werden sollte. Das Eigentum an der Infrastruktur stellt nicht automatisch die operative Kontrolle sicher, wenn AI-Systeme Aktionen ausführen können, ohne deterministische Governance. Unternehmen müssen demonstrieren, wer eine Aktion initiiert hat, welche Richtlinien sie regelten, welche Ressourcen zugegriffen wurden und wie diese Entscheidungen auditiert werden können. Die Herausforderung besteht darin, AI-Infrastruktur kontinuierlich über heterogene Umgebungen hinweg zu betreiben, während Governance, Sicherheit und Kosten-Disziplin aufrechterhalten und die Auslastung optimiert werden.

Ich erwarte, dass Infrastruktur-Governance genauso strategisch wichtig wird wie Model-Entwicklung, da sie den betrieblichen Rahmen bereitstellt, der es Organisationen ermöglicht, AI verantwortungsvoll zu skalieren. Wenn Unternehmen multiple Modelle, multiple Clouds und zunehmend autonome Workflows adoptieren, wird Governance die Schicht, die diese Umgebungen sicher und rechenschaftspflichtig über die gesamte Infrastruktur hält.

AI-Agenten werden zunehmend die Befugnis erteilt, Ressourcen bereitzustellen, Workloads bereitzustellen und betriebliche Entscheidungen zu treffen. Welche Schutzmechanismen müssen vorhanden sein, bevor Unternehmen autonome Systeme mit kritischer Infrastruktur vertrauen können?

Viele Organisationen setzen bereits AI-Agenten in der Produktion ein. Die Frage ist, wie diese Agenten innerhalb klar definierter Grenzen operieren.

Die erste Anforderung ist deterministische Richtlinien-Durchsetzung auf der Ausführungsebene. Agenten sollten nur Aktionen ausführen können, die den vordefinierten Infrastruktur-Richtlinien entsprechen. Diese Richtlinien dürfen nicht von dem Modell abhängen, das entscheidet, ob eine Aktion angemessen ist. Sie müssen unabhängig vom Modell selbst durchgesetzt werden.

Zugriffssteuerung ist ebenso wichtig. Persistente Berechtigungen schaffen unnötiges betriebliches Risiko. Der Zugriff sollte für die spezifische Aufgabe bereitgestellt werden, die erforderlichen Ressourcen beschränkt und automatisch widerrufen, sobald die Arbeit abgeschlossen ist. Dieses Modell ermöglicht es Organisationen, die Automatisierung ohne Erweiterung ihrer Angriffsfläche zu erweitern.

Jede Aktion benötigt auch eine vollständige Audit-Spur. Wenn AI-Systeme autonomer werden, müssen Unternehmen verstehen, welcher Agent eine Aktion ausgeführt hat, wann sie aufgetreten ist, welche Richtlinie sie autorisiert hat und welche Änderungen vorgenommen wurden. Diese Spur der Nachvollziehbarkeit unterstützt die betriebliche Fehlersuche sowie die Einhaltung von Vorschriften.

Ich glaube auch, dass autonome Infrastruktur in geregelten Umgebungen und nicht in unbeschränkter Infrastruktur operieren sollte. Gut definierte Umgebungen bieten explizite Ressourcen-Grenzen, Lebenszyklus-Steuerung und betriebliche Richtlinien, bevor ein Agent beginnt, Workloads auszuführen. Dies ermöglicht es Organisationen, die Automatisierung zu erhöhen, während sie gleichzeitig vorhersehbares betriebliches Verhalten aufrechterhalten, wenn AI-Deployments weiter skaliert werden.

Sie diskutieren oft den Übergang von traditioneller Automatisierung zu dem, was Sie als intelligenten Steuerungs-Plan bezeichnen. Was ändert sich grundlegend, wenn die Infrastruktur beginnt, auf der Grundlage von Absichten und nicht auf der Grundlage statischer Regeln und Workflows zu operieren?

Traditionelle Automatisierung führt vordefinierte Schritte aus. Das funktioniert, wenn die Infrastruktur vorhersehbar ist, Workloads stabil sind und Änderungen durch menschlich gesteuerte Workflows erfolgen. AI-Infrastruktur funktioniert nicht so.

AI-Workloads sind dynamisch. GPU-Nachfrage ändert sich schnell, Umgebungen werden häufig erstellt und abgerissen, und Agenten benötigen möglicherweise Zugriff auf Ressourcen für bestimmte Aufgaben. Ein intelligenter Steuerungs-Plan versteht den Zweck einer Umgebung, wer sie besitzt, was sie kostet, welche Richtlinien anwendbar sind und ob der Live-Zustand noch dem beabsichtigten Zustand entspricht.

