Lior Koriat, CEO da Quali – Série de Entrevistas

Lior Koriat, CEO da Quali, é um executivo de tecnologia experiente e empreendedor com quase duas décadas na Quali, onde ajudou a moldar a empresa desde suas fundações iniciais de engenharia e operações até se tornar um fornecedor global de soluções de Ambiente como Serviço para equipes de DevOps, TI e plataforma. Desde que se tornou CEO e membro do conselho em 2011, ele liderou a expansão da Quali nos EUA, Europa, Ásia e Israel, construindo sobre papéis anteriores como VP de P&D, COO e CEO, onde estabeleceu engenharia, vendas, suporte ao cliente, jurídico, desenvolvimento de negócios e operações internacionais. Seu histórico também inclui fundar e liderar a Intellitech Engineering, uma empresa de engenharia de sistemas e mecânica adquirida que atendia a clientes de defesa e civis, bem como funções de mentorização com o Google Launchpad Accelerator e o Centro de Empreendedorismo e Tecnologia Sutardja da UC Berkeley, onde aconselha startups sobre estratégia de produto, execução de go-to-market, DevOps e escalabilidade.

Quali desenvolve software de automação de infraestrutura e engenharia de plataforma projetado para ajudar as organizações a entregar ambientes de nuvem autosserviços governados sem desacelerar as equipes de desenvolvimento. Sua plataforma Torque fornece uma camada de autosserviço baseada em catálogo para equipes de plataforma, permitindo blueprints aprovados, controles de acesso baseados em funções, gerenciamento de ciclo de vida, atribuição de custos, aplicação de políticas e visibilidade em tempo real em todos os ambientes. A Quali posiciona a Torque como uma forma de padronizar a entrega de infraestrutura em configurações de multi-nuvem e híbrida, com suporte a casos de uso que incluem desenvolvimento de software, teste, demonstrações, treinamento, implantações de prova de conceito, MLOps, agente de IA, automação de pipeline de CI/CD e GPU como um Serviço. Seu portfólio de produtos mais amplo também inclui o CloudShell, que transforma a infraestrutura em blocos de construção reutilizáveis de baixo código ou sem código para ambientes complexos em infraestrutura local e em nuvem.

Você fundou e escalou várias empresas de tecnologia antes de liderar a Quali, e sua carreira abrange sistemas militares, robótica, engenharia de infraestrutura e automação de nuvem. Como essas experiências influenciaram sua visão para construir plataformas de infraestrutura de IA, e o que o convenceu de que este era o momento certo para se concentrar em gerenciamento de infraestrutura nativa de IA?

Minha carreira sempre se concentrou em sistemas complexos que precisam operar de forma confiável em condições exigentes. Comecei em robótica e aerospacial, desenvolvendo sistemas de automação e simulação para aplicações de defesa, onde a repetibilidade e a governança eram requisitos operacionais e não preferências de engenharia. Esses ambientes me ensinaram que os problemas mais difíceis surgem onde vários sistemas e processos precisam trabalhar juntos de forma consistente ao longo do tempo.

Essa perspectiva foi levada para a Quali. Ao longo da última década, a infraestrutura de empresa se tornou cada vez mais distribuída em diferentes camadas. Cada nova camada resolveu um problema técnico específico, mas também introduziu uma nova interface de gerenciamento, um novo fluxo de trabalho operacional e uma nova fonte de complexidade. As organizações se tornaram muito boas em criar infraestrutura, mas muito menos eficazes em governá-la uma vez que existia.

A IA acelerou esse desequilíbrio, e os desafios operacionais estão cada vez mais determinando se uma iniciativa de IA atinge a produção ou permanece presa na fase de piloto. É por isso que acredito que o gerenciamento de infraestrutura nativa de IA se tornou necessário. O desafio é operar a infraestrutura de IA continuamente em ambientes heterogêneos, mantendo a governança, a segurança e o controle de custos, enquanto otimiza a utilização.

A IA soberana se tornou rapidamente uma prioridade para governos e empresas. O que a maioria das organizações não entende sobre soberania, e por que você acredita que a governança de infraestrutura está se tornando tão importante quanto a propriedade do modelo?

Muitas discussões sobre IA soberana se concentram na residência de dados e propriedade de infraestrutura. Esses são componentes necessários, mas abordam apenas parte da realidade operacional.

Uma vez que as organizações começam a implantar agentes autônomos, a principal pergunta muda de onde a infraestrutura reside para como os sistemas de IA operam dentro dessa infraestrutura. Agentes modernos provisionam recursos, recuperam informações, iniciam fluxos de trabalho e interagem com sistemas de produção. Cada uma dessas ações requer aplicação de políticas.

Isso muda como a soberania deve ser avaliada. Possuir a infraestrutura não fornece automaticamente controle operacional se os sistemas de IA podem executar ações sem governança determinística. As empresas precisam demonstrar quem iniciou uma ação, quais políticas a governaram, quais recursos foram acessados e como essas decisões podem ser auditadas. O desafio é operar a infraestrutura de IA continuamente em ambientes heterogêneos, mantendo a governança, a segurança e o controle de custos, enquanto otimiza a utilização.

