Kris Beevers, CEO dan Co-Founder, Netbox Labs – Seri Wawancara

Kris Beevers, CEO dan Co-Founder, NetBox Labs adalah seorang wirausahawan teknologi dan veteran perangkat lunak infrastruktur dengan pengalaman lebih dari dua dekade dalam membangun perusahaan dan platform yang berfokus pada jaringan, infrastruktur cloud, dan otomasi. Sebelum memimpin NetBox Labs, Beevers mendirikan NS1 pada tahun 2013 dan menjabat sebagai CEO-nya selama hampir satu dekade, mengembangkan perusahaan menjadi penyedia terkemuka teknologi otomasi jaringan dan manajemen lalu lintas aplikasi sebelum diakuisisi oleh IBM pada tahun 2023. Sebagai bagian dari transaksi tersebut, NetBox Labs dipisahkan dari NS1 sebagai perusahaan independen dengan IBM sebagai investor. Pada awal kariernya, Beevers memegang peran senior di bidang rekayasa dan arsitektur di Internap Network Services dan Voxel, serta juga mendirikan SolidJoint Research.

NetBox Labs mengembangkan platform intelijen infrastruktur yang dirancang untuk membantu organisasi memodelkan, mengoperasikan, mengotomatisasi, dan mengelola jaringan serta infrastruktur TI yang semakin kompleks. Perusahaan ini merupakan pengelola komersial NetBox, sistem jaringan dan infrastruktur sumber terbuka yang banyak diadopsi dan digunakan oleh lebih dari 10.000 organisasi. Platformnya menggabungkan grafik infrastruktur dan sumber kebenaran dengan intelijen operasional, otomasi, orkestrasi berbantuan AI, serta kemampuan tata kelola yang memungkinkan baik insinyur maupun agen AI berinteraksi dengan infrastruktur secara aman. NetBox Labs mendukung penyebaran cloud, enterprise yang dikelola sendiri, hybrid, dan air‑gapped, sambil berintegrasi dengan alat seperti Ansible, Terraform, Nornir, dan pipeline integrasi serta penyebaran berkelanjutan.

Anda mendirikan NS1 pada tahun 2013 dan menghabiskan hampir satu dekade membangun perusahaan tersebut sebelum diakuisisi oleh IBM, setelah itu NetBox Labs muncul sebagai perusahaan independen. Pelajaran apa dari membangun NS1 yang memengaruhi mengapa Anda mendirikan NetBox Labs, dan bagaimana masalah infrastruktur yang Anda coba selesaikan berubah di era AI?

Satu hal yang saya pelajari saat membangun NS1 adalah bahwa masalah infrastruktur jarang tetap terisolasi dengan rapi. DNS adalah bagian kami dalam tumpukan teknologi, tetapi pelanggan kami mengoperasikan lingkungan yang sangat kompleks di mana jaringan, pusat data, aplikasi, dan otomasi saling bergantung. Semakin banyak waktu yang saya habiskan dengan tim‑tim tersebut, semakin jelas bahwa memahami infrastruktur itu sendiri merupakan masalah yang jauh lebih besar.

Itu adalah bagian besar dari apa yang menarik saya ke NetBox. Sudah ada proyek open‑source yang banyak diadopsi dan komunitas insinyur yang menggunakannya untuk memodelkan apa yang mereka miliki, bagaimana itu terhubung, dan seperti apa seharusnya bentuknya. Kami melihat peluang untuk membangun di atas fondasi tersebut.

Yang berubah dengan AI terutama kecepatan dan skala. Tim infrastruktur diminta untuk membangun lingkungan yang sangat besar dengan kecepatan luar biasa, sementara teknologi dasarnya berubah dengan kecepatan yang sama. Pada saat yang sama, kami mulai mengotomatisasi lebih banyak operasi infrastruktur tersebut, yang menandakan masa depan yang menarik. Ketika AI diterapkan pada infrastruktur, tim TI menyadari bahwa mereka harus memiliki data yang baik dan real‑time tentang infrastruktur mereka untuk dapat mengotomatisasinya, dan mereka perlu mengetahui seperti apa keadaan yang diinginkan sehingga AI dapat membantu mengidentifikasi ketika infrastruktur operasional menyimpang dari rencana.

