Kristin Isaac, Strudelin CEO ja Co-Perustaja – Haastattelusarja

Kristin Isaac, Strudelin CEO ja Co-Perustaja on kokenut yritysten teknologiajohtaja, joka on toiminut seniorirooleissa LinkedInissä, Udemyssä, ESPN:ssä ja Disneyssä ennen Strudelin perustamista. Hän on nyt keskittynyt ratkaisemaan yhteen suurimista kitkakohdista ohjelmistoyrityksissä: kuiluun asiakastuen ja insinöörien välillä. Strudelissa hän on rakentamassa tekoälypohjaista alustaa, joka auttaa teknistä tukea antavia tiimejä ratkaisemaan monimutkaisia ongelmia nopeammin yhdistämällä tukipyynnöt suoraan insinöörien älykkyyteen. Hänen taustansa joukkueiden kasvattamisessa, markkinointistrategioiden luomisessa ja kasvun ajamisessa globaaleissa organisaatioissa on auttanut muotoilemaan Strudelin nopean alkuvaiheen ja vahvan aseman yritysten tekoäly- ja kehittäjätyökalumarkkinoilla.

Strudel on tekoälyalusta, joka on suunniteltu automatisoimaan edistyneen teknisen tuen analysoimalla lokit, tuotantodataa, koodirepositorioita ja aiempia tukihistorioita tunnistamaan juurisyyt ja suosittelemaan ratkaisuja. Sen tavoitteena on vähentää aikaa ja insinöörien vaivaa, joka vaaditaan vaikeiden tukitapausten ratkaisemiseen, erityisesti sellaisiin eskaloitumisiin, jotka yleensä kuluttavat seniori-insinöörien resursseja. Yhdistämällä tuen suoraan alustan teknisiin ongelmiin, Strudel asettaa itsensä työkaluksi, joka voi tehdä yritysten tukitoiminnasta nopeamman, tehokkaamman ja skaalautuvamman.

Olet toiminut johtotehtävissä yrityksissä kuten LinkedIn, Udemy ja Disney ennen Strudelin perustamista vuonna 2025. Mitkä kokemukset näistä rooleista vakuuttivat sinut siitä, että insinööritiimien tarvitsisi uudenlaisen tekoälyvoiman “insinöörien älykkyyden” alustan, ja miten tämä oivallus muotoili Strudelin perustamista?

Jokaisessa yrityksessä, jossa olen työskennellyt, on ollut erilainen versio samasta ongelmasta. Disneyssä panokset olivat valtavat – jos suoratoistopalvelu menee pois päältä suuren julkaisun aikana, se ei ole vain tulojen menetys, vaan brändikokemus. LinkedInissä mittakaava oli armoton. Tuhannet palvelut tuottivat melua, ja jopa parhaat tiimit kamppailivat pysymään mukana. Udemyssä näin lean-tiimin tekevän urheita asioita rajallisilla työkaluilla.

Mikä yhdisti kaikki kolme ja minun kanssa, Shai Rubinin ja Brian Kaufmanin kokemukseen johtaa insinööritiimejä, oli se, että insinöörit käyttivät enemmän aikaa kontekstin jälleenrakentamiseen kuin itse ongelmien ratkaisemiseen. Joku herätetään kello 2 aamulla, ja ennen kuin he voivat edes aloittaa diagnoosin, he ovat käymässä läpi Slack-keskusteluja, dashboardeja, Jira-lippuja, käyttölokeja – yksinkertaisesti yrittäen ymmärtää, mitä muutettiin ja milloin. He pelaavat etsivää ennen kuin he voivat tehdä oikeaa työtään. Se on hukkaan heitettyä aikaa erittäin lahjakkailta ihmisiltä.

Ajattelin jatkuvasti: on olemassa fiksumpi tapa pinnuttaa esiin se, mikä todella on tärkeää, kun se on tärkeää. Se on Strudelin siemen.