Das ändert die Infrastruktur-Verwaltung. Das System kann Drift erkennen, Optimierung empfehlen, Richtlinien durchsetzen und Lebenszyklus-Entscheidungen gegen den beabsichtigten Ausgang und nicht gegen ein statisches Skript treffen.

GPU-Infrastruktur ist zu einem der größten Engpässe bei der AI-Implementierung geworden. Glauben Sie, dass die Branche die GPU-Ausnutzung falsch angeht, und welche betrieblichen Änderungen könnten die Effizienz dramatisch verbessern, ohne einfach nur mehr Hardware hinzuzufügen?

Die Branche behandelt das GPU-Problem oft als Beschaffungsproblem. In vielen Unternehmen ist das unmittelbarere Problem die Ausnutzung.

Wir sehen Organisationen mit GPU-Clustern, die für Spitzen-Nachfrage vorab bereitgestellt werden, zwischen Trainingsläufen inaktiv bleiben oder nach Abschluss der Arbeit an Umgebungen angehängt bleiben. Dies schafft hohe Kosten ohne entsprechenden Geschäftswert.

Die Verbesserung der GPU-Effizienz beginnt mit Lebenszyklus-Steuerung. Umgebungen sollten auf Anfrage bereitgestellt werden, den Workloads entsprechend zugeordnet, einem Team oder Projekt zugeordnet und automatisch abgerissen, wenn die Aufgabe abgeschlossen ist. Unternehmen benötigen auch Einblick in die Ausnutzung, Kosten pro Workload und den Geschäftszweck hinter jeder Umgebung.

Viele Unternehmen operieren heute über öffentliche Cloud, private Cloud, On-Premises-Umgebungen und Edge-Infrastruktur. Wie sehen Sie die Entwicklung von Hybrid-AI-Umgebungen in den nächsten fünf Jahren, und welche Herausforderungen bleiben ungelöst?

Hybrid-AI wird zum Standard-Unternehmensmodell werden. Organisationen werden öffentliche Cloud für Flexibilität, On-Premises-Infrastruktur für Kontrolle und Kosten-Management und Edge-Umgebungen verwenden, wo Latenz, Daten-Lokalität oder betriebliche Anforderungen es erfordern.

Die ungelöste Herausforderung ist Konsistenz. Die meisten Unternehmen operieren bereits über mehrere Anbieter, Clouds, Automatisierungstools und Infrastruktur-Typen. AI fügt GPU-Cluster, Model-Serving-Umgebungen, Fein-Tuning-Pipelines und agentic-Workloads zu dieser Mischung hinzu.

In den nächsten fünf Jahren werden die führenden Organisationen diejenigen sein, die einen einzigen betrieblichen Standard über diese Umgebungen hinweg schaffen. Sie benötigen konsistente Bereitstellung, Richtlinien-Durchsetzung, Kosten-Zuordnung, Auditierbarkeit und Lebenszyklus-Steuerung, unabhängig davon, wo der Workload läuft.

DevOps hat die Software-Lieferung im Laufe des letzten Jahrzehnts revolutioniert. Glauben Sie, dass AI-Infrastruktur ein vollständig neues betriebliches Modell erfordert, oder ist es die natürliche Evolution von DevOps und Plattform-Engineering?

AI-Infrastruktur erweitert DevOps, aber es stellt auch Anforderungen, die traditionelle DevOps-Praktiken nicht zu bewältigen waren.

DevOps hat die Software-Lieferung durch Standardisierung von Pipelines, Automatisierung von wiederholbaren Arbeiten und schnelleren Zugriff auf die erforderlichen Ressourcen verbessert. AI-Infrastruktur erfordert dieselbe Disziplin, aber die Workloads sind ressourcen-intensiver, weniger vorhersehbar und von spezieller Infrastruktur abhängig.

Plattform-Engineering wird in dieser Umgebung zentral. Teams benötigen geregelten Selbstbedienungszugriff auf validierte Umgebungen, anstatt auf ticket-basierte Bereitstellung oder manuelle Konfigurationen. Das Betriebsmodell schätzt immer noch Geschwindigkeit und Automatisierung, aber es erfordert auch stärkere Governance, Kosten-Steuerung und Infrastruktur-Kontext von Anfang an.

