Anton Onufriienko, Διευθύνων Σύμβουλος στην Devart – Σειρά Συνεντεύξεων

Anton Onufriienko, Διευθύνων Σύμβουλος στην Devart, είναι एक τεχνολογικός εκτελεστής και χειριστής με βαθιά εμπειρία στην κλιμάκωση επιχειρήσεων λογισμικού, την οδήγηση της αύξησης των εσόδων και την ηγεσία μεγάλων διαλειτουργικών ομάδων σε τομείς όπως το SaaS, το επιχειρηματικό λογισμικό και οι χρηματοοικονομικές υπηρεσίες. Κατά τη διάρκεια της καριέρας του, έχει προχωρήσει από την κατασκευή οργανισμών πωλήσεων και την εκκίνηση=startup σε επίβλεψη πλήρους λειτουργίας P&L για μεγάλες επιχειρηματικές μονάδες, συμπεριλαμβανομένης της μεγαλύτερης διεύθυνσης της Devart με περισσότερους από 130 υπαλλήλους. Πριν γίνει Διευθύνων Σύμβουλος, υπηρέτησε ως Chief Revenue Officer και Head of Sales της Devart, όπου ηγήθηκε της στρατηγικής go-to-market, της μετασχηματισμού των τιμών και των διεθνών πρωτοβουλιών αύξησης. Είναι επίσης Διευθύνων Σύμβουλος της TMetric, μιας πλατφόρμας παρακολούθησης χρόνου και κερδοφορίας που επικεντρώνεται στην παροχή λειτουργικής ευκρίνειας σε επιχειρήσεις που βασίζονται στις υπηρεσίες.

Devart είναι μια εταιρεία λογισμικού που ειδικεύεται στην ανάπτυξη βάσεων δεδομένων, συνδεσιμότητας δεδομένων, ολοκλήρωσης και εργαλείων παραγωγικότητας για développers, DBAs, αναλυτές και επιχειρηματικές ομάδες. Ιδρυθείσα το 1997, η εταιρεία είναι mieux γνωστή για τη σειρά dbForge εργαλείων διαχείρισης βάσεων δεδομένων, που υποστηρίζει μεγάλες συστήματα βάσεων δεδομένων, συμπεριλαμβανομένων των SQL Server, MySQL, Oracle (ORCL ) και PostgreSQL. Η Devart αναπτύσσει επίσης λύσεις συνδεσιμότητας δεδομένων, όπως ODBC, ADO.NET, Python και Delphi connectors, μαζί με το Skyvia, μια cloud-based πλατφόρμα ολοκλήρωσης δεδομένων χωρίς κώδικα για ETL, αυτοματοποίηση, backup και ορχήστρα εργασιών. Η εταιρεία εξυπηρετεί περισσότερους από 500.000 χρήστες παγκοσμίως, συμπεριλαμβανομένου ενός μεγάλου μεριδίου των οργανισμών Fortune 100, και έχει επικεντρωθεί ολοένα και περισσότερο στην ενσωμάτωση ικανοτήτων που βασίζονται στο AI στα προϊόντα της μέσω εργαλείων όπως το dbForge AI Assistant, το οποίο βοηθά τους développers να δημιουργούν, να βελτιώνουν, να διορθώνουν και να εξηγούν ερωτήσεις SQL χρησιμοποιώντας φυσική γλώσσα.

Έχετε προχωρήσει από την κατασκευή και ηγεσία ομάδων πωλήσεων σε διεύθυνση πλήρους λειτουργίας P&L και τώρα διαχείριση της μεγαλύτερης επιχειρηματικής μονάδας της Devart. Πώς έχει διαμορφώσει αυτή η πορεία την προσέγγισή σας για την ενσωμάτωση του AI στη στρατηγική προϊόντων και στη λήψη αποφάσεων σε κλίμακα;

Οι πωλήσεις με δίδαξαν να μετρώ το ROI σε όλα. Μετακινούμενος σε ένα ρόλο CRO, επέκτεινα αυτή τη дисциплина σε όλες τις λειτουργίες. Η διεύθυνση της BU με ανάγκασε να εφαρμόσω αυτή τη дисциплина στο AI ίδια.

Έχω μια πρακτική άποψη για το AI. Δεν είμαι σκεπτικός, αλλά πιστεύω ότι η υπερβολή εμποδίζει τα πραγματικά και διαρκή αποτελέσματα.

Υπάρχει ένα meme που κυκλοφορεί και που συνοψίζει το πού πηγαίνει συχνά λάθος η βιομηχανία. Οι εταιρείες ανταλλάσσουν συνδρομές SaaS 400 δολαρίων με εργαλεία που έχουν αναπτυχθεί εσωτερικά και κοστίζουν 1.000 δολάρια το μήνα σε χρεώσεις API και χρειάζονται συνεχείς επιδιορθώσεις. Αυτό δεν είναι πραγματική αλλαγή, είναι απλά μια ακριβή επίδειξη.

Το μάθημα που έμαθα στις πωλήσεις είναι απλό: κάθε πρωτοβουλία πληρώνει το δρόμο της, ή πεθαίνει. Διευθύνω την εφαρμογή του AI με τον ίδιο τρόπο που διηύθυνα μια περιοχή πωλήσεων. Σημείο ROI ανά ροή εργασίας, τριπλή εφαρμογή και τεκμηριωμένο αντίκτυπο πριν από την κλιμάκωση.