Jadi pelajaran dari NS1 masih relevan. Sebelum Anda dapat mengotomatisasi infrastruktur dengan baik, Anda harus memahaminya. AI hanya membuat hal itu menjadi jauh lebih mendesak.

Selama sebagian besar dekade terakhir, komputasi awan memungkinkan pengembang dan tim infrastruktur mengabstraksikan perangkat keras fisik di bawah aplikasi mereka. Mengapa AI membalik tren tersebut dan memaksa DevOps, Site Reliability Engineering (SRE), serta insinyur jaringan untuk kembali memikirkan daya, pendinginan, rak, kabel, dan jaringan fisik?

Komputasi awan mengajarkan banyak dari kami untuk memperlakukan infrastruktur seolah tak terbatas. Anda meminta komputasi dan itu muncul. Anda tidak harus terlalu memikirkan di mana server berada, bagaimana server tersebut diberi daya, bagaimana pendinginannya, atau bagaimana semua komponen fisik di bawahnya bersatu.

Infrastruktur AI sebenarnya tidak memungkinkan Anda melakukan hal itu.

Saat Anda membangun lingkungan ini, Anda memulai dengan beberapa pertanyaan yang sangat fisik. Berapa banyak lahan yang saya miliki? Berapa banyak daya yang dapat saya dapatkan? Jenis pendinginan apa yang dapat saya dukung? Dari situ Anda masuk ke rak, server GPU, switch, kabel serat optik, dan akhirnya ke lapisan logis, alamat IP, konfigurasi, serta perangkat lunak.

Semua hal tersebut saling bergantung. Anda tidak dapat memutuskan berapa banyak rak yang akan dipasang tanpa memahami kepadatan daya dan pendinginan. Anda tidak dapat memikirkan GPU secara terpisah dari jaringan yang menghubungkannya.

Itu memaksa disiplin yang selama bertahun‑tahun menjauh dari lapisan fisik untuk kembali terlibat dengannya. Abstraksi tidak hilang, tetapi batasan fisik di bawahnya tiba‑tiba menjadi jauh lebih penting.

Pusat data AI semakin sering dibicarakan pada skala gigawatt. Apa yang secara fundamental berubah secara operasional ketika infrastruktur beralih dari lingkungan perusahaan atau cloud konvensional ke fasilitas yang dirancang di sekitar klaster GPU yang sangat besar?

Skala gigawatt memang luar biasa astronomis. Namun meskipun skalanya jelas berbeda, saya pikir perbedaan yang lebih menarik adalah jumlah koordinasi yang dibutuhkan.

Pikirkan apa yang harus dilakukan untuk mengaktifkan pusat data berkapasitas 300 megawatt. Anda memerlukan lahan dan listrik. Kemudian Anda harus merancang fasilitas dan mengadakan rak, server GPU, saklar, serat optik, infrastruktur listrik, serta peralatan pendingin, sering kali dari vendor yang sama sekali berbeda dengan cara representasi produk yang berbeda pula. Semua peralatan itu harus tiba, diterima, dipasang di rak, dikerjakan kabelnya, dikonfigurasi, diuji, dan pada akhirnya diserahkan untuk pelatihan atau inferensi.

Dan tanah di bawah Anda terus bergerak saat Anda melakukannya. Arsitektur GPU berubah. Jaringan berubah. Kebutuhan pendinginan berubah. Komponen yang tersedia enam bulan ke depan mungkin tidak sama dengan yang Anda rancang hari ini.

Jadi ketidakefisienan kecil akan terakumulasi dengan sangat cepat. Baru-baru ini saya menghabiskan waktu dengan salah satu produsen kabel serat optik terbesar di dunia, dan mereka memberi tahu saya bahwa salah satu masalah bisnis terbesar mereka adalah pengembalian barang karena pelanggan memesan panjang kabel yang salah. Itu terdengar hampir sepele sampai Anda memesan ratusan ribu kabel.

Pada skala ini, operasi infrastruktur menjadi masalah logistik raksasa dan pemenuhan kendala. Perusahaan yang melakukannya dengan baik adalah mereka yang sangat mahir membawa data desain yang akurat sepanjang proses pengadaan, penyebaran, dan operasi.