Zero-Touch-Operationen sind seit Langem ein Ziel der Infrastruktur-Verwaltung. Wie nahe sind wir an wirklich autonome Infrastruktur, und welche sind die größten technischen und organisatorischen Barrieren, die noch im Weg stehen?

Wir sind viel näher an autonome Infrastruktur, als die meisten Menschen denken, aber der limitierende Faktor ist Governance und nicht Automatisierung. AI-Agenten können bereits Umgebungen bereitstellen, Workloads bereitstellen, Anomalien untersuchen und Remediation empfehlen. Die Herausforderung besteht darin, sicherzustellen, dass diese Aktionen innerhalb klar definierter Richtlinien-Grenzen erfolgen.

Organisationen benötigen auch Vertrauen, dass autonome Systeme erklären können, was sie getan haben, warum sie es getan haben und unter welcher Richtlinie sie gehandelt haben. Diese Spur der Nachvollziehbarkeit fehlt in vielen Unternehmens-Umgebungen noch. Autonome Infrastruktur wird zum Mainstream werden, wenn Governance, Auditierbarkeit und Richtlinien-Durchsetzung in die betriebliche Schicht integriert werden, anstatt nachträglich hinzugefügt zu werden.

Wenn AI-Workloads dynamischer und ressourcen-intensiver werden, werden Kosten-Überschreitungen zu einer großen Sorge. Welche sind die häufigsten Fehler, die Unternehmen machen, wenn sie versuchen, AI-Infrastruktur zu skalieren, und wie können sie diese vermeiden?

Viele Organisationen konzentrieren sich auf die Beschaffung von mehr Rechenleistung, bevor sie verstehen, wie effizient sie die Infrastruktur nutzen, die sie bereits haben.

Wir sehen regelmäßig Umgebungen, die nach Abschluss von Projekten aktiv bleiben, GPU-Ressourcen, die für Workloads reserviert werden, die nie ausgeführt werden, und wenig Einblick in die Infrastruktur-Kosten, die von Teams oder Anwendungen verursacht werden. AI-Workloads verstärken diese Ineffizienzen, da die Nachfrage schnell ändert und GPU-Infrastruktur teuer ist.

Die Lösung beginnt mit Governance. Jede Umgebung sollte einen definierten Besitzer, einen Geschäftszweck, einen Lebenszyklus und ein Kosten-Profil haben, sobald sie bereitgestellt wird. Wenn Organisationen Richtlinien-gesteuerte Bereitstellung mit automatischer Abriss- und kontinuierlicher Sichtbarkeit von Ausnutzung kombinieren, wird die Infrastruktur-Ausgabe viel einfacher vorherzusagen und zu rechtfertigen.

Wenn man in die Zukunft blickt, was wird die Organisationen unterscheiden, die AI erfolgreich auf großem Maßstab operativ umsetzen, von denen, die kämpfen, und welche Infrastruktur-Trends sollten Technologie-Führer beachten, die noch unter dem Radar liegen?

Die Organisationen, die erfolgreich sind, werden AI-Infrastruktur als betriebliche Fähigkeit und nicht als Sammlung von Technologien betrachten. Modelle werden weiter verbessert, und Hardware wird weiter leistungsfähiger. Die Betreibung dieser Umgebungen konsistent über mehrere Teams und Plattformen hinweg zu halten, wird die größere Herausforderung bleiben.

Einer der Trends, der mehr Aufmerksamkeit verdient, ist der Übergang zu Infrastruktur-Intelligenz. Infrastruktur-Plattformen beginnen, den Kontext dessen zu verstehen, was sie verwalten, wer eine Umgebung besitzt, welcher Workload sie unterstützt, wie viel sie kostet, ob sie den Richtlinien entspricht und wann sie optimiert oder abgerissen werden sollte. Diese betriebliche Kontext wird immer wertvoller, wenn Unternehmen mehr AI-Agenten und heterogene Infrastruktur bereitstellen.

Ich erwarte auch, dass Governance zu einem Wettbewerbsvorteil wird. Die Organisationen, die Infrastruktur schnell bereitstellen können, während sie Sichtbarkeit, Richtlinien-Durchsetzung, Kosten-Steuerung und Auditierbarkeit aufrechterhalten, werden AI-Projekte von der Pilot- zur Produktions-Phase viel schneller bewegen als diejenigen, die noch auf fragmentierte Betriebsmodelle angewiesen sind.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Quali besuchen.