एंटोन ओनुफ्रिएन्को, डेवार्ट के प्रबंध निदेशक – साक्षात्कार श्रृंखला

एंटोन ओनुफ्रिएन्को, डेवार्ट के प्रबंध निदेशक, एक प्रौद्योगिकी कार्यकारी और ऑपरेटर हैं जिनके पास सॉफ्टवेयर व्यवसायों को स्केल करने, राजस्व वृद्धि को चलाने और एसएएएस, एंटरप्राइज सॉफ्टवेयर और वित्तीय सेवाओं में बड़ी क्रॉस-फंक्शनल टीमों का नेतृत्व करने का गहरा अनुभव है। अपने करियर के दौरान, उन्होंने बिक्री संगठनों का निर्माण करने और स्टार्टअप लॉन्च करने से लेकर पूर्ण पीแอนดएल ऑपरेशनों की देखरेख करने तक का काम किया है, जिसमें डेवार्ट की सबसे बड़ी डिवीजन में 130 से अधिक कर्मचारी शामिल हैं। प्रबंध निदेशक बनने से पहले, उन्होंने डेवार्ट के मुख्य राजस्व अधिकारी और बिक्री प्रमुख के रूप में काम किया, जहां उन्होंने जाने के लिए बाजार रणनीति, मूल्य परिवर्तन और अंतर्राष्ट्रीय विकास पहल का नेतृत्व किया। वह टीएमेट्रिक के सीईओ भी हैं, जो एक समय ट्रैकिंग और लाभकारी मंच है जो सेवा-संचालित व्यवसायों को संचालन स्पष्टता प्राप्त करने में मदद करने पर केंद्रित है।

डेवार्ट एक सॉफ्टवेयर कंपनी है जो डेटाबेस विकास, डेटा कनेक्टिविटी, एकीकरण और डेवलपर्स, डीबीए, विश्लेषकों और एंटरप्राइज टीमों के लिए उत्पादकता उपकरणों में विशेषज्ञता रखती है। 1997 में स्थापित, कंपनी अपने dbForge सूट के लिए जानी जाती है, जो डेटाबेस प्रबंधन उपकरणों की एक श्रृंखला है जो SQL सर्वर, MySQL, Oracle और PostgreSQL जैसे प्रमुख डेटाबेस प्रणालियों का समर्थन करती है। डेवार्ट डेटा कनेक्टिविटी समाधान जैसे ODBC, ADO.NET, पाइथन और डेल्फी कनेक्टर्स के साथ-साथ स्काईविया, अपने क्लाउड-आधारित नो-कोड डेटा एकीकरण मंच का भी विकास करता है, जो ईटीएल, स्वचालन, बैकअप और कार्य प्रवाह ऑर्केस्ट्रेशन के लिए है। कंपनी वैश्विक स्तर पर 500,000 से अधिक उपयोगकर्ताओं को सेवा प्रदान करती है, जिसमें फॉर्च्यून 100 संगठनों का एक बड़ा हिस्सा शामिल है, और हाल के वर्षों में अपने उत्पादों में एआई-संचालित क्षमताओं को एकीकृत करने पर बढ़ती ध्यान केंद्रित किया है, जैसे कि dbForge एआई सहायक, जो डेवलपर्स को प्राकृतिक भाषा का उपयोग करके SQL क्वेरी बनाने, अनुकूलित करने, ट्रoubleshoot करने और समझाने में मदद करता है।

आपने बिक्री टीमों का निर्माण और नेतृत्व करने से लेकर पूर्ण पीแंडएल ऑपरेशनों को चलाने और अब डेवार्ट की सबसे बड़ी व्यवसाय इकाई का प्रबंधन करने तक का काम किया है। इस यात्रा ने आपके दृष्टिकोण को एआई को उत्पाद रणनीति और निर्णय लेने में एकीकृत करने के तरीके में कैसे आकार दिया है?