Anda mengatakan bahwa pada dasarnya belum ada buku pedoman atau jalur bakat yang mapan untuk mengoperasikan infrastruktur pada skala ini. Keterampilan apa yang saat ini paling sulit ditemukan, dan di mana Anda memperkirakan kekurangan bakat terbesar akan muncul seiring AI infrastruktur berkembang?

Mungkin hanya ada beberapa ratus orang di dunia saat ini yang benar‑benar tahu cara membangun infrastruktur semacam ini dengan kecepatan dan skala tersebut. Dan kebanyakan dari mereka cukup sibuk melakukannya.

Itulah bagian yang membuat momen ini tidak biasa. Tidak ada kumpulan pengetahuan matang yang bisa Anda pelajari begitu saja. Orang‑orang yang melakukannya belajar satu sama lain dan menemukan solusi secara real time. Dan karena teknologi berubah begitu cepat, beberapa pelajaran itu menjadi usang dengan cepat.

Saya rasa kekurangan tersebut lebih besar daripada satu judul pekerjaan saja. Kami membutuhkan orang yang memahami jaringan, komputasi, dan otomatisasi, tetapi semakin banyak juga yang memahami lingkungan fisik tempat sistem‑sistem itu berada. Daya, pendinginan, desain fasilitas, rantai pasokan, dan operasi lapangan menjadi bagian dari percakapan yang sama.

Orang yang dapat melintasi beberapa batas tersebut akan menjadi sangat berharga. Namun saya tidak berpikir kita bahkan sudah menetapkan seperti apa semua peran itu. Model bakat sedang dibangun bersamaan dengan infrastruktur.

Seiring batas antara perangkat lunak, jaringan, fasilitas, energi, dan rekayasa pusat data semakin kabur, peran teknis baru atau kombinasi keterampilan apa yang Anda harapkan akan muncul?

Saya tidak berpikir kita sudah tahu seperti apa semua peran itu nanti. Yang kami tahu adalah orang yang membangun infrastruktur ini harus berpikir melintasi kumpulan masalah yang jauh lebih luas daripada sebelumnya.

Anda tidak hanya memikirkan komputasi atau jaringan secara terpisah. Daya, pendinginan, desain fisik, rantai pasokan, jaringan, dan otomatisasi semua harus bersatu untuk mengaktifkan lingkungan ini dan menjaga mereka tetap berjalan.

Saya masih berpikir kita akan membutuhkan orang dengan keahlian mendalam di masing‑masing bidang tersebut. Namun semakin banyak, mereka juga harus memahami bagaimana keputusan di bidang mereka memengaruhi seluruh infrastruktur. Dan karena banyak pekerjaan ini harus selesai lebih cepat, kemampuan otomatisasi akan menjadi penting di lebih banyak disiplin.

AI agen mulai mendiagnosa masalah, menghasilkan konfigurasi, dan mengotomatisasi bagian operasi infrastruktur. Tanggung jawab apa yang Anda pikir AI akan realistis ambil alih dari insinyur infrastruktur, dan mana yang akan menjadi semakin bergantung pada keahlian manusia yang mendalam?

Saya rasa banyak pekerjaan di mana masukan, hasil yang diinginkan, dan batasannya jelas akan semakin ditangani oleh AI. Menghasilkan konfigurasi adalah contoh yang jelas. Begitu pula mendiagnosa masalah umum, memeriksa apakah infrastruktur sesuai dengan desain yang dimaksud, atau pada akhirnya memperbaiki masalah tertentu ketika ada cukup keyakinan tentang apa yang salah dan apa respons aman yang harus diambil.

Di mana manusia menjadi lebih penting adalah ketika jawabannya tidak jelas.

Infrastruktur dapat gagal dengan cara yang aneh. Sebuah serat optik terputus. Sebuah perangkat mulai berperilaku berbeda dari yang seharusnya menurut desain. Sebuah perubahan memiliki efek tak terduga di tempat lain dalam lingkungan. AI dapat membantu insinyur memahami situasi tersebut jauh lebih cepat, tetapi Anda tetap memerlukan orang yang memahami sistem secara mendalam untuk memutuskan apa yang harus dilakukan selanjutnya.

