Ronak Desai, grundare och VD för Ciroos – Intervjuserie

Ronak Desai, grundare och VD för Ciroos, leder företaget med en tydlig mission att eliminera IT-krångel och ge tillbaka tid till SRE, DevOps och drifttekniker. Han har en djup övertygelse om att AI bör förstärka mänsklig expertis på ett meningsfullt sätt, snarare än att ersätta den, särskilt i högriskmiljöer. Innan han grundade Ciroos, tillbringade Desai mer än 20 år på Cisco, där han hade flera seniora ledningsroller, inklusive Senior Vice President och General Manager för Cisco Full-Stack Observability och AppDynamics. Under sin karriär har han fokuserat på att bygga skalbara, kundcentrerade plattformar, har mer än 50 patenter som används idag och för med sig principerna om innovation och kundfixering som formade hans tid på Cisco.

Ciroos bygger en AI-nativ SRE-kollega som är utformad för att dramatiskt minska den tid det tar att utreda och lösa komplexa IT-incidenter i moderna, multi-domänmiljöer. Plattformen använder native multi-agentic AI för att resonera över signaler, automatisera utredningar och stödja automatisering, förstärkning och autonom drift – samtidigt som den ser till att människor förblir i kontroll. Genom att korrelera data över verktyg och domäner som traditionellt är isolerade, möjliggör Ciroos för team att gå från reaktiv brandbekämpning till snabbare, mer självsäkra beslut, och frigöra ingenjörer för att fokusera på högpresterande arbete snarare än repetitiv och utmattande driftsarbete.

Du tillbringade mer än två decennier på Cisco, och hjälpte till att bygga några av dess mest framgångsrika nätverks- och observationsprodukter. Vad inspirerade dig att ta steget och grunda Ciroos?

Under mina interaktioner med olika företagsgrupper, såg jag samma berättelse upprepas om och om igen. Driftsteam var överbelastade med instrumentpaneler, jagade larm och förlitade sig på institutionell kunskap för att felsöka problem över flera system. Trots att betydande kapital spenderades på observationsförmåga, saknade de fortfarande ett sätt att koppla samman bevis över domäner i realtid. Min medgrundare och jag ville ändra på det. Vi satte oss för att bygga ett AI-system som kunde resonera som en erfaren operatör och arbeta i samspel med SRE från början, och möjliggöra för team att fokusera på att förbättra motståndskraft och tillförlitlighet snarare än att spendera tid på att leta efter insikter eller släcka bränder.

Du har beskrivit Ciroos som ett svar på ett av de tuffaste problemen inom drift – utredningar som omfattar flera domäner. Hur påverkade din erfarenhet av att leda AppDynamics och Full-Stack Observability på Cisco den insikten och hur påverkade det Ciroos arkitektur?

På AppDynamics uppnådde vi en hög nivå av insikt i applikationsbeteende. Men när orsaken till en incident bodde utanför applikationen (antingen i molnkonfiguration, nätverk eller IAM), var det otillräckligt att ha insikt på applikationsnivå. Utmaningen var att etablera sammanhang. Den erfarenheten guidade hur vi utformade Ciroos. Vår plattform för AI-resonemang i produktionsskala. Den tittar på signaler över domäner, justerar händelser på en gemensam tidsaxel och resonera över domängränser för att fastställa den verkliga roten till incidenter.

Ciroos introducerar begreppet “AI SRE-kollega”. Hur skiljer sig den här idén om AI som en samarbetspartner från traditionella automatiserings- eller observationsverktyg?

AI SRE-kollegan fungerar mer som en ny kollega än ett nytt verktyg. Den lyssnar först, skaffar sig en förståelse för miljön, accepterar definierade uppgifter och bygger förtroende över tid. Medan traditionell automatisering utför regler, tillämpar kollegan resonemang. När den identifierar ett problem, väljer den relevanta domänexperter att fråga, samlar in stödjande bevis och presenterar det i sammanhang. Detta samarbetsmoment frigör ingenjörernas tid för att validera och lösa problem snarare än att manuellt härleda korrelationer.

Din plattform använder multi-agentic AI-resonemang. Kan du förklara hur flera AI-agenter samarbetar för att accelerera rotorsaksanalys och förbättra noggrannhet över komplexa system?

Varje agent har domänexpertis – en i Kubernetes, en annan i moln, en annan i nätverk och så vidare. När en incident inträffar, arbetar dessa agenter tillsammans som en del av en central resonemangsdel som korrelerar resultat i realtid. Systemet bestämmer vilka agenter som ska anropas, vilka uppgifter som ska tilldelas varje agent, i vilken ordning och för hur länge. Denna samordning minskar utredningstider och förbättrar noggrannhet genom att se till att varje lager utvärderas i sammanhang snarare än i en silo.

Ur ett tekniskt perspektiv, hur fungerar Ciroos dynamiskt resonemang över olika datakällor – som molntelemetri, applikationsloggar och infrastrukturmätningar – utan att överväldiga användarna med brus?