Το βόρειο άστρο μας είναι το Εσόδων ανά Υπαλλήλο, και ο στόχος μας είναι να το διπλασιάσουμε μέχρι το τέλος του 2028. Δεν κλείνεις αυτό το χάσμα με την πρόσληψη. Κλείνεις αυτό το χάσμα αλλάζοντας το τι σημαίνει δουλειά, και το AI είναι ο μόνος πραγματικός μηχανισμός σε αυτή τη κλίμακα.

Ο φίλτρος μου για κάθε πρωτοβουλία AI, εσωτερική ή προϊόντος, είναι ο ίδιος: τι είναι η μετρημένη αξία, ποιος πληρώνει για αυτό, και πώς γνωρίζουμε ότι δούλεψε; Οτιδήποτε δεν ανταποκρίνεται σε αυτές τις τρεις ερωτήσεις δεν ανήκει στην παραγωγή. Το κόστος του λάθους σε αυτό το σημείο πολλαπλασιάζεται γρήγορα, και οι περισσότερες εταιρείες θα το ανακαλύψουν με τον δικό τους τρόπο.

Η Devart έχει χτίσει μια ισχυρή φήμη γύρω από εργαλεία βάσεων δεδομένων και παραγωγικότητα développers. Πώς ενσωματώνετε το AI σε αυτά τα προϊόντα με τρόπο που παρέχει πραγματική αξία και όχι μόνο επιφανειακή αυτοματοποίηση;

Οι χρήστες μας είναι σκληροί τεχνικοί ειδικοί: DBAs, ανώτεροι μηχανικοί, αρχιτέκτονες δεδομένων. Αναγνωρίζουν την επιφανειακή αυτοματοποίηση σε δευτερόλεπτα και αντιπαθούν το να πουλιέται σε εμάς μάρκετινγκ παιχνίδια που ντύνουν την καινοτομία. Πριν από δύο χρόνια, όταν η υπερβολή του AI έφτασε στο αποκορύφωμά της και οι ανταγωνιστές έτρεχαν να προσαρτήσουν πάνελ συνομιλίας σε κάθε στοιχείο UI, η πίεση να ακολουθήσουμε ήταν πραγματική. Θυμάμαι ότι είχα δει αυτό το μοτίβο πριν, στο mobile, στο cloud, στο low-code, και αρνήθηκα να το επαναλάβω.

Η дисциплина ήταν απλή: αξία του πελάτη πρώτα. Κατασκευή χαρακτηριστικών AI που δεν ζητήθηκαν, που δεν παρέχουν πραγματική αξία, είναι η χειρότερη δυνατή χρήση των πεπερασμένων πόρων μηχανικής. Αυτό είναι尤其 true όταν το κοινό σας μπορεί να αναγνωρίσει τη διαφορά αμέσως.

Τι άλλαξε το 2026 είναι ότι το AI μετακινήθηκε από την υπερβολή σε μια πραγματική τεχνική επανάσταση. Το χάσμα μεταξύ того που μπορούσαν να κάνουν αυτά τα συστήματα το 2023 και того που μπορούν να κάνουν σήμερα δεν είναι επικλινές. Είναι μια完全 διαφορετική κατηγορία ικανοτήτων. Μπορούμε τώρα να λύσουμε προβλήματα που ήταν πραγματικά αδιάλυτα πριν: ασφαλής πρόσβαση δεδομένων επιχείρησης για πράκτορες AI, контекстουαλική ευφυΐα βάσεων δεδομένων μέσα στο IDE του développer, και αυτόνομη επιχειρηματική ανάλυση που δεν απαιτεί専ικά αναλυτή.

Αυτά είναι νέα προϊόντα που υπάρχουν επειδή το AI έκανε το υποκείμενο πρόβλημα λύσιμο. Αυτός είναι ο στόχος που ourselves: ένα πραγματικό προϊόν AI είναι ένα προϊόν στο οποίο η αφαίρεση του στρώματος AI το σπάει. Η βιομηχανία έχει περάσει δύο χρόνια που ονομάζει πάνελ συνομιλίας “προϊόντα AI”. Αυτά είναι χαρακτηριστικά, όχι προϊόντα.

Πήραμε περισσότερο χρόνο επειδή θέλαμε να το κάνουμε σωστά. Τα επόμενα δώδεκα μήνες θα δείξουν αν αυτή η дисциплина αποδίδει.

Το AI γράφει, βελτιώνει και διορθώνει κώδικα. Πώς βλέπετε ότι αυτό θα αλλάξει τον ρόλο των développers που εργάζονται με βάσεις δεδομένων τα επόμενα χρόνια;

Η αξία της γνώσης της σύνταξης SQL υποβαθμίζεται γρήγορα. Αν το AI μπορεί να δημιουργήσει μια σύνθετη ερώτηση SQL με πολλαπλά πίνακες σε δευτερόλεπτα και να αναγνωρίσει λείπους δείκτες από καταγραφές σε λεπτά, η αξία του μηχανικού δεν έρχεται πλέον από την πληκτρολόγηση SQL. Αυτό το μέρος της δουλειάς γίνεται εμπόρευμα.

Αλλά εδώ είναι η κρίσιμη νюανς που οι ευαγγελιστές της πλήρους αυτοματοποίησης πάντα παραλείπουν. Ένα λάθος του AI στο frontend είναι ένα λάθος που μπορεί να διορθωθεί με ανανέωση. Ένα λάθος του AI στη βάση δεδομένων είναι μια διαγραφή του περιβάλλοντος παραγωγής, μια διαρροή PII ή μια συναλλακτική διακοπή της ολόκληρης επιχείρησης.