Monet yritykset mittaavat keskeytyksen taloudellista vaikutusta menetetyn liikevaihdon tai SLA-rangaistusten kautta. Kokemuksestasi, mitkä ovat keskeytyksen vähemmän näkyvät kustannukset, joita organisaatiot jatkuvasti aliarvioivat?

Tuloksen luku pääsee hallituksen esityslistalle, mutta välittömän tuloksen vaikutus on vain osa siitä, mitä keskeytys todella maksaa. Ne, joita olen nähnyt organisaatioiden jatkuvasti yliarvioivan, kuuluvat muutamaan ryhmään.

Ensimmäinen on asiakastuki. SLA-rangaistukset ovat oikeudellinen konstruktio – ne eivät kata asiakasta, joka hiljaisesti lopettaa tai yritysasiakasta, joka näkee tilannekuvan väärän hetken ja valitsee kilpailijan. Tuo vahinko on hidas, näkymätön ja pysyvä tapa, joka ei vastaa palautusviitettä.

Toinen on insinöörien karkaaminen ja polttoutuminen. Vuorokauden ympäri vahtivuoro on todellista. Kun parhaat insinöörit joutuvat toistuvasti mukaan korkeapaineisiin tapahtumiin – erityisesti sellaisiin, jotka olisi voitu ehkäistä – he alkavat kyseenalaistaa, onko tämä oikea paikka uransa rakentamiseen. Seniori-insinöörin korvaaminen maksaa missä tahansa yhden tai kaksi kertaa heidän vuosipalkkansa, kun otetaan huomioon rekrytointi, koulutus ja menetetty instituutioon liittyvä tietämys. Kukaan ei laita sitä post mortem -raporttiin.

Kolmas on mahdollisuuden kustannus. Jokainen tunti, jonka insinööritiimi käyttää tulipalojen sammuttamiseen, on tunti, jota ei käytetä uusien ominaisuuksien rakentamiseen. Se on vaikea laittaa spreadsheetiin, mutta kertyy kuukausien mittaan se räjäyttää hiljaisesti tiennäkösi.

Insinöörit usein joutuvat pois uusien ominaisuuksien rakentamisesta vastaamaan tuotannon keskeytyksiin. Miten tämä jatkuva sammutus vaikuttaa tuoteinnovaatioon ja pitkän aikavälin kehitysroadmapiin?

Se luo veron insinööritiimin kapasiteetille. Jokaisella tiimillä on rajattu määrä kapasiteettia, ja kun merkittävä osa siitä jatkuvasti ohjataan keskeytyksiin, vaikutus tuotekehitykseen on vakava. Tienviittaukset menetetään. Tekninen velka ei makseta. Ominaisuudet toimitetaan vähemmän tarkasti, koska on paine korjata menetetty aika.

Mikä on erityisesti vahingollista, on epävarmuus. Tiimi voi suunnitella sprintin hyvin, ja sitten suuri keskeytys räjähtää tiistaina ja kaikki muu tulee toissijaiseksi. Tällainen jatkuva epävarmuus tekee lähes mahdottomaksi rakentaa kulttuuria syvään työhön – joka lopulta ajaa parhaat insinöörien tulokset.

Se myös luo itseään vahvistavan kehän. Lykätty investointi tarkoittaa enemmän keskeytyksiä, jotka tarkoittavat enemmän sammutusta, joka tarkoittaa vielä vähemmän aikaa käsitellä perusongelmia. Strudelissa suurin osa siitä, mitä rakennamme, on erityisesti SRE-tiimien, jotka elävät tämän jokaisena päivänä.

Strudel yhdistää asiakastukidataa, lokit, tuotantojärjestelmiä ja koodirepositorioita juurisyyttennoista nopeammin. Miten tekoäly yhdistää nämä eri tekniset signaalit tavalla, jota perinteiset valvontatyökalut eivät voi?

Perinteiset valvontatyökalut ovat perustavalla tasolla hälytysjärjestelmiä. Ne ovat hyviä kertomaan, kun jokin ylittää kynnyksen – viivepiikki, virheen määrä nousee, podi menee rikki. Mitä ne eivät voi tehdä, on ymmärtää eri alueiden välillä.