Espero que a governança de infraestrutura se torne tão estrategicamente importante quanto o desenvolvimento de modelos, pois fornece o quadro operacional que permite que as organizações escalonem a IA de forma responsável. À medida que as empresas adotam vários modelos, várias nuvens e fluxos de trabalho cada vez mais autônomos, a governança se torna a camada que mantém esses ambientes seguros e responsáveis em toda a propriedade de infraestrutura.

Agentes de IA estão sendo cada vez mais autorizados a provisionar recursos, implantar cargas de trabalho e tomar decisões operacionais. Quais guardrails devem estar em vigor antes que as empresas possam confiar seguramente em sistemas autônomos com infraestrutura crítica?

Muitas organizações já estão implantando agentes de IA em produção. A pergunta é como esses agentes operam dentro de limites claramente definidos.

O primeiro requisito é a aplicação de políticas determinísticas na camada de execução. Os agentes devem ser capazes de realizar apenas ações que estejam em conformidade com políticas de infraestrutura pré-definidas. Essas políticas não podem depender do modelo decidindo se uma ação é apropriada. Elas precisam ser aplicadas independentemente do próprio modelo.

O controle de acesso é igualmente importante. Permissões persistentes criam riscos operacionais desnecessários. O acesso deve ser provisionado para a tarefa específica sendo realizada, limitado aos recursos necessários e revogado automaticamente uma vez que o trabalho esteja concluído. Esse modelo permite que as organizações expandam a automação sem expandir sua superfície de ataque.

Toda ação também precisa de um registro de auditoria completo. À medida que os sistemas de IA se tornam mais autônomos, as empresas precisam entender qual agente realizou uma ação, quando ocorreu, qual política a autorizou e quais alterações foram feitas. Esse nível de rastreabilidade suporta a solução de problemas operacionais, bem como a conformidade regulatória.

Também acredito que a infraestrutura autônoma deve operar dentro de ambientes governados, e não em infraestrutura irrestrita. Ambientes bem definidos fornecem limites de recursos explícitos, controles de ciclo de vida e políticas operacionais antes que um agente comece a executar cargas de trabalho. Isso permite que as organizações aumentem a automação, mantendo um comportamento operacional previsível à medida que as implantações de IA continuam a escalar.

Você frequentemente discute a mudança de automação tradicional para o que chama de plano de controle inteligente. O que muda fundamentalmente quando a infraestrutura começa a operar em torno de intenção em vez de regras e fluxos de trabalho estáticos?

A automação tradicional executa etapas pré-definidas. Isso funciona quando a infraestrutura é previsível, as cargas de trabalho são estáveis e as alterações ocorrem por meio de fluxos de trabalho gerenciados por humanos. A infraestrutura de IA não opera dessa maneira.

As cargas de trabalho de IA são dinâmicas. A demanda por GPU muda rapidamente, os ambientes são criados e destruídos com frequência, e os agentes podem precisar de acesso a recursos para tarefas específicas. Um plano de controle inteligente entende o propósito de um ambiente, quem o possui, quanto custa, quais políticas se aplicam e se o estado ao vivo ainda corresponde ao estado pretendido.

Esse contexto muda o gerenciamento de infraestrutura. O sistema pode detectar deriva, recomendar otimização, aplicar política e tomar decisões de ciclo de vida contra o resultado pretendido, em vez de um script estático.

A infraestrutura de GPU se tornou um dos principais gargalos no deploy de IA. Você acredita que a indústria está abordando a utilização de GPU de forma errada, e quais alterações operacionais poderiam melhorar drasticamente a eficiência sem simplesmente adicionar mais hardware?

A indústria frequentemente trata o problema de GPU como um problema de aquisição. Em muitas empresas, o problema mais imediato é a utilização.

Vemos organizações com clusters de GPU que são pré-alocados para demanda de pico, permanecem ociosos entre execuções de treinamento ou permanecem anexados a ambientes após o trabalho ter terminado. Isso cria um alto custo sem valor de negócios correspondente.

Melhorar a eficiência de GPU começa com o controle de ciclo de vida. Os ambientes devem ser provisionados sob demanda, correspondentes à carga de trabalho, atribuídos a uma equipe ou projeto e destruídos automaticamente quando a tarefa estiver concluída. As empresas também precisam de visibilidade sobre a utilização, o custo por carga de trabalho e o propósito comercial por trás de cada ambiente.

Adicionar hardware pode ainda ser necessário, mas a capacidade de GPU não gerenciada apenas expande o problema de custo.

Muitas empresas agora operam em nuvem pública, nuvem privada, ambientes locais e infraestrutura de borda. Como você vê os ambientes de IA híbridos evoluindo nos próximos cinco anos, e quais desafios permanecem sem solução hoje?

A IA híbrida se tornará o modelo de empresa padrão. As organizações usarão a nuvem pública para flexibilidade, a infraestrutura local para controle e gerenciamento de custos, e os ambientes de borda onde a latência, a localidade de dados ou os requisitos operacionais exigem.