Οι βάσεις δεδομένων κρατούν κατάσταση. Δεν συγχωρούν οπτασίες.

Αυτή η ασυμμετρία αναδιαμορφώνει完全 τον ρόλο. Τα επόμενα δύο έως τρία χρόνια, οι développers βάσεων δεδομένων και οι DBAs θα εξελιχθούν από κωδικοποιητές σε αρχιτέκτονες και ελεγκτές. Η основная δουλειά τους μεταφέρεται σε τρία πράγματα:

• Σχεδιασμός αξιόπιστων αρχιτεκτονικών που το AI δεν μπορεί να συλλάβει μόνο του, επειδή λείπει το επιχειρηματικό контекστ.
• Θέτηση σκληρών φραγμών και πολιτικών ασφαλείας για πράκτορες AI που αγγίζουν συστήματα παραγωγής.
• Επιβεβαίωση και ελέγχος του κώδικα που παράγουν οι μηχανές πριν φτάσει στη βάση δεδομένων.

Το νοητικό μοντέλο που επανέρχομαι: οι μηχανικοί θα διαχειρίζονται στρατούς βοηθών AI. Εργαλεία όπως το dbForge θα πρέπει να εξελιχθούν από παραδοσιακά IDE σε κέντρα εντολών και ελέγχου. Η δουλειά γίνεται λιγότερο για την πληκτρολόγηση SQL χειροκίνητα και περισσότερο για την επανεξέταση του κώδικα που παράγουν οι μηχανές, την επικύρωση και την επιβολή των ορίων που το AI δεν μπορεί να διασχίσει με ασφάλεια.

Η επαγγελματική ευκαιρία εδώ είναι σημαντική. Οι développers που ανεβαίνουν στο επίπεδο αρχιτεκτονικής και ελέγχου θα πολλαπλασιάσουν την αξία τους στην αγορά. Γίνονται το απαραίτητο στρώμα μεταξύ της παραγωγικότητας του AI και της ασφάλειας παραγωγής. Η προμήθεια για την εμπειρογνωσία βάσεων δεδομένων δεν εξαφανίζεται, μεταφέρεται προς τα πάνω προς την αρχιτεκτονική, τη διακυβέρνηση και την κρίση, που είναι ακριβώς εκεί όπου το AI δεν μπορεί να λειτουργήσει μόνο του.

Τι είναι τα μεγαλύτερα περιοριστικά στοιχεία των τρεχουσών εργαλείων AI στη διαχείριση βάσεων δεδομένων σήμερα, και πού βλέπετε τις πιο σημαντικές đột pháσεις να έρχονται από;

Το τρέχον AI είναι ακόμα κολλημένο στην επιφανειακή αυτοματοποίηση. Η δημιουργία μιας βασικής ερώτησης SQL ή κώδικα boilerplate δεν είναι πλέον εντυπωσιακή. Το μεγαλύτερο πρόβλημα είναι ότι τα περισσότερα συστήματα AI ακόμα συμπεριφέρονται σαν τυφλοί πληκτρολογητές και όχι σαν αρχιτέκτονες συστημάτων. Μπορούν να δημιουργήσουν σύνταξη, αλλά δεν κατανοούν πραγματικά το περιβάλλον στο οποίο λειτουργούν. Η πραγματική đột pháση συμβαίνει όταν το AI αρχίζει να συλλάβει το контекστ, τις εξαρτήσεις, την κατάσταση και τη λογική επιχείρησης μαζί.

Τώρα, βλέπω τρία μεγάλα περιοριστικά στοιχεία που κρατούν το AI πίσω σε περιβάλλοντα βάσεων δεδομένων.

Πρώτον, υπάρχει το πρόβλημα του контекστ. Τα μεγάλα μοντέλα γλώσσας μπορούν να δουν σχήματα, DDL και ονόματα στηλών, αλλά δεν κατανοούν πραγματικά τα σχέδια εκτέλεσης, τη σπάταλη δείκτες, τα μοτίβα κατανομής δεδομένων ή τη λογική επιχείρησης πίσω από τα δεδομένα. Χωρίς αυτή τη βαθύτερη κατανόηση, πολλές συμβουλές βελτίωσης γίνονται στατιστική τύχη που ντύνεται σαν εμπειρογνωσία.

Δεύτερον, υπάρχει το πρόβλημα των οπτασιών, και οι επιχειρήσεις έχουν σχεδόν μηδενική ανεκτικότητα σε αυτό στο επίπεδο της βάσης δεδομένων. Μια οπτασία JOIN μπορεί να επιβραδύνει συστήματα παραγωγής. Ένα λάθος UPDATE μπορεί να διαγράψει κρίσιμους καταχωρήσεις. Σε αυτό το επίπεδο, ακόμα και μικρές αποτυχίες ακρίβειας γίνονται εξαιρετικά ακριβές πολύ γρήγορα.

Το τρίτο ζήτημα είναι η ασφάλεια και η διακυβέρνηση. Καμία σοβαρή επιχείρηση δεν θα επικολλήσει σχήματα παραγωγής ή PII σε ένα δημόσιο εργαλείο AI χωρίς ισχυρές εγγυήσεις γύρω από την απομόνωση και τον έλεγχο των δεδομένων. Μέχρι οι προμηθευτές να λύσουν αυτό σωστά, η υιοθέτηση του AI σε ρυθμιζόμενους τομείς θα παραμείνει περιορισμένη.

Οι σημαντικές đột pháσεις θα έρθουν όταν το AI μετακινηθεί πέρα από τη δημιουργία σύνταξης και αρχίσει να λειτουργεί περισσότερο σαν αρχιτέκτονας ή αναλυτής στο παρασκήνιο.

