Lior Koriat, CEO van Quali – Interviewreeks

Lior Koriat, CEO van Quali, is een ervaren technologie-executive en ondernemer met bijna twee decennia ervaring bij Quali, waar hij het bedrijf heeft helpen vormgeven van zijn vroege ingenieurs- en operationele fundamenten tot een wereldwijde aanbieder van cloud-agnostische Environment as a Service-oplossingen voor DevOps, IT en platformteams. Sinds hij in 2011 CEO en bestuurslid werd, heeft hij de expansie van Quali geleid in de VS, Europa, Azië en Israël, waar hij eerder VP R&D, COO en CEO was en waar hij engineering, verkoop, klantenservice, juridische zaken, business development en internationale operaties heeft opgezet. Zijn achtergrond omvat ook het oprichten en leiden van Intellitech Engineering, een overgenomen systeem- en mechanische ingenieursbedrijf dat diensten levert aan defensie- en civiele klanten, evenals mentorrollen bij Google Launchpad Accelerator en UC Berkeley’s Sutardja Center for Entrepreneurship & Technology, waar hij startups adviseert over productstrategie, go-to-market-uitvoering, DevOps en schaalvergroting.

Quali ontwikkelt infrastructuurautomatiserings- en platformengineeringssoftware die bedoeld is om organisaties te helpen bij het leveren van beheerde, self-service-cloudomgevingen zonder de ontwikkelingsteams te vertragen. Het Torque-platform biedt een catalogusgebaseerde self-servicelaag voor platformteams, waarmee goedgekeurde blauwdrukken, rolgebaseerde toegangscontrole, levenscyclusbeheer, kosten toeschrijving, beleidsuitvoering en real-time zichtbaarheid over omgevingen mogelijk zijn. Quali positioneert Torque als een manier om infrastructuurplevering te standaardiseren over multi-cloud- en hybride cloud-opstellingen, met ondersteuning voor gebruikscases zoals softwareontwikkeling, testen, demo’s, training, proof-of-concept-implementaties, MLOps, agentic AI, CI/CD-pipelineautomatisering en GPU-as-a-Service. Het bredere productportfolio van het bedrijf omvat ook CloudShell, dat infrastructuur omzet in herbruikbare low-code- of no-code-bouwstenen voor complexe omgevingen over on-premises- en cloud-infrastructuur.

U heeft meerdere technologiebedrijven opgericht en geschaald voordat u de leiding over Quali kreeg, en uw carrière omvat militaire systemen, robotica, infrastructuurengineering en cloudautomatisering. Hoe hebben die ervaringen uw visie beïnvloed voor het opbouwen van AI-infrastructuurplatforms, en wat heeft u ervan overtuigd dat dit het juiste moment was om zich te concentreren op AI-native infrastructuurbeheer?

Mijn carrière heeft consistent gedraaid om complexe systemen die betrouwbaar moeten opereren onder veeleisende omstandigheden. Ik begon in robotica en lucht- en ruimtevaart, waar ik automatiserings- en simulatorsystemen ontwikkelde voor defensietoepassingen, waar herhaalbaarheid en governance operationele vereisten waren in plaats van engineeringsvoorkeuren. Die omgevingen hebben me geleerd dat de moeilijkste problemen ontstaan waar meerdere systemen en processen samen moeten werken over een lange periode.

Die perspectief droeg ik over naar Quali. In de afgelopen decennium is enterprise-infrastructuur steeds meer gedistribueerd over verschillende lagen. Elke nieuwe laag loste een specifiek technisch probleem op, maar introduceerde ook een nieuw beheersinterface, een nieuw operationeel workflow en een nieuwe bron van complexiteit. Organisaties werden erg goed in het creëren van infrastructuur, maar veel minder effectief in het beheren ervan zodra het bestond.

AI versnelde die onevenwichtigheid, en operationele uitdagingen bepalen steeds vaker of een AI-initiatief de productiefase bereikt of blijft steken in de pilootfase. Dat is waarom ik geloof dat AI-native infrastructuurbeheer noodzakelijk is geworden. De uitdaging is om AI-infrastructuur continu te laten opereren over heterogene omgevingen terwijl governance, beveiliging en kostenbeheersing worden gehandhaafd en utilisatie wordt geoptimaliseerd.