O desafio não resolvido é a consistência. A maioria das empresas já opera em vários fornecedores, nuvens, ferramentas de automação e tipos de infraestrutura. A IA adiciona clusters de GPU, ambientes de serviço de modelo, pipelines de fine-tuning e cargas de trabalho de agente à essa mistura.

Nos próximos cinco anos, as principais organizações serão aquelas que criam um padrão operacional único em todos esses ambientes. Elas precisarão de provisionamento consistente, aplicação de políticas, atribuição de custos, auditoria e gerenciamento de ciclo de vida, independentemente de onde a carga de trabalho seja executada.

O DevOps transformou a entrega de software na última década. Você acredita que a infraestrutura de IA exige um modelo operacional completamente novo, ou é a evolução natural do DevOps e da engenharia de plataforma?

A infraestrutura de IA estende o DevOps, mas também introduz requisitos que as práticas tradicionais de DevOps não foram projetadas para lidar.

O DevOps melhorou a entrega de software, padronizando pipelines, automatizando trabalho repetitivo e dando às equipes acesso mais rápido aos recursos de que precisam. A infraestrutura de IA exige a mesma disciplina, mas as cargas de trabalho são mais intensivas em recursos, menos previsíveis e mais dependentes de infraestrutura especializada.

A engenharia de plataforma se torna central nesse ambiente. As equipes precisam de acesso autosserviço governado a ambientes validados, em vez de provisionamento baseado em tickets ou configurações manuais únicas. O modelo operacional ainda valoriza a velocidade e a automação, mas também exige uma governança, controle de custos e contexto de infraestrutura mais fortes desde o início.

O zero-toque operacional é um objetivo de longa data no gerenciamento de infraestrutura. Quão perto estamos de ter realmente infraestrutura autônoma, e quais são as principais barreiras técnicas e organizacionais que ainda estão no caminho?

Estamos muito mais perto da infraestrutura autônoma do que a maioria das pessoas percebe, mas o fator limitante é a governança, e não a automação. Os agentes de IA já podem provisionar ambientes, implantar cargas de trabalho, investigar anomalias e recomendar remediação. O desafio é garantir que essas ações ocorram dentro de limites de política claramente definidos.

As organizações também precisam ter confiança de que os sistemas autônomos possam explicar o que fizeram, por que o fizeram e sob qual política agiram. Esse nível de rastreabilidade ainda está faltando em muitos ambientes de empresa. A infraestrutura autônoma se tornará mainstream quando a governança, a auditoria e a aplicação de políticas forem incorporadas à camada operacional, em vez de serem adicionadas posteriormente.

À medida que as cargas de trabalho de IA se tornam mais dinâmicas e intensivas em recursos, os excessos de custo estão se tornando uma grande preocupação. Quais são os erros mais comuns que as empresas cometem ao tentar escalar a infraestrutura de IA, e como elas podem evitá-los?

Muitas organizações se concentram em adquirir mais capacidade de computação antes de entender como estão usando de forma eficiente a infraestrutura que já possuem.

Vemos ambientes que permanecem ativos após os projetos terminarem, recursos de GPU reservados para cargas de trabalho que nunca são executadas, e pouca visibilidade sobre quais equipes ou aplicações estão impulsionando os custos de infraestrutura. As cargas de trabalho de IA amplificam essas ineficiências, pois a demanda muda rapidamente e a infraestrutura de GPU é cara.

A solução começa com a governança. Cada ambiente deve ter um proprietário definido, um propósito comercial, um ciclo de vida e um perfil de custo desde o momento em que é provisionado. Quando as organizações combinam o provisionamento baseado em políticas com a desmontagem automática e a visibilidade contínua sobre a utilização, os gastos com infraestrutura se tornam muito mais fáceis de prever e justificar.

Olhando para o futuro, o que separará as organizações que operacionalizam a IA com sucesso em escala das que lutam, e quais tendências de infraestrutura as líderes de tecnologia devem estar prestando atenção agora que ainda estão abaixo do radar?

As organizações que terão sucesso tratarão a infraestrutura de IA como uma capacidade operacional, e não como uma coleção de tecnologias. Os modelos continuarão a melhorar, e o hardware continuará a se tornar mais poderoso. Operar esses ambientes de forma consistente em várias equipes e plataformas permanecerá o desafio mais difícil.

Uma tendência que merece mais atenção é a mudança em direção à inteligência de infraestrutura. As plataformas de infraestrutura estão começando a entender o contexto do que elas gerenciam, quem possui um ambiente, qual carga de trabalho ele suporta, quanto custa, se está em conformidade com a política e quando deve ser otimizado ou aposentado. Esse contexto operacional se tornará cada vez mais valioso à medida que as empresas implantam mais agentes de IA e mais infraestrutura heterogênea.

Também espero que a governança se torne uma vantagem competitiva. As organizações que puderem provisionar infraestrutura rapidamente, mantendo a visibilidade, a aplicação de políticas, o controle de custos e a auditoria, moverão os projetos de IA da fase de piloto para a produção muito mais rápido do que aquelas que ainda dependem de modelos operacionais fragmentados.

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