Ne eivät tiedä, että virheen määrän piikki maksupalvelussa tapahtui neljä minuuttia sen jälkeen, kun riippuvuuteen tehtiin käyttöönotto, ja että asiakastukilippu, jossa mainittiin maksamisen epäonnistuminen, tuli noin samoihin aikoihin, ja että sama kuva ilmestyi lokissa kuusi kuukautta sitten tietokantasiirrossa.

Tuo alueiden välinen korrelaatio on sitä, mihin tekoäly mahdollistaa. Voimme käsitellä Zendesk-lipun, GitHubin commitin, Datadog (DDOG ) -jäljen ja CloudWatch-lokin yhtenä yhtenäisenä tarinana erillisten tietopisteen sijaan. Tekoäly pinnuttaa esiin ei vain sitä, mikä on rikki, vaan myös todennäköisen syyn ja missä – ja se perustuu todisteisiin, joita ihmisinsinööri voi todella vahvistaa ja toimia. Emme pyydä tiimejä luottamaan mustaan laatikkoon. Annamme heille hyvin perustellun hypoteesin ja etumatkan.

Kuvailet Strudelia toimittavan “insinöörien älykkyyttä”. Mitä tämä käsite tarkoittaa käytännössä, ja miten se eroaa perinteisistä havainnollistamis- tai AIOps-alustoista?

Havainnollistaminen on perustavalla tasolla instrumentaatiosta ja näkyvyydestä – varmistamisesta, että telemetria on paikallaan ja että tiimit voivat kysyä sitä. AIOps, useimmissa nykyisissä toteutuksissa, on alertin melun vähentämistä ML-pohjaisen korrelaation ja poikkeamisen havaitsemisen kautta. Molemmat ovat aidosti arvokkaita, ja integroidaan niihin.

Insinöörien älykkyys on kerros siitä, mitä AIOps tekee, ja laajentaa sitä. Missä AIOps kertoo, että jokin on vialla, insinöörien älykkyys auttaa ymmärtämään, miksi se on vialla, mistä se alkoi ja mitä tehdä siitä – vetämällä signaaleja koko pinon läpi, mukaan lukien lähteitä, joita perinteiset AIOps-työkalut eivät edes tarkastele, kuten asiakastukilippuja tai koodimuutoksia. Tavoitteena ei ole vain vähentää melua. On antaa tiimille täydellinen, toimiva kuva, jotta he voivat ratkaista ongelman nopeammin ja palata rakentamiseen.

Te kohtaatte tekoälyagentteja, jotka toteuttavat monimutkaisia teknisiä työvirran automaatioita. Mikä rooli te näette tekoälyagenttien pelaavan ongelmien diagnosoinnissa ja ratkaisemisessa seuraavien viiden vuoden aikana?

Luulen, että mielenkiintoisempi kysymys ei ole, mitä agentit tekevät – vaan mitä insinöörit lopettavat tekemästä. Parhaat insinöörit, joilla olen työskennellyt, eivät tulleet tähän alalle viettääkseen öitänsä hälytysjärjestelmien parissa tai etsimässä lokitiedostoja konfiguraatiomuutoksia, jotka joku teki perjantai-iltapäivänä. Se ei ole se, minkä vuoksi heistä tuli hyviä työssään.

Seuraavien viiden vuoden aikana uskon, että agentit ottavat haltuun paljon tuota raskasta työtä – toistuvaa, mallintavaa, kontekstin kokoamista, joka on tärkeää mutta ei vaadi seniori-insinöörien lahjakkutta. Se vapauttaa ihmisiä keskittymään monimutkaisiin ongelmiin, arkkitehtuuriin, asioihin, jotka vaativat todella inhimillistä arviointia.

