Kris Beevers, CEO e Co-Fundador, Netbox Labs – Série de Entrevistas

Kris Beevers, CEO e Co-Fundador, NetBox Labs é um empreendedor de tecnologia e veterano em software de infraestrutura com mais de duas décadas de experiência construindo empresas e plataformas focadas em redes, infraestrutura de nuvem e automação. Antes de liderar a NetBox Labs, Beevers co-fundou a NS1 em 2013 e atuou como seu CEO por quase uma década, transformando a empresa em um provedor proeminente de tecnologia de automação de rede e gerenciamento de tráfego de aplicações antes de sua aquisição pela IBM em 2023. Como parte dessa transação, a NetBox Labs se desmembrou da NS1 como uma empresa independente com a IBM como investidora. No início de sua carreira, Beevers ocupou cargos seniores de engenharia e arquitetura na Internap Network Services e na Voxel, e também co-fundou a SolidJoint Research.

NetBox Labs desenvolve uma plataforma de inteligência de infraestrutura projetada para ajudar organizações a modelar, operar, automatizar e governar redes e infraestruturas de TI cada vez mais complexas. A empresa é a responsável comercial do NetBox, o amplamente adotado sistema de registro de rede e infraestrutura de código aberto usado por mais de 10,000 organizações. Sua plataforma combina um grafo de infraestrutura e fonte de verdade com inteligência operacional, automação, orquestração assistida por IA e recursos de governança que permitem tanto a engenheiros quanto a agentes de IA interagir com a infraestrutura de forma segura. A NetBox Labs suporta implantações em nuvem, enterprise auto-gerenciada, híbridas e isoladas, enquanto integra-se com ferramentas como Ansible, Terraform, Nornir e pipelines de integração e entrega contínuas.

Você co-fundou a NS1 em 2013 e passou quase uma década construindo a empresa antes de sua aquisição pela IBM, após a qual a NetBox Labs emergiu como uma empresa independente. Que lições da construção da NS1 influenciaram por que você fundou a NetBox Labs, e como o problema de infraestrutura que você está tentando resolver mudou na era da IA?

Uma coisa que aprendi ao construir a NS1 é que os problemas de infraestrutura raramente permanecem bem contidos. O DNS era nossa parte da pilha, mas nossos clientes operavam esses ambientes incrivelmente complexos onde redes, data centers, aplicações e automação dependiam uns dos outros. Quanto mais tempo passei com essas equipes, mais claro ficou que entender a própria infraestrutura era um problema muito maior.

Isso foi uma grande parte do que me atraiu para a NetBox. Já existia esse projeto de código aberto amplamente adotado e uma comunidade de engenheiros que o utilizava para modelar o que possuíam, como estava conectado e como deveria ser. Vimos uma oportunidade de construir sobre essa base.

O que mudou com a IA é principalmente o ritmo e a escala. As equipes de infraestrutura estão sendo solicitadas a construir ambientes enormes de forma incrivelmente rápida, enquanto a tecnologia subjacente está mudando tão rapidamente quanto. Ao mesmo tempo, estamos começando a automatizar mais a operação dessa infraestrutura, o que representa um futuro empolgante. À medida que a IA é aplicada à infraestrutura, as equipes de TI percebem que precisam de dados bons e em tempo real sobre sua infraestrutura para automatizar, e precisam saber como é o estado pretendido para que a IA possa ajudá-las a identificar quando a infraestrutura operacional se desvia do plano.

Portanto, a lição da NS1 ainda se aplica. Antes de automatizar bem a infraestrutura, é preciso entendê‑la. A IA apenas torna esse acerto muito mais urgente.

Durante grande parte da última década, a computação em nuvem permitiu que desenvolvedores e equipes de infraestrutura abstraíssem o hardware físico subjacente às suas aplicações. Por que a IA está revertendo essa tendência e forçando DevOps, Site Reliability Engineering (SRE) e engenheiros de rede a pensar novamente sobre energia, refrigeração, racks, cabeamento e redes físicas?

A nuvem ensinou a muitos de nós a tratar a infraestrutura como efetivamente infinita. Você solicitava computação e ela aparecia. Não era necessariamente necessário se preocupar onde o servidor estava, como era alimentado, como era refrigerado ou como todas as peças físicas abaixo dele se juntavam.

