Jeremy Burton, CEO da Observe – Série de Entrevistas

Jeremy Burton, CEO da Observe, é um executivo de software empresarial experiente com mais de 20 anos de experiência em liderança em grandes empresas de tecnologia, incluindo Dell Technologies (DELL ), EMC, Oracle (ORCL ) e VERITAS. Ele liderou equipes globais em desenvolvimento de produtos, marketing e M&A estratégico, construindo e escalando negócios em armazenamento, segurança e SaaS. Burton também co-fundou a Oracle Technology Network, que cresceu para milhões de membros em todo o mundo, e atualmente serve no Conselho de Administração da Snowflake e como consultor da equipe de Fórmula 1 da McLaren.

Observe, com sede em San Mateo, Califórnia, é uma plataforma de observabilidade SaaS de próxima geração que ajuda equipes de SRE, DevOps e engenharia a investigar e otimizar sistemas distribuídos modernos. Construída sobre a infraestrutura de dados da Snowflake, ela unifica logs, métricas e traços em um único conjunto de dados rico em contexto – permitindo que as equipes acelerem a resposta a incidentes, identifiquem as causas raiz e melhorem a confiabilidade em ambientes de nuvem complexos.

Você ocupou cargos de liderança sênior em gigantes globais como Dell, EMC e Oracle, e agora está liderando uma startup com a Observe. O que o motivou a deixar para trás a estabilidade e a escala para dar o salto e construir algo do zero?

Eu tive a sorte de trabalhar para alguns líderes incríveis em minha carreira, incluindo Larry Ellison e Michael Dell. Eu trabalhei com eles 20 ou 30 anos após sua criação, mas o que os torna notáveis é que eles estavam lá desde o início. Eles tomaram as decisões iniciais de produto, estabeleceram as rotas de mercado e definiram uma cultura para o sucesso a longo prazo. Meu papel foi fornecer melhorias incrementais sobre as décadas de trabalho árduo que eles já haviam feito. Eventualmente, eu cheguei a um ponto em minha carreira em que eu queria provar a mim mesmo que eu, também, poderia construir uma empresa, levar um produto ao mercado, estabelecer um movimento de vendas e criar uma cultura que eu acreditava que poderia prosperar a longo prazo.

A Observe está se posicionando como uma nova categoria em observabilidade, integrando logs, análise e monitoramento em uma plataforma unificada. Como você vê essa abordagem redefinindo o espaço em comparação com os jogadores tradicionais como Splunk e Datadog (DDOG )?

O grande problema que os ferramentas tradicionais enfrentam é que elas não foram projetadas para escala. Em conversas com clientes, vimos repetidamente que o Splunk e o Datadog se tornam proibitivamente caros à medida que o volume de telemetria cresce, e isso é fundamentalmente um problema com a forma como as ferramentas tradicionais foram arquitetadas.

A Observe difere porque nossa plataforma é construída sobre uma arquitetura de lago de dados de streaming usando formatos abertos como Apache Iceberg. Isso significa que podemos desacoplar o cálculo do armazenamento, escalar elasticamente e fornecer observabilidade a uma fração do custo dos sistemas tradicionais. Competidores como o Splunk ainda dependem de arquiteturas monolíticas que exigem planejamento para capacidade de pico – e até mesmo ferramentas mais novas como o Datadog exigem tiering de dados, reidratação e reindexação para manter os custos sob controle.

Também nos concentramos em uma experiência de observabilidade unificada. Logs, métricas, traços e eventos todos vivem em um lugar, com uma linguagem de consulta única e um Gráfico de Conhecimento que mapeia automaticamente as relações entre serviços, usuários e incidentes. Esse contexto é o que torna a solução de problemas mais rápida. Em contraste, o Splunk e o Datadog têm backends separados para logs, métricas e traços, o que leva a análises mais lentas.

Finalmente, investimos pesadamente em solução de problemas impulsionada por IA. Nosso O11y AI SRE pode receber entrada de linguagem natural, gerar hipóteses e orientar os engenheiros durante a resolução de incidentes, e não apenas alertá-los. E é projetado para aproveitar nosso Gráfico de Conhecimento, que fornece o contexto necessário para solução de problemas precisa. Isso é um passo além da detecção de anomalias ou alertas que a maioria dos concorrentes oferece hoje.