Sovereign AI is snel een prioriteit geworden voor overheden en ondernemingen. Wat begrijpen de meeste organisaties verkeerd over soevereiniteit, en waarom denkt u dat infrastructuurgovernance net zo belangrijk wordt als modelbezit?

Veel discussies over Sovereign AI richten zich op gegevensresidencie en infrastructuureigendom. Die zijn noodzakelijke componenten, maar ze adresseren slechts een deel van de operationele realiteit.

Zodra organisaties beginnen met het implementeren van autonome agenten, verschuift de primaire vraag van waar de infrastructuur resideert naar hoe AI-systemen opereren binnen die infrastructuur. Moderne agenten provisioneren resources, halen informatie op, initiëren workflows en interacteren met productiesystemen. Elke een van die acties vereist beleidsuitvoering.

Dat verandert hoe soevereiniteit moet worden geëvalueerd. Het bezitten van infrastructuur biedt niet automatisch operationele controle als AI-systemen acties kunnen uitvoeren zonder deterministische governance. Ondernemingen moeten kunnen aantonen wie een actie heeft geïnitieerd, welke beleidsregels het hebben beheerst, welke resources zijn geaccedeerd en hoe die beslissingen kunnen worden geauditeerd. De uitdaging is om AI-infrastructuur continu te laten opereren over heterogene omgevingen terwijl governance, beveiliging en kostenbeheersing worden gehandhaafd en utilisatie wordt geoptimaliseerd.

Ik verwacht dat infrastructuurgovernance net zo strategisch belangrijk zal worden als modelontwikkeling, omdat het de operationele framework biedt die organisaties in staat stelt om AI verantwoordelijk te schalen. Naarmate ondernemingen meerdere modellen, meerdere clouds en steeds autonomere workflows adopteren, wordt governance de laag die die omgevingen beveiligd en verantwoordelijk houdt over de hele infrastructuur.

AI-agenten krijgen steeds meer de autoriteit om resources te provisioneren, workloads te deployen en operationele beslissingen te nemen. Welke veiligheidsmaatregelen moeten in plaats zijn voordat ondernemingen autonome systemen kunnen vertrouwen met kritieke infrastructuur?

Veel organisaties implementeren al AI-agenten in productie. De vraag is hoe die agenten opereren binnen duidelijk gedefinieerde grenzen.

De eerste vereiste is deterministische beleidsuitvoering op het uitvoeringsniveau. Agenten mogen alleen acties uitvoeren die in overeenstemming zijn met vooraf gedefinieerde infrastructuurbeleidsregels. Die beleidsregels mogen niet afhankelijk zijn van het model dat beslist of een actie passend is. Ze moeten onafhankelijk van het model zelf worden afgedwongen.

Toegangscontrole is eveneens belangrijk. Permanente machtigingen creëren onnodige operationele risico’s. Toegang moet worden verleend voor het specifieke taak dat wordt uitgevoerd, beperkt tot de benodigde resources en ingetrokken zodra het werk is voltooid. Dat model stelt organisaties in staat om automatisering uit te breiden zonder hun aanvalsoppervlak uit te breiden.

Elke actie heeft ook een complete audittrail nodig. Naarmate AI-systemen autonomer worden, moeten ondernemingen begrijpen welke agent een actie heeft uitgevoerd, wanneer het is gebeurd, welk beleid het heeft geautoriseerd en welke wijzigingen zijn aangebracht. Die traceerbaarheid ondersteunt operationeel probleemoplossing evenals regelgevingscompliance.

Ik geloof ook dat autonome infrastructuur moet opereren binnen beheerde omgevingen in plaats van onbeperkte infrastructuur. Goed gedefinieerde omgevingen bieden expliciete resourcegrenzen, levenscycluscontrole en operationele beleidsregels voordat een agent begint met het uitvoeren van workloads. Dat stelt organisaties in staat om automatisering te verhogen terwijl voorspelbaar operationeel gedrag wordt gehandhaafd naarmate AI-implementaties blijven schalen.

U spreekt vaak over de verschuiving van traditionele automatisering naar wat u een intelligente controlelaag noemt. Wat verandert er fundamenteel wanneer infrastructuur begint te opereren rond intentie in plaats van statische regels en workflows?