Ciroos betraktar varje datakälla som ett enda linssystem i en större bild. Den justerar observationer över datakällor på en enhetlig tidsaxel och visar endast de relevanta orsakssambanden. Till exempel, om en pod-omstart inträffar efter en liten ändring i IAM eller nätverksprincip, kopplar Ciroos automatiskt samman den sekvensen. Den går utöver att tillhandahålla råa instrumentpaneler och sätter samman en fullständig berättelse baserad på bevis som hjälper ingenjörerna att förstå varför något hände.

Förtroende och förklarbarhet är centrala i din designfilosofi. Hur ser du till att AI-drivna rekommendationer förblir transparenta och att mänskliga ingenjörer förblir i kontroll?

Varje rekommendation kommer med stödjande bevis och resonemang som ledde till den. Ingenjörer kan spåra varje slutsats, testa sina antaganden och hantera systemets autonomi, från assistent till semi-autonom. Systemet behåller kontextuell kunskap över tid genom mänsklig återkoppling, vilket tillåter det att förbättra besluts kvalitet samtidigt som det förblir fullständigt styrt. Vår metod liknar det sätt som ett team skulle anställa nya medarbetare, med tydliga riktlinjer, direkt resonemang och full mänsklig tillsyn. Förtroende byggs när systemet visar alltmer tillförlitlig prestanda över tid.

Tidiga användare rapporterar att Ciroos minskar utredningstiden från timmar till minuter. Vilka mönster eller insikter överraskade dig mest när team började använda AI SRE-kollegan i produktion?

Det har funnits två behagliga överraskningar – först, den hastighet med vilken även stora företag har svarat positivt på vår kärnvärdering har varit hjärtlig. För det andra, har våra kunder tittat närmare på vår teknik och har kommit med några mycket unika användningsfall som går långt utöver rotorsaksanalys. Dessa användningsfall belyser de verkliga utmaningar som stora företag står inför idag i sina produktionsdrift.

Begreppet “AI som en kollega” antyder samarbete snarare än ersättning. Hur ser du på den här idén utvecklas när organisationer blir mer bekväma med att arbeta bredvid intelligenta system?

Vi ser på det här som en resa som involverar automatisering, förstärkning och, slutligen, autopilot. Även om Ciroos stöder alla tre lägen idag, ser vi vanligtvis att organisatoriskt antagande av AI följer en mognadskurva. För att börja, använder företag vårt AI-system för att automatisera tydligt definierade och upprepningsbara uppgifter samtidigt som de minskar den kognitiva överbelastningen för människor. I kontrast, icke-AI-nativa system lägger för mycket börda på den mänskliga operatören för att konfigurera många parametrar och regler innan kunderna förstår värdet.

I nästa fas, använder företag AI-systemet för att förstärka en människas resonemang i skala över flera domäner, samtidigt som systemet tillhandahåller detaljerade förklaringar och rekommendationer för åtgärd som den mänskliga operatören validerar och utför. Det är här de flesta företag är idag.

Över tid, kan AI hantera fullständiga incidentflöden autonomt för företaget, och endast eskalera till en människa när det är nödvändigt. Vi förväntar oss att det här kommer att öppnas upp gradvis baserat på uppgiften. Den progressen är liknande det sätt som team utvecklar förtroende med nya medarbetare. När du får mer förtroende, växer samarbetet.

Många företag förlitar sig redan på etablerade observations- och incidenthanteringsplattformar. Hur integrerar Ciroos med dessa befintliga ekosystem utan att störa arbetsflöden?

Från början, var integration aldrig ett alternativ. Vi tror att en federerad datamodell ger företag den snabbaste tid till värde, mest valfrihet och lägsta total ägandekostnad. Ciroos AI SRE-kollega integrerar med sju olika kategorier av företagssystem idag – observationsförmåga, incidentrespons, samarbetsverktyg, molnplattformar, biljettsystem, CI/CD-verktyg och fysisk infrastruktur via öppna API:er och protokoll som MCP och A2A. Den integrerar i befintliga arbetsflöden snarare än att kräva att team antar nya. Den här designen har hjälpt till att göra det lätt för företag att anta. Team får snabbare svar utan att ändra sina befintliga arbetsflöden.

Du har betonat kundfixering och innovation under hela din karriär. Hur vägleder dessa värderingar Ciroos kulturer och dess långsiktiga vision för att omdefiniera tillförlitlighetsingenjörskap?

Att vara kundfixerad innebär att vara obevekligt fokuserad på de verkliga utmaningar som våra kunders driftsteam står inför, såsom långa timmar, trötthet, krångel och den ständiga jakten på svar på frågor som dyker upp i drift. Innovation handlar om att lösa dessa problem på sätt som meningsfullt återför tid och fokus. Vi ser för oss att alla driftsteam har en AI-kollega som lär sig kontinuerligt, skalar med efterfrågan och hjälper till att säkerställa tillförlitlighet över system. På lång sikt, ser vi AI-tjänst som programvara som blir standard över hela utvecklings- till produktionsdriftscykeln – system som tänker, agerar och förbättrar sig tillsammans med sina mänskliga kollegor. Om vi kan ge våra användare den tydlighet och andrum de alltid har behövt, har vi gjort vårt jobb rätt. Dessa användare kan vara SRE, IT-driftspersonal, produktionsdriftsingenjörer, molndriftsingenjörer eller DevOps-team som utför produktionsdrift.