Lior Koriat, CEO de Quali – Serie de entrevistas

Lior Koriat, CEO de Quali, es un experimentado ejecutivo de tecnología y emprendedor con casi dos décadas en Quali, donde ha ayudado a dar forma a la empresa desde sus fundamentos iniciales de ingeniería y operaciones hasta convertirse en un proveedor global de soluciones de Entorno como Servicio (EaaS) para equipos de DevOps, TI y plataforma. Desde que se convirtió en CEO y miembro de la junta directiva en 2011, ha liderado la expansión de Quali en Estados Unidos, Europa, Asia e Israel, basándose en roles anteriores como VP de I+D, COO y CEO, donde estableció ingeniería, ventas, soporte al cliente, asuntos legales, desarrollo empresarial y operaciones internacionales. Su experiencia también incluye la fundación y dirección de Intellitech Engineering, una empresa de ingeniería de sistemas y mecánica adquirida que atiende a clientes de defensa y civiles, así como roles de mentoría con Google Launchpad Accelerator y el Centro de Emprendimiento y Tecnología Sutardja de la Universidad de California en Berkeley, donde asesora a startups sobre estrategia de producto, ejecución de lanzamiento, DevOps y escalabilidad.

Quali desarrolla software de automatización de infraestructura y ingeniería de plataforma diseñado para ayudar a las organizaciones a entregar entornos de nube gobernados y de autoservicio sin frenar a los equipos de desarrollo. Su plataforma Torque proporciona una capa de autoservicio basada en catálogo para equipos de plataforma, que permite planos aprobados, controles de acceso basados en roles, gestión de ciclo de vida, atribución de costos, aplicación de políticas y visibilidad en tiempo real en todos los entornos. Quali posiciona a Torque como una forma de estandarizar la entrega de infraestructura en configuraciones de nube múltiple e híbrida, con soporte para casos de uso que incluyen desarrollo de software, pruebas, demostraciones, capacitación, despliegues de prueba de concepto, MLOps, agentic AI, automatización de pipelines de CI/CD y GPU como servicio. Su cartera de productos más amplia también incluye CloudShell, que convierte la infraestructura en bloques de construcción reutilizables de bajo código o sin código para entornos complejos en infraestructura local y en la nube.

Fundaste y escalaste varias empresas de tecnología antes de liderar Quali, y tu carrera abarca sistemas militares, robótica, ingeniería de infraestructura y automatización de la nube. ¿Cómo han influido esas experiencias en tu visión para construir plataformas de infraestructura de AI, y qué te convenció de que este era el momento adecuado para centrarte en la gestión de infraestructura nativa de AI?

Mi carrera se ha centrado consistentemente en sistemas complejos que deben operar de manera fiable en condiciones exigentes. Comencé en robótica y aerospacio, desarrollando sistemas de automatización y simulación para aplicaciones de defensa, donde la repetibilidad y la gobernanza eran requisitos operativos en lugar de preferencias de ingeniería. Esos entornos me enseñaron que los problemas más difíciles surgen donde múltiples sistemas y procesos deben funcionar juntos de manera consistente en el tiempo.

Esa perspectiva se trasladó a Quali. En la última década, la infraestructura empresarial se ha vuelto cada vez más distribuida en diferentes capas. Cada nueva capa resolvió un problema técnico específico, pero también introdujo otra interfaz de gestión, otro flujo de trabajo operativo y otra fuente de complejidad. Las organizaciones se volvieron muy hábiles para crear infraestructura, pero mucho menos efectivas para gobernarla una vez que existía.

El AI aceleró ese desequilibrio, y los desafíos operativos cada vez más determinan si una iniciativa de AI llega a la producción o permanece atascada en la fase de prueba. Es por eso que creo que la gestión de infraestructura nativa de AI se ha vuelto necesaria. El desafío es operar la infraestructura de AI de manera continua en entornos heterogéneos mientras se mantiene la gobernanza, la seguridad y la disciplina de costos, al tiempo que se optimiza la utilización.