Traditionele automatisering voert vooraf gedefinieerde stappen uit. Dat werkt wanneer infrastructuur voorspelbaar is, workloads stabiel zijn en veranderingen plaatsvinden via door de mens beheerde workflows. AI-infrastructuur werkt niet op die manier.

AI-workloads zijn dynamisch. GPU-vraag verandert snel, omgevingen worden vaak gemaakt en afgebroken, en agenten kunnen toegang nodig hebben tot resources voor specifieke taken. Een intelligente controlelaag begrijpt het doel van een omgeving, wie de eigenaar is, wat de kosten zijn, welke beleidsregels van toepassing zijn en of de live status nog steeds overeenkomt met de bedoelde status.

Die context verandert infrastructuurbeheer. Het systeem kan afwijkingen detecteren, optimalisatie aanbevelen, beleid afdwingen en levenscyclusbeslissingen nemen tegen de bedoelde uitkomst in plaats van een statisch script.

GPU-infrastructuur is een van de grootste knelpunten geworden in AI-implementatie. Gelooft u dat de industrie de GPU-gebruik incorrect benadert, en welke operationele veranderingen kunnen de efficiëntie aanzienlijk verbeteren zonder simpelweg meer hardware toe te voegen?

De industrie behandelt het GPU-probleem vaak als een inkoopprobleem. In veel ondernemingen is het meer immediate probleem echter efficiëntie.

We zien organisaties met GPU-clusters die zijn toegewezen voor piekvraag, inactief blijven tussen trainingsruns, of nog steeds zijn gekoppeld aan omgevingen nadat het werk is voltooid. Dat creëert hoge kosten zonder overeenkomstige businesswaarde.

Het verbeteren van GPU-efficiëntie begint met levenscyclusbeheer. Omgevingen moeten worden ingericht op aanvraag, worden toegewezen aan de workload, worden toegeschreven aan een team of project en worden afgebroken zodra de taak is voltooid. Ondernemingen moeten ook zichtbaarheid hebben in utilisatie, kosten per workload en het businessdoel achter elke omgeving.

Hardware toevoegen kan nog steeds nodig zijn, maar onbeheerde GPU-capaciteit verergert alleen het kostenprobleem.

Veel ondernemingen opereren nu over publieke cloud, private cloud, on-premises-omgevingen en edge-infrastructuur. Hoe ziet u hybride AI-omgevingen evolueren in de komende vijf jaar, en welke uitdagingen blijven onopgelost vandaag?

Hybride AI zal het standaard enterprise-model worden. Ondernemingen zullen publieke cloud gebruiken voor flexibiliteit, on-premises-infrastructuur voor controle en kostenbeheersing, en edge-omgevingen waar latentie, datalokaliteit of operationele vereisten dit vereisen.

De onopgeloste uitdaging is consistentie. De meeste ondernemingen opereren al over meerdere leveranciers, clouds, automatiseringsgereedschappen en infrastructuurtypes. AI voegt GPU-clusters, model-serving-omgevingen, fine-tuning-pipelines, agentic workloads en CI/CD-pipelineautomatisering toe aan die mix.

In de komende vijf jaar zullen de toonaangevende organisaties zijn die één operationele standaard creëren over die omgevingen. Zij zullen consistent provisioning, beleidsuitvoering, kosten toeschrijving, auditability en levenscyclusbeheer nodig hebben, ongeacht waar de workload wordt uitgevoerd.

DevOps heeft softwarelevering getransformeerd in het afgelopen decennium. Denkt u dat AI-infrastructuur een geheel nieuw operationeel model vereist, of is het de natuurlijke evolutie van DevOps en platformengineering?

AI-infrastructuur breidt DevOps uit, maar introduceert ook vereisten die traditionele DevOps-praktijken niet waren ontworpen om aan te pakken.

DevOps heeft softwarelevering verbeterd door pipelines te standaardiseren, herhaalbaar werk te automatiseren en teams snellere toegang te geven tot de resources die ze nodig hadden. AI-infrastructuur vereist dezelfde discipline, maar de workloads zijn resource-intensiever, minder voorspelbaar en afhankelijker van gespecialiseerde infrastructuur.