Mikä on jännittävää minulle, on se, että tämä ei ole vain tulevaisuuden tila – me näemme sen toteutuvan jo nyt, myös Strudelissa. Koko tiemme on suunnattu poistamaan hallinnollista ja ylläpitotyötä insinöörien työlistoilta. Ja mitä olemme löytäneet, rehellisesti, on se, että se muuttaa sitä, mitä on mahdollista tiimille. Voit rakentaa enemmän, liikkua nopeammin ja tehdä sen vähemmällä ihmisillä – koska ihmiset, joilla sinulla on, keskittyvät strategiaan ja monimutkaisuuteen eikä toistuvaan työhön. Se tuntuu merkittävältä muutokselta siinä, miten tiimit rakennetaan ja järjestetään eteenpäin.

Monet keskeytykset alkavat pienistä virheistä tai konfiguraatiomuutoksista, jotka pääsevät läpi testauksesta. Miten tekoälyjärjestelmät voivat tunnistaa hillittyjä malleja koodissa, lokitiedostoissa tai infrastruktuurisignaaleissa ajoissa estääkseen suuria keskeytyksiä?

Hyvin suunniteltu tekoäly on todella etuoikeutettu tässä, ja se ei ole siitä, että se on fiksumpi kuin insinöörit – vaan se, että se ei koskaan unohda ja ei nuku. Ihminen saattaa ei yhdistä hillittyä lokimallia tänään johonkin, mitä tapahtui kuusi kuukautta sitten jossakin muualla järjestelmässä. Tekoäly voi. Se tarkkailee kaikkea, kaiken aikaa, ja sillä on paljon pidempi ja laajempi muisti kuin yhdelläkään tiimin jäsenellä.

Sanottuna, on myös jotain, mitä kuulen asiakkailta paljon: ehkäisy on vain yhtä hyvä kuin sen alla oleva data. Jos lokisi ovat epäjohdonmukaisia, epätäydellisiä tai eristettyjä kymmenissä työkaluissa, jotka eivät puhu toistensa kanssa, tekoäly työskentelee hajotetun kuvan kanssa. Roska sisään, roskaa ulos – se on edelleen totta. Vietämme paljon aikaa asiakkaiden kanssa pohtimassa datan laatua ja instrumentaatiota, koska parasta tekoälyä maailmassa ei voi pinnuttaa signaalia, jota ei koskaan tallennettu ensinnäkään.

Yritykset usein panostavat paljon havaintojärjestelmiin mutta kamppailevat edelleen keskeytysten keskimääräisellä ratkaisuajalla. Mitkä ovat suurimmat esteet, jotka estävät organisaatioita sulkemasta kuilua havaintojen ja todellisen juurisyytän ratkaisemisen välillä?

Havainnointi on suurelta osin ratkaistu ongelma. Useimmat tiimit tietävät, kun jokin on vialla. Kuilu on kaikki se, mitä tapahtuu sen jälkeen.

Kun insinööri hälytetään, he eivät astu selkeään tilanteeseen, jossa kaikki relevantti konteksti on kootettu. He astuvat sekasortoiseen tilanteeseen. Heidän on selvittävä, mitä muutettiin, milloin se muutettiin, mihin järjestelmään se vaikuttaa, onko siinä asiakasvaikutusta, onko se liitetty johonkin, mitä tapahtui viime viikolla. He etsivät tietoa Slackista, dashboardeista, käyttölokeista, tukilipoista – tekemällä kontekstin kokoamisen manuaalisesti, paineen alla, usein keskellä yötä.

Sitä kontekstin kokoamista on pullonkaula. Se ei ole, etteivät insinöörit ja tekninen tuki tiimit tietä, miten ongelmia ratkaistaan – vaan he käyttävät ensimmäiset 30-60 minuuttia jokaisen keskeytyksen ymmärtämiseen. Se on se, missä Strudel elää. Meidän koko teesimme on, että jos voimme antaa insinöörille yhtenäisen, näyttöön perustuvan kuvan siitä, mitä tapahtui ja miksi – juuri silloin, kun he tarvitsevat sitä – voimme dramaattisesti purkaa tämän kuilun. Ratkaisutyö on edelleen heidän. Me vain saamme heidät nopeammin lähtöruutuun.

