Jeremy Burton, CEO de Observe – Serie de entrevistas

Jeremy Burton, CEO de Observe, es un experimentado ejecutivo de software empresarial con más de 20 años de experiencia en liderazgo en importantes empresas tecnológicas, incluyendo Dell Technologies (DELL ), EMC, Oracle (ORCL ) y VERITAS. Ha liderado equipos globales en desarrollo de productos, marketing y estrategias de adquisiciones, construyendo y escalando negocios en almacenamiento, seguridad y SaaS. Burton también cofundó la Red de Tecnología de Oracle, que creció a millones de miembros en todo el mundo, y actualmente forma parte de la Junta Directiva de Snowflake y es asesor del equipo de Fórmula 1 de McLaren.

Observe, con sede en San Mateo, California, es una plataforma de observabilidad SaaS de próxima generación que ayuda a los equipos de SRE, DevOps y ingeniería a investigar y optimizar sistemas distribuidos modernos. Construida sobre la infraestructura de datos de Snowflake, unifica registros, métricas y trazas en un conjunto de datos único y rico en contexto, lo que permite a los equipos acelerar la respuesta a incidentes, identificar las causas raíz y mejorar la confiabilidad en entornos de nube complejos.

Ha ocupado puestos de liderazgo senior en gigantes globales como Dell, EMC y Oracle, y ahora lidera una startup con Observe. ¿Qué lo motivó a dejar atrás la estabilidad y la escala para dar el salto y construir algo desde cero?

He tenido la suerte de trabajar para algunos líderes increíbles en mi carrera, incluyendo a Larry Ellison y Michael Dell. Trabajé con ellos 20 o 30 años después de que ellos hubieran comenzado, pero lo que los hace destacar es que estuvieron allí desde el principio. Tomaron las decisiones iniciales sobre los productos, establecieron las rutas de mercado y establecieron una cultura para el éxito a largo plazo. Mi papel fue proporcionar mejoras incrementales sobre la base de las décadas de trabajo duro que ya habían realizado. Finalmente, llegué a un punto en mi carrera en el que quería demostrarme a mí mismo que también podía construir una empresa, llevar un producto al mercado, establecer un movimiento de ventas y crear una cultura que creyera que podría prosperar a largo plazo.

Observe se está posicionando como una nueva categoría en observabilidad, integrando registros, análisis y monitoreo en una plataforma unificada. ¿Cómo ve esta aproximación redefiniendo el espacio en comparación con los jugadores establecidos como Splunk y Datadog (DDOG )?

El gran problema que enfrentan las herramientas heredadas es que no fueron diseñadas para escalar. En conversaciones con clientes, hemos visto una y otra vez que Splunk y Datadog se vuelven prohibitivamente costosos a medida que crece el volumen de telemetría, y eso es fundamentalmente un problema con la forma en que se diseñaron las herramientas heredadas.

Observe se diferencia en que nuestra plataforma está construida sobre una arquitectura de lago de datos de transmisión que utiliza formatos abiertos como Apache Iceberg. Eso significa que podemos separar el cálculo del almacenamiento, escalar elásticamente y entregar observabilidad a una fracción del costo de los sistemas tradicionales. Los competidores como Splunk todavía confían en arquitecturas monolíticas que requieren planificación para la capacidad pico, y incluso herramientas más nuevas como Datadog requieren tiering de datos, rehidratación y reindexación para mantener los costos bajo control.

También nos centramos en una experiencia de observabilidad unificada. Los registros, las métricas, las trazas y los eventos viven en un solo lugar, con un lenguaje de consulta único y un Gráfico de Conocimiento que mapea automáticamente las relaciones entre servicios, usuarios e incidentes. Ese contexto es lo que hace que la resolución de problemas sea más rápida. En cambio, Splunk y Datadog tienen backends separados para registros, métricas y trazas, lo que lleva a un análisis más lento.

Finalmente, hemos invertido mucho en resolución de problemas impulsada por IA. Nuestro O11y AI SRE puede tomar entrada de lenguaje natural, generar hipótesis y guiar a los ingenieros a través de la resolución de incidentes, no solo alertarlos. Y está diseñado para aprovechar nuestro Gráfico de Conocimiento, que proporciona el contexto necesario para una resolución de problemas precisa. Eso es un paso más allá de la detección de anomalías o alertas que ofrecen la mayoría de los competidores hoy en día.