La soberanía de AI se ha convertido rápidamente en una prioridad para los gobiernos y las empresas por igual. ¿Qué es lo que la mayoría de las organizaciones no entienden sobre la soberanía, y por qué crees que la gobernanza de la infraestructura está volviéndose tan importante como la propiedad del modelo?

Muchas discusiones sobre la soberanía de AI se centran en la residencia de los datos y la propiedad de la infraestructura. Esos son componentes necesarios, pero abordan solo una parte de la realidad operativa.

Una vez que las organizaciones comienzan a desplegar agentes autónomos, la pregunta principal cambia de dónde reside la infraestructura a cómo los sistemas de AI operan dentro de esa infraestructura. Los agentes modernos aprovisionan recursos, recuperan información, inician flujos de trabajo e interactúan con sistemas de producción. Cada una de esas acciones requiere la aplicación de políticas.

Eso cambia cómo debe evaluarse la soberanía. Poseer la infraestructura no proporciona automáticamente el control operativo si los sistemas de AI pueden ejecutar acciones sin una gobernanza determinista. Las empresas necesitan demostrar quién inició una acción, qué políticas la gobernaron, qué recursos se accedieron y cómo esas decisiones pueden ser auditadas. El desafío es operar la infraestructura de AI de manera continua en entornos heterogéneos mientras se mantiene la gobernanza, la seguridad y la disciplina de costos, al tiempo que se optimiza la utilización.

Espero que la gobernanza de la infraestructura se vuelva tan estratégicamente importante como el desarrollo del modelo, porque proporciona el marco operativo que permite a las organizaciones escalar el AI de manera responsable. A medida que las empresas adoptan múltiples modelos, múltiples nubes y flujos de trabajo cada vez más autónomos, la gobernanza se convierte en la capa que mantiene esos entornos seguros y responsables en toda la cartera de infraestructura.

Los agentes de AI están siendo cada vez más autorizados para aprovisionar recursos, desplegar cargas de trabajo y tomar decisiones operativas. ¿Qué guardias deben estar en su lugar antes de que las empresas puedan confiar de manera segura en sistemas autónomos con infraestructura crítica?

Muchas organizaciones ya están desplegando agentes de AI en producción. La pregunta es cómo operan esos agentes dentro de límites claramente definidos.

El primer requisito es la aplicación de políticas deterministas en la capa de ejecución. Los agentes solo deben poder realizar acciones que cumplan con las políticas de infraestructura predefinidas. Esas políticas no pueden depender de que el modelo decida si una acción es apropiada. Deben ser aplicadas de manera independiente del modelo en sí.

El control de acceso es igualmente importante. Los permisos persistentes crean un riesgo operativo innecesario. El acceso debe ser aprovisionado para la tarea específica que se está realizando, limitado a los recursos necesarios y revocado automáticamente una vez que el trabajo esté completo. Ese modelo permite a las organizaciones expandir la automatización sin expandir su superficie de ataque.

Cada acción también necesita una auditoría completa. A medida que los sistemas de AI se vuelven más autónomos, las empresas necesitan entender qué agente realizó una acción, cuándo ocurrió, qué política la autorizó y qué cambios se realizaron. Ese nivel de trazabilidad admite la solución de problemas operativos, así como el cumplimiento normativo.

También creo que la infraestructura autónoma debe operar dentro de entornos gobernados en lugar de en infraestructura no restringida. Los entornos bien definidos proporcionan límites de recursos explícitos, controles de ciclo de vida y políticas operativas antes de que un agente comience a ejecutar cargas de trabajo. Eso permite a las organizaciones aumentar la automatización mientras mantienen un comportamiento operativo predecible a medida que los despliegues de AI continúan escalando.

A menudo discutes el cambio de la automatización tradicional a lo que llamas un plano de control inteligente. ¿Qué cambia fundamentalmente cuando la infraestructura comienza a operar alrededor de la intención en lugar de reglas y flujos de trabajo estáticos?