Kun tekoälyjärjestelmät alkavat analyysia tuotantodataa, koodikirjastoja ja operaatiolokien signaaleja, mitkä hallintoon tai turvallisuuteen liittyvät huomioon otettavat asiat insinööritiimien on otettava huomioon asennettaessa näitä työkaluja?

Asia, josta olen vakuuttunut tässä, on se: ihmiset pitäisi edelleen tarkastella koodia, joka menee tuotantoon.

Olen puhunut paljon insinöörien kanssa tästä, ja yksi asia, jota kuulen jatkuvasti, on, että tekoäly kirjoittaa virheitä tehokkaasti ja fiksuasti. Todella fiksuasti, oikeasti. Tapaa, joka voi olla vaikea havaita – jopa seniori-insinöörien, jotka tarkastavat koodia huolellisesti. Virheet eivät aina ole ilmeisiä. Ne voivat näyttää täysin kohtuullisilta yhdellä silmäyksellä.

Niinpä, kun tekoäly kirjoittaa yhä enemmän koodia, joka päätyy tuotantoon, luulen, että näemme enemmän näitä hienoja, vaikeasti havaittavia ongelmia, jotka pääsevät läpi – ei siksi, että kukaan oli laiska, vaan siksi, että luonne tekoälyvirheille on erilainen. Vaikea havaita arvioinnissa. Vaikea havaita testauksessa. Rehellisesti, se on yksi syy, miksi tapaus Strudelin tekemisestä vain vahvistuu ajan myötä. Jos enemmän virheitä pääsee tuotantoon, kyky löytää ja ratkaista ne nopeammin tulee tärkeämmäksi, ei vähemmäksi. Hallintokysymys ei ole vain datan pääsyrajoituksista ja oikeuksista – vaikka ne ovat tärkeitä, ja tiimien on oltava tarkkana siitä, mihin dataa he antavat tekoälyjärjestelmille pääsyn. Se on myös pitämistä ihmisiä oikeissa tarkastuspisteissä, erityisesti kaikessa, mikä liittyy tuotantoon.

Miltä näyttää tulevaisuus luotettavuusinsinöörityölle, jossa autonomiset järjestelmät valvovat, diagnosoiden ja ratkaisevat ongelmia ennen kuin ihmiset ovat siitä tietoisia? Jos näin on, miltä työkulku näyttää insinööreille?

Luulen, että olemme menossa tuon suuntaan, mutta olen pragmaattinen aikataulun suhteen. Täysin autonomiset järjestelmät, jotka ratkaisevat tuotannon keskeytyksiä ilman ihmisten tietämistä, eivät ole siellä, missä olemme, ja en usko, että ne ovat siellä seuraavien muutaman vuoden aikana. Ja luulen, että se on ok.

Mitä uskon, on, että silmukka tulee paljon tiukemmaksi ja vähemmän tuskalliseksi. Tulevaisuus, josta olen innoissani, ei ole sellainen, jossa ihmiset poistetaan yhtälöstä – se on sellainen, jossa ihmiset, jotka ovat prosessin osa, viettävät aikaa osissa, jotka todella vaativat heitä. Arviointipäätökset. Uudet tilanteet. Keskeytys, jota et ole koskaan nähnyt aiemmin. Tekoäly käsittelee mallintamisen, kontekstin kokoamisen, rutiininomaisen triagen. Insinöörit käsittelevät päätökset.

Insinööreille se tarkoittaa vähemmän yötä herättelemistä asioiden, jotka eivät vaadi herättämistä, ja enemmän aikaa rakentamiseen järjestelmiä, jotka eivät mene rikki ensinnäkään. Sammutus ei häviä kokonaan. Se tulee poikkeukseksi, ei oletusarvoksi insinöörinä yrityksessä, joka ajaa ohjelmistoa suuressa mittakaavassa. Se on tulevaisuus, jota kohti on arvoa rakentaa.

Kiitos haastattelusta, lukijoille, jotka haluavat oppia enemmän, suosittelemme vierailemaan Strudelissa.