Ένα μέρος αυτού είναι το στρώμα σημασιολογίας: μετακίνηση από τα ονόματα πινάκων σε πραγματική επιχειρηματική σημασία. Όχι μόνο “πίνακας_χρήστες”, αλλά κατανόηση εννοιών όπως πελάτες, κίνδυνος αποχώρησης, ή τάσεις LTV του τρίτου τριμήνου.

Μια άλλη μετατόπιση είναι το AI που λειτουργεί περισσότερο σαν ανώτερος DBA στο παρασκήνιο. Συνεχής ανάλυση φορτίων εργασίας, αναγνώριση σημείων 병목, πρόταση δείκτες, ανίχνευση επικίνδυνων ερωτημάτων και πρόληψη προβλημάτων πριν τα συστήματα αποτύχουν.

Τότε υπάρχει η λειτουργία μηχανής-προς-μηχανή, όπου αυτόνομες πράκτορες παρακολουθούν τη φόρτωση της βάσης δεδομένων, δοκιμάζουν στρατηγικές βελτίωσης σε απομονωμένα περιβάλλοντα και αναπτύσσουν βελτιώσεις υπό την εποπτεία ανθρώπων.

Αυτές είναι οι εξελίξεις που θα διαμορφώσουν τα επόμενα πέντε χρόνια των εργαλείων βάσεων δεδομένων.

Από την εμπειρία σας στην ηγεσία εσόδων και στρατηγικής go-to-market, πώς το AI αναμορφώνει τα μοντέλα τιμολόγησης, το πακέτο προϊόντων και την απόκτηση πελατών σε εταιρείες λογισμικού;

Το παραδοσιακό βιβλίο go-to-market είναι σπασμένο. Το βλέπουμε στα δικά μας νούμερα και σε όλη την κατηγορία εργαλείων développers.

Ο θάνατος της κλασικής απόκτησης.尽管 έχουμε σημαντικές βελτιώσεις στις θέσεις αναζήτησης σε όλα τα προϊόντα μας το 2026, χτυπάμε την πραγματικότητα zero-click. Η αναζήτηση AI παρέχει απαντήσεις直接 στην σελίδα αποτελεσμάτων και λιμοκτονεί τους ιστότοπους από трафик. Ισχυρές θέσεις αναζήτησης δεν μεταφράζονται πλέον σε leads όπως κάνανε ακόμα και δύο χρόνια πριν.

Πέντε χρόνια πριν, μια ισχυρή στρατηγική περιεχομένου ήταν αρκετή για να οδηγήσει την αύξηση. Σήμερα είναι το ελάχιστο. Τα LLMs ζυγίζουν τη δύναμη του brand, τις θετικές αναφορές και την πυκνότητα της κοινότητας όταν διαμορφώνουν απαντήσεις. Αν το brand σας δεν είναι ορατό και αξιόπιστο, τα συστήματα AI σταματούν να το επιφέρουν σταθερά. Δεν χάνετε μόνο трафик. Εξαφανίζεστε完全 από το ταξίδι αγοράς.

Αυτή η μετατόπιση χτυπάει ιδιαίτερα τις παραδοσιακές εταιρείες εργαλείων développers. Οι κανάλια απόκτησης SEO που χρηματοδότησαν μια γενιά B2B SaaS χάνουν αποτελεσματικότητα γρήγορα. Όποιος εξακολουθεί να βασίζεται σε αυτά ως πρωτεύοντα μοχλό αύξησης πρέπει να χτίσει εναλλακτικές λύσεις τώρα: διανομή ecosystem, κοινότητα και συνεργασίες.

Εξέλιξη τιμολόγησης: από θέσεις σε PLG 3.0. Μπαίνουμε στην επόμενη φάση του PLG. Η τιμολόγηση ανά θέση αρχίζει να σπάει όταν ένας πράκτορας AI μπορεί να κάνει τη δουλειά πολλών υπαλλήλων. Σε αυτό το περιβάλλον, η χρέωση ανά κεφαλή παύει να έχει νόημα. Οι εταιρείες που δεν ξαναπακέτουν τα προϊόντα γύρω από την αξία και όχι ανά κεφαλή θα χάσουν σημαντικά MRR τα επόμενα 24 μήνες.

Το επόμενο βήμα είναι το PLG 3.0: η στιγμή που ένας αυτόνομος πράκτορας AI, όχι άνθρωπος, αξιολογεί, δοκιμάζει και αγοράζει επιχειρηματικό λογισμικό. Η μαζική υιοθέτηση αυτού του μοτίβου είναι ακόμα quelques χρόνια μακριά, αλλά η αρχιτεκτονική προϊόντων και τιμολόγησης για τον αγοραστή μηχανής είναι μια εργασία του 2026, όχι του 2028.

Πολυάριθμες οργανώσεις δυσκολεύονται να μετακινηθούν από πειράματα AI σε πραγματική επιρροή παραγωγής. Ποια είναι τα βασικά στοιχεία που καθορίζουν εάν οι πρωτοβουλίες AI πραγματικά επιτύχουν;

Οι περισσότερες λειτουργίες AI αποτυγχάνουν πριν ακόμα χτιστούν. Αποτυγχάνουν στο δωμάτιο όπου κάποιος λέει “χρειαζόμαστε AI σε αυτό το προϊόν”, όχι επειδή οι χρήστες το ζήτησαν, αλλά επειδή η διοίκηση θέλει μια ιστορία AI ή το μάρκετινγκ πιστεύει ότι θα προσελκύσει ένα νέο κοινό. Αυτό είναι το αρχικό αμάρτημα της meisten πρωτοβουλίας AI, και διαμορφώνει όλα όσα ακολουθούν.

