Kris Beevers、CEO兼共同創業者、Netbox Labs – インタビューシリーズ

Kris Beevers、CEO兼共同創業者である NetBox Labs は、ネットワーキング、クラウドインフラ、オートメーションに焦点を当てた企業やプラットフォームの構築に20年以上従事してきたテクノロジー起業家兼インフラストラクチャーソフトウェアのベテランです。NetBox Labs を率いる以前、Beevers は2013年に NS1 を共同設立し、約10年にわたり CEO を務め、同社をネットワークオートメーションとアプリケーショントラフィック管理技術の有力プロバイダーへと成長させ、2023年に IBM に買収されました。その取引の一環として、NetBox Labs は NS1 から独立した企業としてスピンアウトし、IBM が投資家となりました。キャリア初期には Internap Network Services と Voxel で上級エンジニアリングおよびアーキテクチャの役割を務め、また SolidJoint Research を共同設立しています。

NetBox Labsは、組織がますます複雑化するネットワークや IT インフラをモデル化、運用、オートメーション、ガバナンスできるよう支援するインフラストラクチャーインテリジェンスプラットフォームを開発しています。同社は、10,000 以上の組織で広く採用されているオープンソースのネットワーク・インフラ記録システムである NetBox の商用ステュワードです。このプラットフォームは、インフラストラクチャーグラフと真実の情報源を運用インテリジェンス、オートメーション、AI 支援オーケストレーション、ガバナンス機能と組み合わせ、エンジニアと AI エージェントの両方が安全にインフラとやり取りできるようにします。NetBox Labs は、クラウド、セルフマネージドエンタープライズ、ハイブリッド、エアギャップ環境の導入をサポートし、Ansible、Terraform、Nornir、継続的インテグレーション・デリバリーパイプラインなどのツールと統合します。

あなたは 2013 年に NS1 を共同設立し、IBM に買収されるまでほぼ 10 年間同社を築きました。その後 NetBox Labs は独立企業として誕生しました。NS1 の構築で得た教訓は、なぜ NetBox Labs を設立したのかにどのように影響していますか？また、AI 時代において解決しようとしているインフラ問題はどのように変化しましたか？

NS1 を構築する中で学んだことの一つは、インフラ問題はほとんどの場合、きれいに区切られたままではないということです。DNS は私たちのスタックの一部に過ぎませんでしたが、顧客はネットワーク、データセンター、アプリケーション、オートメーションが相互に依存する非常に複雑な環境を運用していました。そのチームと時間を共にすればするほど、インフラそのものを理解することがはるかに大きな課題であることが明らかになりました。

これが私が NetBox に惹かれた大きな要因です。すでに広く採用されているオープンソースプロジェクトと、それを使って自分たちの環境をモデル化し、接続状態や期待される姿を可視化していたエンジニアコミュニティが存在していました。私たちはその基盤の上に構築する機会を見出したのです。

AI によって変わったのは主に速度と規模です。インフラチームは、驚異的な速さで巨大な環境を構築することを求められ、基盤技術も同様に急速に変化しています。同時に、インフラの運用をさらにオートメーション化し始めており、これは非常に期待できる未来です。AI がインフラに適用されるにつれ、IT チームはオートメーションを行うためにインフラの優れたリアルタイムデータが必要であり、意図された状態がどのようなものかを把握する必要があることに気付いています。そうすれば AI が、運用インフラが計画から逸脱したときにそれを特定できるよう支援します。

したがって、NS1 で得た教訓は今も有効です。インフラをうまくオートメーション化する前に、まずそれを理解しなければなりません。AI はその正確な把握をさらに緊急の課題にしています。

過去10 年余りにわたり、クラウドコンピューティングは開発者やインフラチームがアプリケーション下の物理ハードウェアを抽象化できるようにしてきました。なぜ AI はこの傾向を逆転させ、DevOps、Site Reliability Engineering（SRE）、ネットワークエンジニアに再び電力、冷却、ラック、配線、物理ネットワークについて考えさせるのでしょうか？