Saya rasa itulah pergeseran yang menarik. Insinyur kemungkinan akan menghabiskan lebih sedikit waktu melakukan konfigurasi dan pemecahan masalah berulang, dan lebih banyak waktu mendefinisikan niat, merancang sistem, menetapkan batas otomatisasi, serta menangani masalah yang benar‑benar baru. Semua pekerjaan itu akan diperkaya oleh AI, tetapi dipimpin oleh manusia.

Itu membuat keahlian menjadi lebih berharga, bukan kurang. Insinyur yang benar‑benar memahami mengapa infrastruktur berfungsi seperti itu akan menjadi sangat penting ketika otomatisasi tidak memiliki jawaban yang jelas.

NetBox Labs berpendapat bahwa sistem AI yang mengelola infrastruktur memerlukan model otoritatif tentang perangkat, koneksi, ketergantungan, dan hubungan fisik serta logis lainnya. Mengapa konteks infrastruktur jenis ini begitu penting ketika beralih dari asisten AI yang memberikan rekomendasi ke agen yang benar‑benar dapat mengambil tindakan?

Perbedaan besar adalah begitu agen dapat bertindak, kesalahan akan memiliki konsekuensi nyata.

Agen infrastruktur memerlukan lebih dari sekadar snapshot tentang apa yang sedang dilakukan perangkat saat ini. Ia perlu memahami lingkungan di sekitarnya: apa yang ada, bagaimana hal‑hal terhubung, apa yang berubah baru‑baru ini, dan yang paling penting, seperti apa infrastruktur seharusnya terlihat.

Ambil contoh pemecahan masalah konektivitas. Tidak cukup hanya mengetahui bahwa sebuah perangkat tidak dapat dijangkau. Anda menginginkan agen dapat melacak jalur kabel, memahami ketergantungan di sekitar perangkat tersebut, melihat perubahan terbaru, dan menentukan apa lagi yang mungkin terpengaruh sebelum ia mengusulkan langkah selanjutnya.

Itulah sebenarnya fondasi yang telah kami bangun selama bertahun‑tahun di NetBox Labs, memberikan tim model yang akurat baik untuk infrastruktur fisik maupun logis, beserta maksud di balik cara operasinya.

Namun data saja tidak cukup. Anda juga harus memutuskan apa yang boleh dilakukan agen secara mandiri, apa yang memerlukan persetujuan manusia, dan bagaimana setiap tindakan dilacak serta divalidasi.

Infrastruktur tidak seperti kode yang perubahan buruknya selalu dapat dibatalkan dengan bersih. Perubahan yang buruk dapat menghentikan operasi. Jadi ketika kita beralih dari AI yang memberi tahu insinyur apa yang dipikirkannya ke AI yang benar‑benar dapat melakukan pekerjaan, baik konteks maupun kontrol menjadi jauh lebih penting.

Dalam artikel CIO terbaru, “Mengapa saya, CEO, secara pribadi membangun strategi AI kami,” Anda berargumen bahwa AI terlalu penting bagi para pemimpin perusahaan untuk sekadar mendelegasikannya dan menggambarkan bahwa Anda secara pribadi melakukan prototipe dengan alat AI. Bagaimana menjadi langsung terlibat dengan sistem‑sistem ini mengubah pemikiran Anda tentang apa yang secara realistis dapat diotomatisasi oleh AI dalam operasi infrastruktur?

Terlibat langsung membuat Anda jauh kurang tertarik pada pembicaraan teoretis.

Saya telah menghabiskan banyak waktu benar‑benar membangun dengan alat‑alat ini, belakangan ini paling sering melakukan prototipe atau bahkan membangun produk lengkap dengan Claude Code. Anda belajar cukup cepat bahwa ada perbedaan besar antara melihat demo yang mengesankan dan membangun sesuatu yang benar‑benar Anda percayai untuk melakukan pekerjaan yang berguna.