Βλέπω τις ίδιες λάθους να επαναλαμβάνονται σε εταιρείες που δυσκολεύονται να μετακινηθούν το AI από πειράματα σε πραγματική επιρροή παραγωγής.

Ο πρώτος λάθος είναι η κατασκευή χαρακτηριστικών AI που δεν ζητήθηκαν πραγματικά. Μόλις μια λειτουργία AI προγραμματιστεί χωρίς πραγματική ανάγκη του χρήστη, η ομάδα εργάζεται ανάποδα από την τεχνολογία για να εφεύρει μια περίπτωση χρήσης. Το αποτέλεσμα είναι προβλέψιμο: ένα πάνελ συνομιλίας που έχει προσαρτηθεί σε μια υπάρχουσα διεπαφή χρήστη, ένα αυτόματο που παρέχει χειρότερη έξοδο από ότι θα μπορούσε να γράψει ο χρήστης ο ίδιος. Αυτά τα χαρακτηριστικά αποστέλλονται, λαμβάνουν ένα δελτίο τύπου, και υποτιμούν σιωπηλά κάθε πρόβλεψη υιοθέτησης. Η βαθύτερη ζημία είναι ότι καταναλώνουν ικανότητα μηχανικής που θα έπρεπε να είχε πηγαίνει σε χαρακτηριστικά που οι χρήστες είχαν πραγματικά ζητήσει.

Το δεύτερο ζήτημα είναι ότι οι ομάδες υποτιμούν drammatically τη διαφορά μεταξύ καθαρών δεδομένων demo και πραγματικών δεδομένων παραγωγής. Τα demo του AI τρέχουν σε καθαρά, επιμελημένα παραδείγματα. Η παραγωγή τρέχει στα πραγματικά δεδομένα του πελάτη: διπλότυπα, λείπουν πεδία, δέκα διαφορετικοί τρόποι να γράψουν το ίδιο όνομα προϊόντος, δεκαπέντε χρόνια legacy περιπτώσεων. Ένα μοντέλο που επιτυγχάνει εντυπωσιακή ακρίβεια στην αξιολόγηση μπορεί να υποβαθμιστεί σημαντικά σε ζωντανούς δεδομένων, και οι περισσότερες ομάδες δεν ανακαλύπτουν αυτό μέχρι οι χρήστες να παραπονεθούν. Το κόστος αυτής της ανακάλυψης στην εμπιστοσύνη παραγωγής είναι σπάνια ανακτήσιμο.

Ένα άλλο κοινό σημείο αποτυχίας είναι η έρευνα χρηστών. Τα τυπικά συνεντεύξεις προϊόντων δεν λειτουργούν για χαρακτηριστικά AI. Οι χρήστες δεν μπορούν να артиκουλάρουν τι θέλουν από το AI επειδή δεν ξέρουν τι είναι δυνατό. Ρωτώντας “θα χρησιμοποιούσατε AI για να κάνετε X;” παίρνετε ευγενείς απαντήσεις ναι που δεν έχουν προβλεπτική αξία για υιοθέτηση. Αποτελεσματική έρευνα προϊόντων AI απαιτεί να δείχνει προτότυπα, να παρατηρεί πραγματική χρήση και να μετράει εάν οι χρήστες επιστρέφουν μετά τη νωπότητα να εξαφανιστεί. Λίγες ομάδες προϊόντων έχουν ξαναχτίσει την πρακτική τους έρευνας για αυτό.

Και τέλος, πολλές εταιρείες μετρούν δραστηριότητα AI αντί για επιρροή επιχείρησης. “Δύο εκατό άνθρωποι χρησιμοποίησαν τη λειτουργία AI αυτή την εβδομάδα” είναι ένας δείκτης υιοθέτησης, όχι δείκτης επιρροής. Πραγματική επιρροή είναι χρόνος κύκλου μειωμένος, ποιότητα βελτιωμένη, έσοδα παραγμένα, ή κόστος αφαιρεμένο. Αν δεν μπορείτε να τραβήξετε μια ευθεία γραμμή από τη λειτουργία AI σε ένα νούμερο στο P&L, δεν έχετε επιρροή παραγωγής. Έχετε μια ακριβή δραστηριότητα.

Υπάρχει ένα πέμπτο στοιχείο που γίνεται ολοένα και πιο κρίσιμο και που οι περισσότερες ομάδες προϊόντων παραλείπουν完全.

Συμμόρφωση και ο δρόμος κατασκευής AI-ελεύθερου. Ένα σημαντικό μερίδιο χρηστών επιχείρησης σε χρηματοοικονομικές, υγείας, κυβερνητικές, αμυντικές και νομικές υπηρεσίες λειτουργούν υπό πολιτικές που απαγορεύουν ή περιορίζουν χαρακτηριστικά AI σε λογισμικό προμηθευτών. Αν το προϊόν σας συνδέει στενά το AI στην πυρήνα εμπειρία χωρίς τρόπο να το απενεργοποιήσετε ή να το παρακάμψετε, δεν επεκτείνετε το κοινό σας με την προσθήκη AI. Χάνετε ένα τμήμα του υφιστάμενου σας.