クラウドは多くの人に、インフラを実質的に無限とみなすことを教えました。コンピュートリソースを要求すればそれがすぐに提供されました。サーバーがどこにあるか、どのように電源が供給され、冷却され、下位の物理部品がどのように組み合わさっているかを意識する必要は必ずしもありませんでした。

AI インフラではそれが本当にできるわけではありません。

これらの環境を構築する際には、まずかなり物理的な質問から始まります。どれだけの土地が確保できるか、どれだけの電力が確保できるか、どのような冷却が可能か。そこからラック、GPU サーバー、スイッチ、光ファイバー配線へと進み、最終的には論理層、IP アドレス、設定、ソフトウェアへと移ります。

これらはすべて相互に依存しています。電力と冷却密度を理解せずに、何台のラックを導入するか決めることはできません。また、GPU をネットワーク接続と切り離して考えることもできません。

これにより、長年物理層から離れていた分野が再びそれに関わらざるを得なくなっています。抽象化は消えていませんが、その下にある物理的制約が突然大きく重要になっています。

AI データセンターはギガワット規模で語られることが増えています。インフラが従来のエンタープライズやクラウド環境から、巨大な GPU クラスタを中心に設計された施設へと移行する際、運用面で根本的に何が変わるのでしょうか？

ギガワット規模は文字通り天文学的です。しかし、規模が明らかに異なるだけでなく、より興味深い違いは必要とされる調整の量だと思います。

300メガワット規模のデータセンターを稼働させるために何が必要かを考えてみてください。土地と電力が必要です。その後、施設の設計を行い、ラック、GPUサーバー、スイッチ、光ファイバー、電力インフラ、冷却設備を、しばしば全く異なるベンダーから、製品の表現方法もまったく異なる形で調達しなければなりません。これらすべての機器が到着し、受領され、ラックに設置され、配線され、設定され、テストされ、最終的にトレーニングまたは推論用に引き渡される必要があります。

作業を進めている間にも、状況は変化し続けています。GPU アーキテクチャが変わり、ネットワークが変わり、冷却要件が変わります。6か月後に入手可能になる部品は、今日設計したものと同じではないかもしれません。

そのため、わずかな非効率が非常に速く蓄積します。最近、世界最大級の光ファイバーケーブルメーカーの一社と時間を過ごしたところ、顧客が誤ったケーブル長さを注文することによる返品が最大のビジネス課題の一つだと聞きました。数十万本ものケーブルを注文するとなると、ほとんど取るに足らないように思える問題でも重要になります。

この規模になると、インフラ運用は巨大な物流および制約充足問題になります。これをうまくやっている企業は、正確な設計データを調達から展開、運用まで一貫して扱えるようになった企業です。

あなたは、実質的にこの規模のインフラを運用するための確立されたプレイブックや人材パイプラインが存在しないと言っています。現在最も見つけにくいスキルは何で、AI インフラが拡大するにつれて最大の人材不足はどこに生じると予想しますか？

現在、世界で数百人程度しか、この速度と規模でこの種のインフラを構築できる人がいないでしょう。そしてそのほとんどは実際にそれに取り組んでいて非常に忙しいです。

これがこの瞬間が特異的である理由の一つです。すぐに学べる成熟した知識体系は存在しません。これに取り組む人々は互いに学び合い、リアルタイムで課題を解決しています。そして技術の変化が非常に速いため、そうした教訓の多くはすぐに時代遅れになります。

したがって、人材不足は特定の職種だけに限らないと考えます。ネットワーク、コンピュート、オートメーションを理解するだけでなく、これらのシステムが存在する物理的環境も理解できる人材が必要です。電力、冷却、施設設計、サプライチェーン、現場運用が同じ議論の中に組み込まれつつあります。

これらの境界を越えられる人材は非常に価値があります。しかし、まだそれらの役割が具体的にどうなるかは決まっていないと思います。人材モデルはインフラと同時に構築されているのです。

ソフトウェア、ネットワーク、施設、エネルギー、データセンターエンジニアリングの境界がぼやけ始める中で、どのような新しい技術職やハイブリッドスキルセットが出現すると予想しますか？