En resumen: somos rentables, estamos unificados y somos abiertos. Esas tres cualidades son lo que los clientes nos dicen consistentemente que nos distinguen de los jugadores establecidos como Splunk y los recién llegados como Datadog.

Al haber supervisado operaciones de miles de millones de dólares y ahora dirigir una startup, ¿qué lecciones sobre eficiencia, agilidad o innovación de las grandes empresas se aplican —y cuáles no?

Es contraintuitivo, pero las empresas grandes y exitosas hacen un pequeño número de cosas muy bien, y entienden cada detalle. Las que fracasan hacen demasiado, y todo se degenera en mediocridad.

En una startup, te enfocas en una cosa a la vez y te obsesionas con cada detalle. No hay suficiente financiamiento para hacer más que eso. Como resultado, lo que hace que las startups sean tan intensas es que puedes literalmente irte del negocio si no resuelves las cosas lo suficientemente rápido. Por lo tanto, debes tomar decisiones más rápido, lanzar más rápido, fallar más rápido y aprender más rápido. Además, debes hacer todo eso con menos personas.

Sin embargo, el aspecto más liberador de una startup es que no tienes un producto, modelo de negocio o ruta de mercado establecida. Eso significa que tienes libertad para hacer nuevas suposiciones sobre todas esas cosas. Eso no es el caso en una empresa grande. Por ejemplo, no puedes romper el modelo de negocio con un nuevo producto disruptivo. Incluso si técnicamente podrías construirlo, el director financiero y Wall Street no te dejarán maximizar su potencial. Eso es por qué las startups ganan quite a menudo cuando, en teoría, no deberían tener ninguna oportunidad.

También ha sido miembro de la junta directiva de Snowflake durante casi una década. ¿Qué ha aprendido de la trayectoria de Snowflake que informa su estrategia en Observe?

Snowflake atacó un problema antiguo con una nueva arquitectura. Construyeron su tecnología sobre una idea simple pero poderosa y disruptiva en un mercado masivo estancado por vendedores heredados. Hay un par de lecciones aquí: juega en mercados que son masivos, y puedes construir una empresa masiva. Además, debes tener un enfoque radicalmente diferente al de los incumbentes para que el cliente pueda ver beneficios enormes al moverse.

El mercado de observabilidad que estamos atacando es masivo, $30 mil millones y en crecimiento. Hemos resuelto el problema de la observabilidad de una manera muy única: utilizando una fundación de lago de datos, cómputo elástico y formatos abiertos. Eso promete dar a los clientes una mejora de un orden de magnitud en la velocidad de resolución de problemas y en el costo general.

Ha estado profundamente involucrado en el desarrollo de productos, marketing y adquisiciones a gran escala. ¿Cómo influye esa amplia experiencia en la forma en que prioriza las estrategias de crecimiento en Observe?

En los primeros días de una startup, es bastante simple: construyes un gran producto y tratas de venderlo. Esa es la estrategia de crecimiento. Dicho eso, mi carrera está muy sesgada hacia el software empresarial y la resolución de problemas complejos para grandes empresas, así que probablemente no es sorprendente que Observe se centre en eso.

Basado en mi experiencia, creo que para construir una gran empresa de observabilidad, debes resolver el problema para las empresas más grandes del mundo. Esos son los problemas de petabytes de datos, miles de usuarios y miles de aplicaciones. Hay muchas empresas de observabilidad, pero muy pocas pueden ganar en ese entorno. Estoy asegurándome de que Observe pueda.

La observabilidad se ha vuelto crítica a medida que las aplicaciones distribuidas modernas crecen en complejidad. ¿Dónde ve los mayores desafíos y oportunidades para las empresas en los próximos 3-5 años?

El mayor desafío hoy en día es la escala. Kubernetes, microservicios y ahora las cargas de trabajo de IA están produciendo volúmenes de datos que abruman las herramientas tradicionales. La confiabilidad de esas herramientas se desploma a medida que el costo se dispara, y simplemente no es sostenible; se necesita una nueva arquitectura.