Αυτό είναι ακριβώς το πρόβλημα που λύνουμε με την Συνδεσιμότητα AI. Οι ομάδες συμμόρφωσης σε ρυθμιζόμενους τομείς δεν αντιτάσσονται στο AI ίδια. Αντιτάσσονται στην έξοδο δεδομένων. Η λύση δεν είναι να αφαιρέσουμε το AI, αλλά να δώσουμε σε αυτές τις οργανώσεις μια αρχιτεκτονική AI που ταιριάζει στις περιορισμοί τους. Αυτός είναι ο λόγος για τον οποίο η Συνδεσιμότητα AI πηγαίνει ως on-premise: η ικανότητα AI παραμένει, τα δεδομένα δεν αφήνουν ποτέ την υποδομή του πελάτη, και η αγορά περνά την επανεξέταση την πρώτη φορά αντί της τρίτης.

Οι ομάδες που το κάνουν σωστά αρχιτεκτονικά για συμμόρφωση από την πρώτη μέρα. Οι ομάδες που το κάνουν λάθος ανακαλύπτουν το πρόβλημα κατά τη διάρκεια της επανεξέτασης αγοράς, όταν η συμφωνία έχει ήδη χαθεί.

Η Devart λειτουργεί σε πολλαπλά περιβάλλοντα βάσεων δεδομένων. Πώς μπορεί το AI να βοηθήσει στην απλοποίηση της αυξανόμενης複雑ότητας της διαχείρισης δεδομένων σε διαφορετικές πλατφόρμες;

Ο πόνος είναι πραγματικός. Ένας τυπικός οργανισμός Fortune 500 τρέχει οκτώ έως δώδεκα διαφορετικά συστήματα βάσεων δεδομένων ταυτόχρονα: legacy Oracle για χρηματοοικονομικά, PostgreSQL για νέες υπηρεσίες, SQL Server για λειτουργίες, Snowflake ή BigQuery για ανάλυση, και ολοένα και περισσότερο ένα vector store για ενσωματώσεις. Κάθε ένα έχει τη δική του διαλέκτο, το δικό του εργαλείο, τη δική του διακυβέρνηση. Ένας développer που εντάσσεται σε αυτό το περιβάλλον μπορεί να ξοδέψει τρεις μήνες μόνο για να μάθει πού ζουν τα δεδομένα και ποιος έχει δικαίωμα να τα αγγίξει.

Το AI δεν λύνει αυτή τη複雑ότητα μόνο του. Το AI ενισχύει ό,τι контекστ δίνεται. Οκτώ μη συνδεδεμένες βάσεις δεδομένων με κανένα ενοποιημένο μεταδεδομένο παράγουνοκτώ μη συνδεδεμένα σύνολα浅ných προτάσεων. Αυτό είναι ακριβώς το μοτίβο αποτυχίας που βλέπουμε στις περισσότερες επιχειρηματικές εφαρμογές AI σε στοίβες.

Η ευκαιρία είναι ένα στρώμα контекστ που κάθεται μεταξύ των πρακτόρων AI και των υποκείμενων βάσεων δεδομένων. Ένα που μιλάει σε όλα αυτά, κανονικοποιεί μεταδεδομένα, επιβάλλει ενοποιημένες πολιτικές διακυβέρνησης και εκθέτει ένα καθαρό MCP interface ώστε οποιοσδήποτε πράκτορας AI, είτε Claude, GPT, ή εσωτερικό μοντέλο, να λειτουργεί σε όλη την ιδιοκτησία με συνεπείς κανόνες.

Αυτή είναι η αρχιτεκτονική που χτίζουμε με την Συνδεσιμότητα AI: ένα on-premise MCP server με υποστήριξη πολλαπλών βάσεων δεδομένων, ένα στρώμα σημασιολογίας που καταγράφει ορισμοί επιχείρησης μια φορά αντί να αναγκάζει κάθε πράκτορα AI να ξαναμαθήσει, έλεγχο πρόσβασης με βάση τον ρόλο στο επίπεδο λειτουργίας SQL, και πλήρη αρχείο καταγραφής.

Απλοποίηση δεν είναι δωρεάν. Κάποιος πρέπει ακόμα να μοντελοποιήσει το στρώμα σημασιολογίας και να ορίσει πολιτική. Αυτό το έργο γίνεται μια φορά, όχι επαναλαμβανόμενα για κάθε πράκτορα AI που προστίθεται.

Έχετε ηγηθεί μεγάλων διαλειτουργικών ομάδων. Πώς το AI αλλάζει την εσωτερική συνεργασία και λήψη αποφάσεων μεταξύ προϊόντων, μηχανικής, μάρκετινγκ και πωλήσεων;

Η περισσότερη τριβή μεταξύ ομάδων ήταν πραγματικά άνθρωποι που περίμεναν πληροφορίες από άλλες ομάδες. Το AI συρρικνώνει αυτή τη τριβή γρηγορότερα από οποιοδήποτε πλαίσιο διαχείρισης.

Οι μετατοπίσεις είναι πρακτικές και άμεσες.

Στα προϊόντα και τη μηχανική: ένας προϊονίστας ρωτάει μια ερώτηση βάσεων δεδομένων σε απλά επιχειρηματικά όρους, “ποια είναι η διακύμανση LTV στους τρεις καλύτερους τιμολογιακούς πίνακες;”, και παίρνει μια ενεργή απάντηση αμέσως, αντί να υποβάλλει ένα tiket Jira στην ανάλυση και να περιμένει τρεις ημέρες.

Στο μάρκετινγκ και στα δεδομένα: ανάλυση cohort γίνεται σε πραγματικό χρόνο, όχι μέσω μιας ουράς αιτημάτων. Ο manager μάρκετινγκ ρωτάει, παίρνει αριθμούς, και χτίζει την εκστρατεία, όλα σε μια πρωινή.