बिक्री ने मुझे सब कुछ पर आरओआई को मापना सिखाया। सीआरओ भूमिका में, मैंने इस अनुशासन को कार्यों में स्केल किया। बीयू चलाने ने मुझे एआई को खुद पर लागू करने के लिए मजबूर किया।

मैं एआई के बारे में एक व्यावहारिक दृष्टिकोण रखता हूं। मुझे इसमें संदेह नहीं है: हमारे चार उत्पाद दांवों में से तीन 2026 में एआई-मूल हैं। लेकिन मुझे लगता है कि हype वास्तविक, स्थायी परिणामों के रास्ते में आता है।

एक मीम है जो उद्योग में जहां अक्सर गलती होती है उसे सारांशित करता है। कंपनियां $400 के एसएएएस सदस्यता को $1,000 प्रति माह के एपीआई शुल्क वाले होमग्रोन टूल्स के साथ बदल देती हैं जिन्हें लगातार ठीक करने की आवश्यकता होती है। यह वास्तविक परिवर्तन नहीं है, यह सिर्फ एक महंगा शो है।

बिक्री में मैंने जो सबक सीखा है वह सरल है: हर पहल का भुगतान करना होगा, या यह मर जाएगा। मैं अपने एआई रोलआउट को उसी तरह चलाता हूं जैसे मैंने एक बिक्री क्षेत्र चलाया था। प्रत्येक कार्यप्रवाह के लिए स्पष्ट आरओआई परिकल्पना, तीन-तरंग रोलआउट, और प्रभाव का दस्तावेजीकरण स्केलिंग से पहले।

हमारा उत्तरी स्टार मेट्रिक राजस्व प्रति कर्मचारी है, और हमारा लक्ष्य 2028 के अंत तक इसे दोगुना से अधिक करना है। आप इस अंतर को भरने के लिए किराए पर नहीं लेते हैं। आप इसे बदलकर काम का स्वरूप बदलकर भरते हैं, और एआई इस परिमाण का एकमात्र वास्तविक तंत्र है।

मेरा हर एआई पहल पर फिल्टर एक ही है: इसका मापा मूल्य क्या है, इसके लिए कौन भुगतान करता है, और हमें यह कैसे पता चलता है कि यह काम करता है? जो कुछ भी इन तीन प्रश्नों में विफल होता है वह उत्पादन में नहीं होना चाहिए। गलत होने की लागत तेजी से बढ़ती है, और अधिकांश कंपनियां यह महंगा तरीका सीखेंगी।

डेवार्ट ने डेटाबेस टूल्स और डेवलपर उत्पादकता के आसपास एक मजबूत प्रतिष्ठा बनाई है। आप इन उत्पादों में एआई को कैसे एकीकृत कर रहे हैं ताकि यह वास्तविक मूल्य प्रदान करे न कि केवल सतह-स्तर के स्वचालन?

हमारे उपयोगकर्ता कठिन तकनीकी विशेषज्ञ हैं: डीबीए, वरिष्ठ इंजीनियर, डेटा आर्किटेक्ट। वे सतह-स्तर के स्वचालन का पता लगाने में कुछ सेकंड लेते हैं और इसके लिए बेचे जाने वाले विपणन खिलौनों के रूप में नवाचार की पेशकश करने से नाराज होते हैं। दो साल पहले, जब एआई हYPE अपने चरम पर था और प्रतिस्पर्धियों ने हर यूआई तत्व पर चैट पैनल को जोड़ने की दौड़ लगाई, इसका अनुसरण करने का प्रलोभन वास्तविक था। मैंने इस पैटर्न को पहले मोबाइल, क्लाउड, लो-कोड में देखा था, और मैंने इसे दोहराने से इनकार कर दिया।

अनुशासन सीधा था: ग्राहक मूल्य पहले। बिना वास्तविक मूल्य प्रदान किए एआई सुविधाओं का निर्माण, जो ग्राहकों ने नहीं मांगा था, यह सीमित इंजीनियरिंग संसाधनों का सबसे खराब उपयोग है। विशेष रूप से जब आपके दर्शक तुरंत अंतर बता सकते हैं।