La automatización tradicional ejecuta pasos predefinidos. Eso funciona cuando la infraestructura es predecible, las cargas de trabajo son estables y los cambios ocurren a través de flujos de trabajo gestionados por humanos. La infraestructura de AI no opera de esa manera.

Las cargas de trabajo de AI son dinámicas. La demanda de GPU cambia rápidamente, los entornos se crean y se destruyen con frecuencia, y los agentes pueden necesitar acceso a recursos para tareas específicas. Un plano de control inteligente comprende el propósito de un entorno, quién lo posee, cuánto cuesta, qué políticas se aplican y si el estado en vivo todavía coincide con el estado previsto.

Ese contexto cambia la gestión de la infraestructura. El sistema puede detectar la deriva, recomendar la optimización, aplicar la política y tomar decisiones de ciclo de vida contra el resultado previsto en lugar de un script estático.

La infraestructura de GPU se ha convertido en uno de los principales cuellos de botella en la implementación de AI. ¿Crees que la industria se acerca al problema de la utilización de GPU de manera incorrecta, y qué cambios operativos podrían mejorar dramáticamente la eficiencia sin simplemente agregar más hardware?

La industria a menudo trata el problema de la GPU como un problema de adquisición. En muchas empresas, el problema más inmediato es la utilización.

Vemos organizaciones con clústeres de GPU que se reservan para la demanda máxima, permanecen inactivos entre ejecuciones de entrenamiento o permanecen unidos a entornos después de que el trabajo ha terminado. Eso crea un alto costo sin valor empresarial correspondiente.

Mejorar la eficiencia de la GPU comienza con el control del ciclo de vida. Los entornos deben aprovisionarse bajo demanda, coincidir con la carga de trabajo, atribuirse a un equipo o proyecto y desmantelarse automáticamente cuando la tarea esté completa. Las empresas también necesitan visibilidad en la utilización, el costo por carga de trabajo y el propósito empresarial detrás de cada entorno.

Agregar hardware puede ser necesario, pero la capacidad de GPU no gestionada solo amplía el problema de costo.

Muchas empresas ahora operan en la nube pública, la nube privada, los entornos locales y la infraestructura de borde. ¿Cómo ves que evolucionan los entornos de AI híbridos en los próximos cinco años, y qué desafíos siguen sin resolverse hoy en día?

Los entornos de AI híbridos se convertirán en el modelo empresarial predeterminado. Las organizaciones utilizarán la nube pública para la flexibilidad, la infraestructura local para el control y la gestión de costos, y los entornos de borde donde la latencia, la ubicación de los datos o los requisitos operativos lo exijan.

El desafío sin resolver es la consistencia. La mayoría de las empresas ya operan en varios proveedores, nubes, herramientas de automatización y tipos de infraestructura. El AI agrega clústeres de GPU, entornos de servicio de modelos, pipelines de afinamiento y cargas de trabajo de agentic a esa mezcla.

En los próximos cinco años, las organizaciones líderes serán aquellas que creen un estándar operativo único en todos esos entornos. Necesitarán aprovisionamiento consistente, aplicación de políticas, atribución de costos, auditoría y gestión de ciclo de vida, independientemente de dónde se ejecute la carga de trabajo.

DevOps transformó la entrega de software en la última década. ¿Crees que la infraestructura de AI requiere un modelo operativo completamente nuevo, o es la evolución natural de DevOps y la ingeniería de plataforma?

La infraestructura de AI amplía DevOps, pero también introduce requisitos que las prácticas tradicionales de DevOps no estaban diseñadas para manejar.

DevOps mejoró la entrega de software estandarizando pipelines, automatizando el trabajo repetible y brindando a los equipos un acceso más rápido a los recursos que necesitaban. La infraestructura de AI requiere la misma disciplina, pero las cargas de trabajo son más intensivas en recursos, menos predecibles y más dependientes de infraestructura especializada.