Στις πωλήσεις και τη μηχανική: τεχνικές απαντήσεις για προοπτικές δεν απαιτούν πλέον την προγραμματισμένη κλήση με έναν ανώτερο μηχανικό. Ο αντιπρόσωπος πωλήσεων παίρνει μια αξιοπιστία τεχνική απάντηση σε πραγματικό χρόνο, και ο κύκλος συμφωνίας συμπιέζεται.

Οι αποφάσεις μετακινούνται στην συνομιλία αντί να μετακινούνται στο follow-up. Το μοτίβο “αφήστε με να επιστρέψω σε σας με αυτό το νούμερο” πεθαίνει. Οι συναντήσεις συρρικνώνονται επειδή το AI χειρίζεται προ-διαβάσεις και περίληψη που χρησιμοποιούσαν να καταναλώνουν το πρώτο μισό κάθε συνεδρίας.

Αυτή η συρρίκνωση της τριβής αναγκάζει μια βαθύτερη μετατόπιση διαχείρισης, και είναι αυτή που οι περισσότερες ομάδες ηγετών υποτιμούν.

Κάθε εταιρεία ισχυρίζεται ότι είναι προσανατολισμένη στα αποτελέσματα. Κοιτάξτε κάτω από το καπό και οι περισσότερες vẫn τρέχουν σε δείκτες proxy: story points, γραμμές κώδικα, κλειστά tiket, ωρών που καταγράφονται. Χρησιμοποιούμε δραστηριότητα ως δείκτη proxy για αξία επειδή η πραγματική αξία ήταν δύσκολο να μετρηθεί. Το AI σπάει αυτό το δείκτη proxy μόνιμα. Όταν ένας πράκτορας AI μπορεί να γράψει 10.000 γραμμές κώδικα ή να κλείσει 500 tiket υποστήριξης σε ένα λεπτό, η μέτρηση δραστηριότητας γίνεται επικίνδυνα παραπλανητική.

Μετακινούμαστε ρητά σε True Result-Oriented Management, όπου η απόδοση μετράται αυστηρά από το αποτέλεσμα και την κρίση. Δύσκολο στην πράξη, επειδή τα περισσότερα συστήματα απόδοσης δεν χτίζονται για αυτό. Άνθρωποι που χρησιμοποιούσαν να κρύβονται πίσω από υψηλή δραστηριότητα γίνονται ορατοί αμέσως, και η ηγεσία πρέπει να είναι πρόθυμη να ενεργήσει με βάση αυτή την ορατότητα.

Η δομική συνέπεια είναι πιό επίπεδες οργανωτικές διαγράμματα. Στρώματα συντονισμού και διανομής πληροφοριών συρρικνώνονται. Οι οργανώσεις που προσαρμόζονται ταχύτερα θα λειτουργούν με δομικά λιγότερους ανθρώπους σε υψηλότερο κέρδος.

Με την άνοδο της ανάπτυξης AI και των εργαλείων no-code, μετακινούμαστε σε ένα μέλλον όπου η διαχείριση βάσεων δεδομένων γίνεται προσβάσιμη σε μη τεχνικούς χρήστες;

Υπάρχει μια επικίνδυνη σύγχυση στη βιομηχανία τώρα. Άνθρωποι αντιμετωπίζουν ένα πλάι-projekt βάσεων δεδομένων και μια επιχειρηματική legacy βάση δεδομένων σαν να είναι το ίδιο πράγμα. Δεν είναι.

Για μικρά projekte, η δημοκρατία είναι ήδη εδώ. Έχω χτίσει προσωπικά μικρές εφαρμογές από το μηδέν χωρίς βαθιά γνώση διαχείρισης βάσεων δεδομένων. Αν όλο το σχήμα σας χωράει μέσα στο παράθυρο контекστ του LLM, το AI λειτουργεί σαν μαγία. Οι πολίτες développers που χτίζουν εσωτερικά εργαλεία σε μικρή κλίμακα θα είναι μια πραγματική και αυξανόμενη κατηγορία.

Η πραγματικότητα επιχείρησης είναι完全 διαφορετική. Μεγάλες legacy βάσεις δεδομένων αντιμετωπίζουν το ίδιο πρόβλημα με μεγάλους μονολιθικούς κώδικες: το τοίχωμα kontekstu. Δεν μπορείτε να χωρέσετε δεκαπέντε χρόνια αλλαγών σχήματος, εξαρτήσεις μεταξύ βάσεων δεδομένων και έθιμα κώδικα σε μια πρόταση. Όταν το AI χάνει το kontekst σε μια μεγάλη βάση δεδομένων, οι οπτασίες δεν υποβαθμίζονται ομαλά. Πολλαπλασιάζονται εκθετικά.

Ο κίνδυνος που δεν συζητιέται είναι η ψευδής εμπιστοσύνη σε κλίμακα. Οι φυσικές διεπαφές είναι μοναδικά καλές στη δημιουργία πιθανών αλλά λανθασμένων απαντήσεων. Αν μια ερώτηση SQL έχει einen σύνταξη λάθος, παίρνετε ένα μήνυμα λάθους. Αν μια φυσική διεπαφή λανθασμένα ερμηνεύει “ενεργούς πελάτες” επειδή τα δεδομένα έχουν έξι διαφορετικές ορισμοί δραστηριότητας, παίρνετε έναν αριθμό. Ο αριθμός φαίνεται καλός. Μπορεί να είναι λάθος κατά 30%. Ο χρήστης δεν έχει τρόπο να το ξέρει.