A infraestrutura de IA realmente não permite que você faça isso.

Ao construir esses ambientes, você começa com algumas questões bastante físicas. Quanto de terra eu tenho? Quanta energia posso obter? Que tipo de refrigeração posso suportar? A partir daí, você passa para racks, servidores GPU, switches, cabeamento de fibra óptica e, eventualmente, a camada lógica, endereços IP, configurações e software.

Todas essas coisas dependem umas das outras. Você não pode decidir quantos racks vai implantar sem entender a densidade de energia e refrigeração. Não pode pensar nos GPUs independentemente da rede que os conecta.

Isso está forçando disciplinas que passaram anos se afastando da camada física a se envolverem novamente com ela. A abstração não desapareceu, mas as restrições físicas subjacentes de repente passam a importar muito mais.

Os data centers de IA estão sendo cada vez mais discutidos em escala de gigawatt. O que muda fundamentalmente operacionalmente quando a infraestrutura passa de ambientes empresariais ou de nuvem convencionais para instalações projetadas em torno de enormes clusters de GPUs?

A escala de gigawatt é absolutamente astronômica. Mas, embora a escala seja obviamente diferente, acho que a diferença mais interessante é a quantidade de coordenação necessária.

Pense no que precisa acontecer para colocar um data center de 300 megawatts em operação. Você precisa de terreno e energia. Em seguida, é necessário projetar a instalação e adquirir racks, servidores GPU, switches, fibra, infraestrutura de energia e equipamentos de refrigeração, muitas vezes de fornecedores completamente diferentes, com formas totalmente distintas de representar seus produtos. Todo esse equipamento deve chegar, ser recebido, colocado em rack, cabeado, configurado, testado e, finalmente, entregue para treinamento ou inferência.

E o terreno está se movendo sob seus pés enquanto você faz isso. As arquiteturas de GPU estão mudando. O networking está mudando. As exigências de refrigeração estão mudando. Os componentes disponíveis daqui a seis meses podem não ser os mesmos que você projetou hoje.

Assim, pequenas ineficiências se acumulam muito rapidamente. Recentemente passei um tempo com um dos maiores fabricantes de cabos de fibra óptica do mundo, e eles me disseram que um dos maiores problemas de negócios deles são as devoluções porque os clientes pedem comprimentos de cabo incorretos. Isso parece quase trivial até que você esteja pedindo centenas de milhares de cabos.

Nessa escala, as operações de infraestrutura se tornam um enorme problema de logística e satisfação de restrições. As empresas que fazem isso bem são as que se tornam muito boas em transportar dados de design precisos ao longo de todo o processo de aquisição, implantação e operação.

Você disse que, efetivamente, não existe um manual estabelecido ou um fluxo de talentos para operar infraestrutura nessa escala. Quais habilidades são atualmente as mais difíceis de encontrar e onde você espera que surjam as maiores escassez de talentos à medida que a infraestrutura de IA se expande?

Provavelmente há apenas algumas centenas de pessoas no mundo que realmente sabem como construir esse tipo de infraestrutura nessa velocidade e escala. E a maioria delas está bastante ocupada realmente fazendo isso.

Isso faz parte do que torna este momento incomum. Não existe um corpo de conhecimento maduro que você possa simplesmente estudar. As pessoas que fazem isso estão aprendendo umas com as outras e descobrindo as coisas em tempo real. E, como a tecnologia está mudando tão rapidamente, algumas dessas lições ficam desatualizadas muito rápido.

Acho que a escassez, portanto, é maior do que qualquer título de cargo. Precisamos de pessoas que compreendam networking, computação e automação, mas cada vez mais também entendam o ambiente físico em que esses sistemas operam. Energia, refrigeração, design de instalações, cadeia de suprimentos e operações de campo estão se tornando parte da mesma conversa.

As pessoas que conseguem transpor algumas dessas fronteiras serão incrivelmente valiosas. Mas não acho que já tenhamos definido como serão todos esses papéis. O modelo de talentos está sendo construído paralelamente à infraestrutura.

À medida que as fronteiras entre software, networking, instalações, energia e engenharia de data centers começam a se desfocar, que novos papéis técnicos ou conjuntos de habilidades híbridas você espera que surjam?