Platformengineering wordt centraal in deze omgeving. Teams hebben beheerde self-service-toegang tot gevalideerde omgevingen nodig, in plaats van ticket-gebaseerde provisioning of eenmalige handmatige configuraties. Het operationele model waardeert nog steeds snelheid en automatisering, maar vereist ook sterker governance, kostenbeheersing en infrastructuurcontext vanaf het begin.

Zero-touch-operaties zijn al lang een doel in infrastructuurbeheer. Hoe dicht zijn we bij echt autonome infrastructuur, en welke zijn de grootste technische en organisatorische barrières die nog steeds in de weg staan?

We zijn veel dichter bij autonome infrastructuur dan de meeste mensen beseffen, maar de beperkende factor is governance in plaats van automatisering. AI-agenten kunnen al omgevingen provisioneren, workloads deployen, anomalieën onderzoeken en remediatie aanbevelen. De uitdaging is ervoor zorgen dat die acties plaatsvinden binnen duidelijk gedefinieerde beleidsgrenzen.

Ondernemingen moeten ook vertrouwen hebben dat autonome systemen kunnen uitleggen wat ze hebben gedaan, waarom ze het hebben gedaan en onder welk beleid ze hebben gehandeld. Die traceerbaarheid ontbreekt nog in veel enterprise-omgevingen. Autonome infrastructuur zal mainstream worden wanneer governance, auditability en beleidsuitvoering zijn ingebouwd in de operationele laag in plaats van achteraf te zijn toegevoegd.

Naarmate AI-workloads dynamischer en resource-intensiever worden, worden kostenoverschrijdingen een grote zorg. Wat zijn de meest voorkomende fouten die ondernemingen maken bij het schalen van AI-infrastructuur, en hoe kunnen ze die vermijden?

Veel organisaties focussen op het verkrijgen van meer compute voordat ze begrijpen hoe efficiënt ze de infrastructuur gebruiken die ze al hebben.

We zien regelmatig omgevingen die actief blijven na afloop van projecten, GPU-resources die zijn gereserveerd voor workloads die nooit worden uitgevoerd, en weinig zichtbaarheid in welke teams of toepassingen infrastructuurkosten aandrijven. AI-workloads versterken die inefficiënties omdat vraag snel verandert en GPU-infrastructuur duur is.

De oplossing begint met governance. Elke omgeving moet een gedefinieerde eigenaar, businessdoel, levenscyclus en kostenprofiel hebben vanaf het moment van provisioning. Wanneer ondernemingen beleidsgebaseerde provisioning combineren met geautomatiseerde afbraak en continue zichtbaarheid in utilisatie, wordt infrastructuurspending veel gemakkelijker te voorspellen en te verantwoorden.

Kijkend naar de toekomst, wat zal het verschil maken tussen de organisaties die AI succesvol operationeel maken op grote schaal en diegenen die worstelen, en welke infrastructuurtrends moeten technologieleiders nu volgen die nog onder de radar vliegen?

De organisaties die slagen, zullen AI-infrastructuur behandelen als een operationele capaciteit in plaats van een verzameling technologieën. Modellen zullen blijven verbeteren, en hardware zal blijven worden verfijnd. Het opereren van die omgevingen consistent over meerdere teams en platforms zal de grotere uitdaging blijven.

Een trend die meer aandacht verdient, is de verschuiving naar infrastructuurbegrip. Infrastructuurplatforms beginnen de context te begrijpen van wat ze beheren, wie de eigenaar is van een omgeving, welke workload het ondersteunt, hoeveel het kost, of het voldoet aan beleid, en wanneer het moet worden geoptimaliseerd of afgebroken. Die operationele context zal steeds waardevoller worden naarmate ondernemingen meer AI-agenten en heterogene infrastructuur implementeren.

Ik verwacht ook dat governance een concurrentievoordeel zal worden. De organisaties die infrastructuur snel kunnen provisioneren terwijl ze zichtbaarheid, beleidsuitvoering, kostenbeheersing en auditability handhaven, zullen AI-projecten veel sneller van piloot naar productie kunnen brengen dan diegenen die nog steeds vertrouwen op gefragmenteerde operationele modellen.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Quali bezoeken.