La ingeniería de plataforma se vuelve central en este entorno. Los equipos necesitan acceso de autoservicio gobernado a entornos validados, en lugar de aprovisionamiento basado en tickets o configuraciones manuales únicas. El modelo operativo todavía valora la velocidad y la automatización, pero también requiere una gobernanza, control de costos e infraestructura más fuertes desde el principio.

Las operaciones de zero-touch han sido un objetivo durante mucho tiempo en la gestión de la infraestructura. ¿Cuán cerca estamos de tener realmente una infraestructura autónoma, y qué son las barreras técnicas y organizativas más grandes que aún obstaculizan el camino?

Estamos mucho más cerca de la infraestructura autónoma de lo que la mayoría de la gente se da cuenta, pero el factor limitante es la gobernanza en lugar de la automatización. Los agentes de AI ya pueden aprovisionar entornos, desplegar cargas de trabajo, investigar anomalías y recomendar remedios. El desafío es asegurarse de que esas acciones ocurran dentro de límites de política claramente definidos.

Las organizaciones también necesitan confianza en que los sistemas autónomos puedan explicar qué hicieron, por qué lo hicieron y bajo qué política actuaron. Ese nivel de trazabilidad todavía falta en muchos entornos empresariales. La infraestructura autónoma se convertirá en mainstream cuando la gobernanza, la auditoría y la aplicación de políticas se incorporen en la capa operativa en lugar de agregarse posteriormente.

A medida que las cargas de trabajo de AI se vuelven más dinámicas y consumen más recursos, los excedentes de costo se están convirtiendo en una preocupación importante. ¿Cuáles son los errores más comunes que cometen las empresas al intentar escalar la infraestructura de AI, y cómo pueden evitarlos?

Muchas organizaciones se centran en adquirir más cómputo antes de comprender cómo están utilizando de manera eficiente la infraestructura que ya tienen.

Regularmente vemos entornos que permanecen activos después de que los proyectos hayan terminado, recursos de GPU reservados para cargas de trabajo que nunca se ejecutan y poca visibilidad en los costos de infraestructura. Las cargas de trabajo de AI amplifican esas ineficiencias porque la demanda cambia rápidamente y la infraestructura de GPU es costosa.

La solución comienza con la gobernanza. Cada entorno debe tener un propietario definido, un propósito empresarial, un ciclo de vida y un perfil de costo desde el momento en que se aprovisiona. Cuando las organizaciones combinan el aprovisionamiento basado en políticas con el desmantelamiento automático y la visibilidad continua en la utilización, el gasto en infraestructura se vuelve mucho más fácil de predecir y justificar.

Mirando hacia adelante, ¿qué separará a las organizaciones que exitosamente operativizan el AI a escala de aquellas que luchan, y qué tendencias de infraestructura deberían estar prestando atención los líderes tecnológicos en este momento que aún están por debajo del radar?

Las organizaciones que tengan éxito tratarán la infraestructura de AI como una capacidad operativa en lugar de una colección de tecnologías. Los modelos seguirán mejorando y el hardware seguirá volviéndose más poderoso. Operar esos entornos de manera consistente en múltiples equipos y plataformas seguirá siendo el desafío más difícil.

Una tendencia que merece más atención es el cambio hacia la inteligencia de la infraestructura. Las plataformas de infraestructura están comenzando a comprender el contexto de lo que gestionan, quién posee un entorno, qué carga de trabajo admite, cuánto cuesta, si cumple con la política y cuándo debe optimizarse o retirarse. Ese contexto operativo se volverá cada vez más valioso a medida que las empresas desplieguen más agentes de AI y más infraestructura heterogénea.

También espero que la gobernanza se convierta en una ventaja competitiva. Las organizaciones que puedan aprovisionar la infraestructura rápidamente mientras mantienen la visibilidad, la aplicación de políticas, el control de costos y la auditoría harán que los proyectos de AI pasen de la prueba a la producción mucho más rápido que aquellas que aún confían en modelos operativos fragmentados.

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