まだそれらの役割が具体的にどうなるかは分かっていないと思います。分かっているのは、このインフラを構築する人々は、以前よりはるかに広範な課題を考慮しなければならないということです。

コンピュートやネットワークだけを単独で考えるわけではありません。電力、冷却、物理設計、サプライチェーン、ネットワーク、オートメーションがすべて連携して、これらの環境を稼働させ、維持しなければなりません。

各領域に深い専門知識を持つ人材は依然として必要だと考えます。しかし、ますますそれぞれの領域の判断がインフラ全体に与える影響を理解する必要があります。また、この作業の多くがより速く行われる必要があるため、オートメーション能力はより多くの分野で重要になるでしょう。

AI エージェントは問題の診断、構成の生成、インフラ運用の一部自動化を始めています。インフラエンジニアから実際に AI が引き継ぐと考えられる責任はどれで、どれがさらに深い人間の専門知識に依存するようになると考えますか？

入力、期待される結果、境界が明確な作業の多くは、ますます AI が処理すると考えます。構成の生成は明白な例です。一般的な問題の診断、インフラが意図した設計と合致しているかの確認、あるいは何が問題で安全な対応が何かについて十分な確信が得られた場合に特定の問題を修正することも同様です。

人間がより重要になるのは、答えが明確でない場合です。

インフラは奇妙な形で故障します。光ファイバーが切れる、デバイスが設計通りに動かず振る舞い始める、変更が環境の別の場所で予期せぬ影響を及ぼす、といったことです。AI はエンジニアがこれらの状況をはるかに速く理解するのに役立ちますが、次に何をすべきかを判断できるだけの深いシステム理解を持つ人は依然として必要です。

これが興味深い変化だと思います。エンジニアは繰り返しの構成やトラブルシューティングに費やす時間が減り、意図の定義、システム設計、オートメーションの境界設定、そして本当に新規な問題への対処に多くの時間を割くようになるでしょう。そのすべての作業は AI によって補完されますが、主導するのは人間です。

これにより専門知識はむしろ価値が高まります。インフラがなぜそのように機能するのかを真に理解しているエンジニアは、オートメーションが明確な答えを持たないときに非常に重要になるでしょう。

NetBox Labsは、インフラストラクチャを管理するAIシステムには、デバイス、接続、依存関係、その他の物理的・論理的関係の権威あるモデルが必要だと主張しています。AIアシスタントが提案を行う段階から、実際に行動できるエージェントへ移行する際、なぜこの種のインフラストラクチャコンテキストが重要になるのでしょうか？

大きな違いは、エージェントが行動できるようになると、間違いが実際の結果をもたらすようになることです。

インフラストラクチャエージェントは、デバイスが現在何をしているかというスナップショットだけでは不十分です。周囲の環境、すなわち何が存在し、どのように接続され、最近何が変わったのか、そして重要なのはインフラストラクチャが本来どうあるべきかを理解する必要があります。

たとえば接続障害のトラブルシューティングを考えてみてください。デバイスが到達不能であることだけでは不十分です。エージェントはケーブル経路をたどり、そのデバイス周辺の依存関係を把握し、最近の変更を確認し、次に何をすべきか提案する前に他に影響を受ける可能性があるものを特定できなければなりません。

これこそが、NetBox Labsが何年もかけて構築してきた基盤です。物理的インフラと論理的インフラの両方、そしてそれがどのように機能すべきかという意図を正確にモデル化しています。

しかし、データだけでは不十分です。エージェントが単独で実行できること、人的承認が必要なこと、そしてすべてのアクションがどのように追跡・検証されるかを決める必要があります。

インフラストラクチャは、コードのように不良変更を常にきれいにロールバックできるわけではありません。不良変更は運用を停止させる可能性があります。したがって、エンジニアに「こうすべきだ」と伝えるAIから、実際に作業を実行できるAIへと移行する際、コンテキストと制御がはるかに重要になります。