Para empeorar las cosas, en los próximos años veremos más código escrito, asistido por herramientas de codificación de IA, que en cualquier otro momento de la historia. Ese código no será perfecto, y en algún momento fallará. El área de crecimiento se encuentra en preguntarse: ¿cómo se depura el código que nadie escribió? Y, o, mientras que las herramientas de codificación pueden mirar el código y arreglar errores, ¿pueden realmente mirar cómo se comporta la aplicación en producción y encontrar el código problemático? Esa es una oportunidad masiva para los vendedores de observabilidad en el futuro.

Muchos equipos luchan con la dispersión de herramientas, utilizando sistemas separados para registros, métricas y trazas. ¿Cómo ayuda Observe a simplificar esa experiencia para los equipos de ingeniería y DevOps en la práctica?

En lugar de manejar tres o cuatro herramientas, Observe da a los clientes una plataforma única para usar. Los registros, las métricas, las trazas y las alertas de una empresa viven en el mismo sistema y están unidos por un Gráfico de Conocimiento. El Gráfico de Conocimiento proporciona contexto que permite a los usuarios perforar y pivotar sin problemas a través de los registros, las métricas y las trazas para acelerar la resolución de problemas. Eso reduce la cantidad de tiempo que tienen que pasar saltando de plataforma en plataforma, lo que les permite descubrir un problema sin exportar datos ni cambiar de contexto.

¿Puede compartir un ejemplo concreto de cómo Observe ha ayudado a un cliente a resolver un problema importante —algo que habría sido difícil o imposible con herramientas de observabilidad tradicionales?

Capital One utiliza Observe para mostrar el estado de los viajes del cliente críticos correlacionando y enriqueciendo los datos de telemetría con el contexto empresarial relevante. Ingresan cientos de terabytes de telemetría al día, incluyendo registros, métricas, trazas, registros de cambios, registros de flujo de VPC y datos de configuración de AWS. Observe proporciona a Capital One una plataforma unificada para la observabilidad de extremo a extremo, para que los desarrolladores y los SRE puedan realizar respuestas interactivas a incidentes y depuración.

¿Cuál es el papel de la inteligencia artificial o el aprendizaje automático detrás de escena en Observe, y cómo está ayudando a los clientes a descubrir información más rápidamente o a detectar problemas automáticamente?

La inteligencia artificial tiene un historial complicado en la observabilidad porque los entornos empresariales son inherentemente ruidosos, y es muy difícil producir un modelo que no resulte en miles de anomalías. La IA generativa es una tecnología muy diferente y tendrá un impacto mucho más profundo.

Creemos que la IA cambiará la forma en que los ingenieros interactúan con las herramientas de observabilidad. En primer lugar, podrán hablar directamente con sus datos de observabilidad en lenguaje natural mientras se encuentran en su IDE; la mitad de nuestros usuarios en el futuro pueden nunca iniciar sesión o aprender Observe. En segundo lugar, los agentes de IA estarán presentes durante la “paz” para escanear la telemetría y buscar posibles problemas que eventualmente pueden resultar en un incidente. Los agentes de IA no se cansan ni se aburren, y pueden realizar trabajo que los humanos simplemente no pueden hacer. Finalmente, durante la “guerra”, los agentes de IA asistirán a los ingenieros y los SRE con el curso de acción que deben tomar para resolver el problema.

Su estilo de liderazgo inspirado en la Fórmula 1 enfatiza la resistencia mental y el aprendizaje de los errores. ¿Cómo ha moldeado esa perspectiva su enfoque para construir Observe y liderar al equipo a través de desafíos y victorias?

El éxito en la F1 se cultiva utilizando datos para guiar las decisiones futuras, tanto para el conductor como para el coche. Para cuando un coche de F1 llega al final de la temporada, el 90% de las piezas han sido reemplazadas, y es 2 segundos más rápido en la pista de carreras.

En Observe, debemos tener la misma mentalidad para tener éxito. Lanzamos, medimos, escuchamos, adaptamos rápidamente. Me imagino que el 90% de nuestro producto es diferente hoy que hace incluso un par de años. Este enfoque requiere mucha disciplina y mucha humildad; no es fácil escuchar malas noticias una y otra vez. Sin embargo, si actúas sobre suficientes malas noticias, se convierten gradualmente en buenas noticias, y el ARR se acelera. No es magia, es lógica.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Observe.