Em resumo: somos eficazes em termos de custo, somos unificados e somos abertos. Essas três qualidades são o que os clientes consistentemente nos dizem que nos diferenciam dos jogadores tradicionais como o Splunk e dos novos incumbentes como o Datadog.

Tendo supervisionado operações de vários bilhões de dólares e agora liderando uma startup, quais lições sobre eficiência, agilidade ou inovação das grandes empresas são aplicáveis – e quais não são?

É contraintuitivo, mas as empresas bem-sucedidas fazem um pequeno número de coisas muito bem e entendem todos os detalhes. As que fracassam fazem muito e tudo se degenera em mediocridade.

Em uma startup, você se concentra em uma coisa de cada vez e se obceca com todos os detalhes. Não há financiamento suficiente para fazer mais do que isso. Como resultado, o que torna as startups tão intensas é que você pode literalmente sair do negócio se não descobrir as coisas rapidamente o suficiente. Portanto, você tem que tomar decisões mais rapidamente, liberar mais rapidamente, falhar mais rapidamente e aprender mais rapidamente. Além disso, você tem que fazer tudo isso com menos pessoas.

No entanto, o aspecto mais libertador de uma startup é que você não tem um produto estabelecido, um modelo de negócios ou uma rota de mercado estabelecida. Isso significa que há liberdade para fazer novas suposições sobre todas essas coisas. Isso não é o caso em uma grande empresa. Por exemplo, você não pode quebrar o modelo de negócios com um novo produto disruptivo. Mesmo que tecnicamente você possa construí-lo, o CFO e a Wall Street não o deixarão maximizar seu potencial. É por isso que as startups ganham quite frequentemente quando, em teoria, elas não deveriam ter nenhuma chance.

Você também foi membro do conselho da Snowflake por quase uma década. O que você aprendeu com a jornada da Snowflake que informa sua estratégia na Observe?

A Snowflake atacou um problema antigo com uma nova arquitetura. Eles construíram sua tecnologia sobre uma ideia simples, mas poderosa, e disruptaram um mercado massivo atolado em fornecedores tradicionais. Há algumas lições aqui: jogue em mercados que sejam massivos, e você pode construir uma empresa massiva. Além disso, você deve ter uma abordagem radicalmente diferente dos incumbentes para que o cliente possa ver benefícios enormes em mudar.

O mercado de observabilidade que estamos atacando é massivo, $30B e em crescimento. Nós resolvemos o problema de observabilidade de uma maneira muito única: utilizando uma fundação de lago de dados, cálculo elástico e formatos abertos. Isso promete dar aos clientes uma melhoria de uma ordem de magnitude tanto na velocidade de solução de problemas quanto no custo geral.

Você tem sido profundamente envolvido no desenvolvimento de produtos, marketing e M&A em larga escala. Como essa ampla experiência influencia a forma como você prioriza estratégias de crescimento na Observe?

No início de uma startup, é bastante simples: você constrói um ótimo produto e tenta vendê-lo. Essa é a estratégia de crescimento. Dito isso, minha carreira é muito tendenciosa para software empresarial e resolver problemas complexos para grandes empresas, então não é surpreendente que a Observe esteja focada diretamente nisso!

Com base em minha experiência, acredito que, para construir uma grande empresa de observabilidade, você tem que resolver o problema para as maiores empresas do mundo. Essas são questões de petabytes de dados, milhares de usuários e milhares de aplicações. Há muitas empresas de observabilidade, mas muito poucas podem vencer nesse ambiente; estou garantindo que a Observe possa.

A observabilidade se tornou crítica à medida que as aplicações distribuídas modernas crescem em complexidade. Onde você vê os maiores desafios e oportunidades para as empresas nos próximos 3-5 anos?

O maior desafio hoje é a escala. Kubernetes, microsserviços e agora cargas de trabalho de IA estão produzindo volumes de dados que sobrecarregam as ferramentas tradicionais. A confiabilidade dessas ferramentas despencam à medida que o custo dispara e simplesmente não é sustentável; uma nova arquitetura é necessária.