Não acho que saibamos ainda como serão todos esses papéis. O que sabemos é que as pessoas que constroem essa infraestrutura precisam pensar em um conjunto muito mais amplo de problemas do que antes.

Você não está pensando apenas em computação ou networking isoladamente. Energia, refrigeração, design físico, cadeia de suprimentos, networking e automação precisam se unir para colocar esses ambientes em operação e mantê-los funcionando.

Ainda acredito que precisaremos de pessoas com profunda expertise em cada uma dessas áreas. Mas, cada vez mais, elas também precisarão entender como as decisões em sua área afetam o resto da infraestrutura. E, como grande parte desse trabalho precisa acontecer mais rapidamente, a capacidade de automatizar será importante em mais disciplinas.

Os agentes de IA estão começando a diagnosticar problemas, gerar configurações e automatizar partes das operações de infraestrutura. De quais responsabilidades você acha que a IA assumirá realisticamente dos engenheiros de infraestrutura, e quais se tornarão ainda mais dependentes da profunda expertise humana?

Acho que grande parte do trabalho em que os insumos, o resultado desejado e os limites são claros será cada vez mais tratado pela IA. Gerar configurações é um exemplo óbvio. Também o diagnóstico de problemas comuns, a verificação se a infraestrutura corresponde ao design pretendido, ou eventualmente a correção de certos problemas quando houver confiança suficiente sobre o que deu errado e qual é a resposta segura.

Os humanos se tornam mais importantes quando a resposta não é óbvia.

A infraestrutura falha de maneiras estranhas. Uma fibra é cortada. Um dispositivo começa a se comportar de forma diferente do que o design indica. Uma mudança tem um efeito inesperado em outra parte do ambiente. A IA pode ajudar um engenheiro a entender essas situações muito mais rápido, mas ainda são necessárias pessoas que compreendam o sistema profundamente o suficiente para decidir o que deve acontecer a seguir.

Acho que essa é a mudança interessante. Os engenheiros provavelmente passarão menos tempo fazendo configurações e troubleshooting repetitivos e mais tempo definindo intenções, projetando sistemas, estabelecendo os limites da automação e lidando com problemas genuinamente novos. Todo esse trabalho será augmentado pela IA, mas impulsionado por pessoas.

Isso torna a expertise mais valiosa, não menos. O engenheiro que realmente entende por que a infraestrutura funciona da maneira que funciona será incrivelmente importante quando a automação não tiver uma resposta óbvia.

NetBox Labs tem argumentado que sistemas de IA que gerenciam infraestrutura precisam de um modelo autoritário de dispositivos, conexões, dependências e outras relações físicas e lógicas. Por que esse tipo de contexto de infraestrutura é tão importante ao passar de assistentes de IA que fazem recomendações para agentes que podem realmente executar ações?

A grande diferença é que, uma vez que um agente pode agir, errar tem consequências reais.

Um agente de infraestrutura precisa de mais do que uma captura instantânea do que um dispositivo está fazendo no momento. Ele precisa entender o ambiente ao seu redor: o que existe, como as coisas estão conectadas, o que mudou recentemente e, principalmente, como a infraestrutura deveria ser.

Considere, por exemplo, a solução de um problema de conectividade. Não basta saber que um dispositivo está inacessível. Você quer que o agente seja capaz de rastrear o caminho do cabo, entender as dependências ao redor desse dispositivo, analisar as mudanças recentes e determinar o que mais pode ser afetado antes de propor o que fazer a seguir.

Isso é realmente a base que temos construído ao longo de anos na NetBox Labs, oferecendo às equipes um modelo preciso tanto da infraestrutura física quanto lógica, juntamente com a intenção de como ela deve operar.

Mas os dados por si só não são suficientes. Também é preciso decidir o que o agente pode fazer por conta própria, o que requer aprovação humana e como cada ação é rastreada e validada.

A infraestrutura não é como código, onde uma mudança ruim pode sempre ser revertida de forma limpa. Uma mudança ruim pode derrubar uma operação. Portanto, à medida que avançamos de IA que apenas informa ao engenheiro o que pensa para IA que pode realmente executar o trabalho, tanto o contexto quanto o controle se tornam muito mais importantes.