In your 最近のCIO記事、「CEOである私が自らAI戦略を構築する理由」というタイトルで、AIは企業リーダーが単に委任できるほど重要ではないと主張し、AIツールで個人的にプロトタイピングを行ったことを述べました。これらのシステムにハンズオンで関わることで、インフラ運用においてAIが現実的に自動化できる範囲についての考え方はどのように変わりましたか？

ハンズオンで関わると、理論的な議論にあまり興味がなくなります。

私は実際にこれらのツールで多くの時間を費やしてきましたが、最近は主にClaude Codeでプロトタイピングや完全な製品を構築しています。印象的なデモを見るのと、実際に信頼できる有用な作業を任せられるものを作るのとでは、かなりの違いがあることをすぐに実感します。

また、技術がどの方向に進んでいるかを、文献を読むだけでは得られない速さで感覚的に掴むことができます。6か月前には自動化が難しいと考えていたことが、突然かなりシンプルになることがあります。同時に、コンテキストや判断、構造がまだ欠けている領域がはっきりと見えてきます。

それがインフラ運用に対する私の考え方に影響を与えました。運用作業をどれだけ自動化できるかについては非常に楽観的ですが、最終目標としての完全自律にはまだ程遠いと考えています。

私が関心を持つ質問は、もっと根本的なものです。これがインフラをより速く、より信頼性高く、あるいはより効果的に運用できるようにするかどうかです。もしそうなら素晴らしいことです。そうでなければ、背後にどれだけ高度なAIがいるかは関係ありません。

AIデータセンターが電力供給と冷却要件にますます制約される中、インフラエンジニアリングは主にコンピューティングリソースの管理から、エネルギーと物理的容量を考慮したワークロードの積極的な調整へと進化し得るでしょうか？

はい、すでにその兆候が見え始めています。社内では「駐車場のタービン」というフレーズがありますが、これはハイパースケールAIインフラを構築しているチームとの実際の会話から生まれました。インフラを急速に立ち上げた結果、電力網が追いつかず、彼らは文字通りタービンを購入して駐車場に設置し、十分な電力を確保したのです。

これがそのチームが直面している環境です。電力が主要な制約となると、利用可能なリソースをどう活用するかについてはるかに賢くなる必要があります。需要側応答（デマンドレスポンス）として、オペレーターが電力網の変動に応じてAIワークロードを積極的に調整する取り組みはすでに進行中で、電力を大量に消費するインフラを運用するチームにとってますます重要な能力となっています。

すべてのワークロードが同じ要件を持つわけではありません。レイテンシに敏感な推論は常時オンラインが必要ですが、トレーニングやバッチ処理の一部は電力が制約される際にシフトしたり一時停止したりできます。今後、インフラチームがコンピュート、電力、物理容量を同一の運用課題として管理するケースが増えていくと考えています。

将来的に、AIのスケーリングにおける最大のボトルネックはGPUやモデル開発になるのか、それとも十分な電力、物理インフラ、ネットワーク容量、オートメーション、そしてそれらを運用できる熟練エンジニアを確保するというはるかに広範な課題になるのか、どちらだと考えますか？

単一のボトルネックが存在するとは思いません。

現在の市場が求める速度と規模でAIインフラを構築することは、基本的に制約充足問題です。任意の瞬間に、何かが主要な制約となります。

しばらくの間、みんながGPUの話をしていました。電力は明らかに現在大きなボトルネックです。しかし、ネットワーク機器、冷却、土地、光ファイバー、調達、建設、あるいはこれらすべてを組み立てられる人材の確保もボトルネックになり得ます。

一つの制約を解決すると、別の制約がより顕在化します。需要が供給をはるかに上回っているときに起こることです。

したがって、永続的なボトルネックに賭けるべきではありません。制約が移動するにつれて適応できる能力の方が重要だと考えています。

そのため、現時点でAIインフラストラクチャの決定的なプレイブックを持っている人はいないと思います。構築している人々はスケールしながらこの課題を解決しており、両方を非常に速く進めています。

素晴らしいインタビューをありがとうございました。もっと知りたい読者は NetBox Labs を訪問してください。