Para piorar, nos próximos anos, vamos ver mais código escrito, assistido por ferramentas de codificação de IA, do que em qualquer ponto da história. Esse código não será perfeito e, em algum momento, vai falhar. A área de crescimento está em perguntar: como você soluciona problemas de código que ninguém escreveu? E/ou, enquanto as ferramentas de codificação podem olhar para o código e consertar bugs, elas podem realmente olhar para como a aplicação se comporta em produção e encontrar o código problemático? Essa é uma oportunidade massiva para os fornecedores de observabilidade no futuro.

Muitas equipes lutam com a proliferação de ferramentas, usando sistemas separados para logs, métricas e traços. Como a Observe ajuda a simplificar essa experiência para as equipes de engenharia e DevOps na prática?

Em vez de jogar com três ou quatro ferramentas, a Observe dá aos clientes uma plataforma única para usar. Os logs, métricas, traços e alertas de uma empresa vivem no mesmo sistema e estão ligados por um Gráfico de Conhecimento. O Gráfico de Conhecimento fornece contexto que permite que os usuários perfurem e pivem facilmente através de logs, métricas e traços para acelerar a solução de problemas. Isso reduz a quantidade de tempo que eles têm que gastar saltando de plataforma para plataforma, permitindo que eles descubram um problema sem exportar dados ou alternar contextos.

Você pode compartilhar um exemplo concreto de como a Observe ajudou um cliente a resolver um problema importante – algo que teria sido difícil ou impossível com as ferramentas de observabilidade tradicionais?

A Capital One usa a Observe para exibir o status de jornadas de cliente críticas, correlacionando e enriquecendo dados de telemetria com contexto de negócios relevante. Eles ingerem centenas de terabytes de telemetria por dia, incluindo logs, métricas, traços, registros de alterações, logs de fluxo de VPC e dados de configuração da AWS. A Observe fornece à Capital One uma plataforma unificada para observabilidade de ponta a ponta, para que os desenvolvedores e os SREs possam realizar respostas interativas a incidentes e depuração.

Qual é o papel da aprendizagem de máquina ou IA nos bastidores da Observe, e como ela está ajudando os clientes a descobrir insights mais rapidamente ou a detectar problemas automaticamente?

A aprendizagem de máquina tem um histórico conturbado na observabilidade porque os ambientes empresariais são inerentemente barulhentos, e é muito difícil produzir um modelo que não resulte em milhares de anomalias. A IA gerativa é uma tecnologia muito diferente e terá um impacto muito mais profundo.

Acreditamos que a IA mudará a forma como os engenheiros interagem com as ferramentas de observabilidade. Primeiramente, eles poderão falar diretamente com os dados de observabilidade em linguagem natural enquanto estão sentados em seu IDE; metade de nossos usuários no futuro pode nunca fazer login ou aprender a Observe! Em segundo lugar, os agentes de IA estarão presentes durante a “paz” para digitalizar a telemetria e procurar problemas potenciais que podem eventualmente resultar em um incidente. Os agentes de IA não se cansam ou se entediam e podem realizar trabalhos que os humanos simplesmente não conseguem fazer. Finalmente, durante a “guerra”, os agentes de IA ajudarão os engenheiros e os SREs com o curso de ação que devem tomar para resolver o problema.

Seu estilo de liderança inspirado na Fórmula 1 enfatiza a resistência mental e o aprendizado com os erros. Como essa perspectiva moldou sua abordagem para construir a Observe e liderar a equipe através de vitórias e desafios?

O sucesso na F1 é criado usando dados para orientar decisões futuras, tanto para o motorista quanto para o carro. Até o final da temporada, 90% das peças do carro de F1 foram substituídas, e ele é 2 segundos mais rápido na pista.

Na Observe, temos que ter a mesma mentalidade para ter sucesso. Nós liberamos, medimos, ouvimos, adaptamos rapidamente. Eu imaginaria que 90% do nosso produto é diferente hoje do que há apenas alguns anos. Essa abordagem exige muita disciplina e muita humildade; não é fácil ouvir más notícias repetidamente. No entanto, se você agir em relação a más notícias suficientes, elas se transformam gradualmente em boas notícias, e a receita anual recorrente (ARR) acelera. Não é mágica, é lógica!

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Observe.