Anda juga mengembangkan intuisi tentang arah pergerakan teknologi jauh lebih cepat daripada yang dapat Anda dapatkan hanya dengan membacanya. Hal‑hal yang saya anggap sulit diotomatisasi enam bulan yang lalu dapat tiba‑tiba menjadi cukup sederhana. Pada saat yang sama, Anda melihat dengan sangat jelas di mana konteks, penilaian, dan struktur masih belum ada.

Itu memengaruhi cara saya memikirkan operasi infrastruktur. Saya sangat optimis tentang seberapa banyak pekerjaan operasional yang dapat kami otomatisasi, namun saya rasa kami masih jauh dari otonomi murni sebagai tujuan akhir.

Pertanyaan yang saya pedulikan jauh lebih mendasar. Apakah ini membantu kami mengoperasikan infrastruktur lebih cepat, lebih andal, atau lebih efektif? Jika ya, bagus. Jika tidak, tidak peduli seberapa canggih AI di baliknya.

Seiring pusat data AI semakin dibatasi oleh ketersediaan listrik dan kebutuhan pendinginan, apakah rekayasa infrastruktur dapat beralih dari sekadar mengelola sumber daya komputasi menjadi secara aktif mengoordinasikan beban kerja dengan energi dan kapasitas fisik?

Ya, dan kami sudah mulai melihatnya. Kami memiliki frasa internal, “turbin di tempat parkir,” yang muncul dari percakapan nyata dengan salah satu tim yang membangun infrastruktur AI berskala hiperskal. Mereka mengaktifkan infrastruktur begitu cepat sehingga jaringan listrik tidak dapat mengimbanginya, sehingga mereka benar‑benar membeli turbin dan menaruhnya di tempat parkir untuk memperoleh daya yang cukup cepat.

Itulah jenis lingkungan tempat tim‑tim ini beroperasi. Ketika daya menjadi salah satu kendala utama Anda, Anda harus menjadi jauh lebih cerdas dalam memanfaatkan apa yang tersedia. Respons sisi permintaan, di mana operator secara aktif mengoordinasikan beban kerja AI sebagai respons terhadap perubahan pada jaringan listrik, sudah terjadi dan menjadi kemampuan yang semakin penting bagi tim yang mengelola infrastruktur yang banyak mengonsumsi daya.

Tidak setiap beban kerja memiliki persyaratan yang sama. Inferensi yang sensitif terhadap latensi mungkin harus tetap online, sementara beberapa beban kerja pelatihan atau batch dapat dipindahkan atau dijeda ketika daya terbatas. Saya rasa kami akan semakin melihat tim infrastruktur mengelola komputasi, daya, dan kapasitas fisik sebagai bagian dari satu masalah operasional yang sama.

Ke depan, apakah Anda pikir hambatan terbesar untuk skala AI pada akhirnya akan menjadi GPU dan pengembangan model, atau tantangan yang jauh lebih luas dalam menemukan cukup daya, infrastruktur fisik, kapasitas jaringan, otomasi, dan insinyur terampil untuk mengoperasikan semua yang berada di belakangnya?

Saya tidak berpikir akan ada satu hambatan tunggal.

Membangun infrastruktur AI dengan kecepatan dan skala yang diinginkan pasar saat ini pada dasarnya adalah masalah pemenuhan kendala. Pada setiap saat, sesuatu menjadi kendala utama.

Untuk sementara, semua orang membicarakan GPU. Daya jelas menjadi bottleneck besar sekarang. Tetapi juga bisa berupa peralatan jaringan, pendinginan, lahan, serat optik, pengadaan, konstruksi, atau sekadar menemukan cukup orang yang tahu cara menyatukan semua ini.

Dan begitu Anda menyelesaikan satu kendala, kendala lain menjadi lebih terlihat. Itulah yang terjadi ketika permintaan jauh lebih besar daripada pasokan.

Jadi saya tidak akan bertaruh pada satu bottleneck permanen. Saya pikir kemampuan yang lebih penting adalah dapat beradaptasi saat kendala bergeser.

Itulah juga mengapa saya tidak berpikir ada buku pedoman definitif untuk infrastruktur AI saat ini. Orang‑orang yang membangunnya sedang mencari solusi sambil melakukan skala, dan mereka melakukannya dengan sangat cepat.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin belajar lebih lanjut sebaiknya mengunjungi NetBox Labs.