Έτσι, όχι, η διαχείριση βάσεων δεδομένων επιχείρησης δεν γίνεται ένα πεδίο για μη τεχνικούς χρήστες.

Ο πολίτης DBA είναι μύθος σε κλίμακα.

Το μέλλον ανήκει σε chuyênικούς αρχιτέκτονες δεδομένων που χρησιμοποιούν επαγγελματικά εργαλεία για να γεφυρώσουν το χάσμα kontekstu και να χτίσουν υποδομή που να επιτρέπει στο AI να λειτουργεί ασφαλώς πάνω της.

Η δομική λύση είναι το στρώμα σημασιολογίας: ένας ελεγχόμενος λεξικός όπου οι ορισμοί επιχείρησης ορίζονται μια φορά και 재χρησιμοποιούνται σε κάθε αλληλεπίδραση AI. Αυτή είναι η πυρήνα αρχιτεκτονική που χτίζουμε στο Insightis. Χωρίς αυτή, η προσβασιμότητα γίνεται ευθύνη.

Βλέποντας μπροστά, τι μοιάζει ένα “γεννημένο στο AI” εργαλείο développers, και πώς οι ομάδες πρέπει να αρχίσουν να προετοιμάζονται για αυτή τη μετατόπιση σήμερα;

Ένα εργαλείο développers γεννημένο στο AI δεν είναι ένα chatbot που έχει προσαρτηθεί σε ένα IDE. Τα περισσότερα που πουλιούνται ως “γεννημένα στο AI” σήμερα είναι μια διεπαφή chat και ένα μοντέλο αυτόματου συμπλήρωσης. Αυτό είναι το ελάχιστο, όχι το προορισμό.

Για μένα, ένα πραγματικά γεννημένο στο AI εργαλείο développers χρειάζεται τρία πράγματα.

Πρώτον, το AI χρειάζεται βαθύ kontekst. Πρέπει να κατανοήσει τον κώδικα σας, την υποδομή σας, τις ιστορικές αποφάσεις σας, και το περιβάλλον δεδομένων σας συνεχώς, όχι μόνο μέσω προτάσεων που έχουν κολληθεί σε ένα παράθυρο συνομιλίας. Τα περισσότερα τρέχοντα εργαλεία αποτυγχάνουν σε αυτό το τεστ.

Δεύτερον, τα εργαλεία πρέπει να μιλήσουν σωστά μεταξύ τους. Το IDE σας πρέπει να μιλήσει στη βάση δεδομένων, η βάση δεδομένων στο στοίβα παρακολούθησης, και το CI/CD στο AI reviewer, κ.λπ. Το Πρωτόκολλο Kontekstu Μοντέλου γίνεται το τυποποιημένο στρώμα εδώ, με 97 εκατομμύρια λήψεις SDK ανά μήνα στο Q1 2026, ανεβαίνοντας από 100.000 στο τέλος του 2024. Αυτή είναι η απότομη καμπύλη υιοθέτησης που έχω δει στην υποδομή développers.

Τρίτον, η παραγωγή-βάθμου AI απαιτεί σοβαρές φραγμοί ασφαλείας. Προεπισκόπηση ακτίνας έκρηξης πριν από καταστροφικές λειτουργίες. Ανάλυση εξαρτήσεων. Αυτοματοποιημένα σχέδια αναίρεσης. Αρχείο καταγραφής με προεπιλογή. Το AI χωρίς αυτά είναι εντάξει για προτότυπα και επικίνδυνο σε παραγωγή.

Πώς να προετοιμαστείτε, συγκεκριμένα.

Ελέγξτε το στοίβα σας έναντι αυτών των τριών στοιχείων. Κάθε εργαλείο εκθέτει APIs και MCP; Μιλάει με άλλα, ή κάθεται σε σιλό; Έχει ελέγχους ασφαλείας; Εργαλεία που αποτυγχάνουν σε δύο από τα τρία είναι περιουσίες βραχυπρόθεσμου.

Χτίστε υποδομή kontekstu τώρα. Ντοκιμαντέστε το σχήμα, τις ορισμοί επιχείρησης, και τις αρχιτεκτονικές αποφάσεις σε μορφή που διαβάζεται από μηχανές. Πλούσιο kontekst δεν χτίζεται σε ένα τρίμηνο. Οι ομάδες του AI που το έχουν το 2027 είναι αυτές που το ντοκιμαντέουν σήμερα.

Τρέξτε το AI σε παραγωγή πριν νομίσετε ότι είστε έτοιμοι. Οι ομάδες που περιμένουν μια формική “στρατηγική AI” πριν από την αποστολή θα είναι δεκαοκτώ μήνες πίσω από τις ομάδες που έχουν ήδη μάθει από πραγματικές αποτυχίες παραγωγής. Επιλέξτε μια περίπτωση χρήσης χαμηλού κινδύνου. Αποστείλετε το. Χτίστε τον μυ. Οι ομάδες που λαμβάνουν αυτές τις αποφάσεις σήμερα θα ορίσουν την επόμενη δεκαετία του πώς χτίζεται το λογισμικό. Το παράθυρο είναι στενό, και είναι ανοιχτό τώρα.

Οι ομάδες που λαμβάνουν αυτές τις αποφάσεις σήμερα θα ορίσουν την επόμενη δεκαετία του πώς χτίζεται το λογισμικό. Το παράθυρο είναι στενό, και είναι ανοιχτό τώρα. Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν την Devart.