No seu artigo recente de CIO, “Por que eu, o CEO, estou pessoalmente construindo nossa estratégia de IA”, você argumentou que a IA é importante demais para que os líderes das empresas simplesmente deleguem e descreveu a prototipagem pessoal com ferramentas de IA. Como estar diretamente envolvido com esses sistemas mudou sua visão sobre o que a IA pode realisticamente automatizar nas operações de infraestrutura?

Estar diretamente envolvido faz com que você se interesse muito menos pela conversa teórica.

Passei muito tempo realmente construindo com essas ferramentas, mais comumente, atualmente, prototipando ou até desenvolvendo produtos completos com Claude Code. Você aprende rapidamente que há uma enorme diferença entre ver uma demonstração impressionante e construir algo em que realmente confia para realizar um trabalho útil.

Você também desenvolve uma sensação de para onde a tecnologia está se movendo muito mais rápido do que se pode obter lendo sobre ela. Coisas que eu consideraria difíceis de automatizar há seis meses podem, de repente, ser bastante simples. Ao mesmo tempo, você vê muito claramente onde ainda faltam contexto, julgamento e estrutura.

Isso influenciou como penso sobre operações de infraestrutura. Estou muito otimista quanto à quantidade de trabalho operacional que podemos automatizar, mas acho que ainda estamos longe da autonomia plena como objetivo final.

A questão que me importa é muito mais básica. Isso nos ajuda a operar a infraestrutura mais rápido, de forma mais confiável ou mais eficaz? Se ajuda, ótimo. Se não ajuda, não importa o quão sofisticada seja a IA por trás disso.

As data centers de IA se tornam cada vez mais limitados pela disponibilidade de eletricidade e requisitos de refrigeração, a engenharia de infraestrutura poderia evoluir de gerenciar principalmente recursos computacionais para coordenar ativamente cargas de trabalho com energia e capacidade física?

Sim, e já estamos começando a ver isso. Temos uma frase internamente, “turbinas no estacionamento”, que surgiu de uma conversa real com uma das equipes que constrói infraestrutura de IA em hiperescalas. Eles estavam colocando infraestrutura em operação tão rapidamente que a rede elétrica não conseguia acompanhar, então literalmente compravam turbinas e as colocavam no estacionamento para obter energia suficientemente rápida.

Esse é o tipo de ambiente em que essas equipes operam. Quando a energia se torna uma das suas principais restrições, você precisa ser muito mais inteligente sobre como usa o que está disponível. A resposta à demanda, onde os operadores coordenam ativamente as cargas de trabalho de IA em reação a mudanças na rede elétrica, já está acontecendo e se tornando uma capacidade cada vez mais importante para equipes que operam infraestrutura que consome muita energia.

Nem toda carga de trabalho tem os mesmos requisitos. Inferência sensível à latência pode precisar permanecer online, enquanto alguns treinamentos ou cargas de trabalho em lote podem ser deslocados ou pausados quando a energia está limitada. Acho que veremos cada vez mais equipes de infraestrutura gerenciando computação, energia e capacidade física como partes do mesmo problema operacional.

Olhando para o futuro, você acha que o maior gargalo para escalar IA será, em última análise, GPUs e desenvolvimento de modelos, ou o desafio muito mais amplo de encontrar energia suficiente, infraestrutura física, capacidade de rede, automação e engenheiros qualificados para operar tudo que está por trás deles?

Não acho que haverá um único gargalo.

Construir infraestrutura de IA na velocidade e escala que o mercado demanda atualmente é basicamente um problema de satisfação de restrições. Em qualquer momento, algo será a restrição principal.

Por um tempo, todos falavam sobre GPUs. Energia é obviamente um grande gargalo agora. Mas também pode ser equipamento de rede, refrigeração, terreno, fibra, aquisição, construção ou simplesmente encontrar pessoas suficientes que saibam como montar tudo isso.

E, quando você resolve uma restrição, outra se torna mais visível. É isso que acontece quando a demanda é muito maior que a oferta.

Portanto, eu não apostaria em um gargalo permanente. Acho que a capacidade mais importante é ser capaz de se adaptar à medida que a restrição se desloca.

É também por isso que não acho que alguém tenha um manual definitivo para infraestrutura de IA neste momento. As pessoas que a constroem estão descobrindo isso enquanto escalam, e estão fazendo ambas as coisas incrivelmente rápido.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar NetBox Labs.