2026 में क्या बदला है वह यह है कि एआई हYPE से वास्तविक तकनीकी क्रांति में चला गया है। 2023 में और आज के बीच जो कुछ कर सकता है उसमें अंतर क्रांतिकारी नहीं है। यह एक पूरी तरह से अलग क्षमता की श्रेणी है। हम अब उन समस्याओं का समाधान कर सकते हैं जो वास्तव में पहले हल नहीं की जा सकती थीं: एआई एजेंटों के लिए सुरक्षित उद्यम डेटा एक्सेस, डेवलपर के आईडीई के भीतर संदर्भ डेटाबेस बुद्धिमत्ता, और स्वायत्त व्यवसायिक विश्लेषण जिनके लिए कोई समर्पित विश्लेषक की आवश्यकता नहीं है।

वे नए उत्पाद लाइनें हैं जो इसलिए मौजूद हैं क्योंकि एआई ने अंतर्निहित समस्या को हल करने योग्य बना दिया है। यह वह मानक है जिसे हम खुद को रखते हैं: एक वास्तविक एआई उत्पाद वह है जहां एआई परत को हटाने से उत्पाद टूट जाता है। उद्योग ने दो साल बिताए हैं जो चैट पैनलों को “एआई उत्पाद” कहते हैं। वे सुविधाएं हैं, उत्पाद नहीं हैं।

हमने लंबा समय लिया क्योंकि हम इसे सही करना चाहते थे। अगले बारह महीने दिखाएंगे कि क्या यह अनुशासन भुगता है।

एआई कोड लिखने, अनुकूलन करने और डीबग करने की बढ़ती भूमिका को देखते हुए, आप डेटाबेस के साथ काम करने वाले डेवलपर्स की भूमिका में परिवर्तन को कैसे देखते हैं?

SQL सिंटैक्स को जानने का मूल्य तेजी से कम हो रहा है। यदि एआई एक जटिल मल्टी-टेबल जॉइन को कुछ सेकंड में उत्पन्न कर सकता है और लॉग से गायब इंडेक्स की पहचान करने में कुछ मिनट लगते हैं, तो एक इंजीनियर का मूल्य अब SQL टाइप करने से नहीं आता है। यह काम एक कमोडिटी बन रहा है।

लेकिन यहाँ एक महत्वपूर्ण नुआंस है जिसे स्वचालन के पूर्ण समर्थक हमेशा छोड़ देते हैं। एक एआई गलती फ्रंटएंड पर एक गलत संरेखित बटन हो सकती है जिसे आप रिफ्रेश कर सकते हैं। डेटाबेस पर एक एआई गलती उत्पादन वातावरण, पीआईआई लीक, या पूरे व्यवसाय को लेन-देन बंद करने का कारण बन सकती है।

डेटाबेस राज्य रखते हैं। वे भ्रम को माफ नहीं करते हैं।

यह असममितता भूमिका को पूरी तरह से पुनर्परिभाषित करती है। अगले दो से तीन वर्षों में, डेटाबेस डेवलपर और डीबीए एआई के साथ काम करने वाले वास्तुकार और लेखा परीक्षक बन जाएंगे। उनका प्राथमिक कार्य तीन चीजों में बदल जाएगा:

• एआई के लिए स्वयं तर्क करने में असमर्थ विश्वसनीय वास्तुकला की योजना बनाना, क्योंकि यह व्यवसाय संदर्भ की कमी है।
• उत्पादन प्रणालियों को छूने वाले एआई एजेंटों के लिए कठिन गार्डरेल और सुरक्षा नीतियां स्थापित करना।
• मशीन द्वारा उत्पन्न कोड की समीक्षा और लेखा परीक्षा करना जो डेटाबेस तक पहुंचता है।

मैं जिस मानसिक मॉडल पर वापस आता हूं: इंजीनियर एआई सहायकों की सेना का प्रबंधन करेंगे। डीबफोर्ज जैसे टूल्स को पारंपरिक आईडीई से कमांड और ऑडिट केंद्रों में विकसित होने की आवश्यकता होगी। काम मैनुअल रूप से एसक्यूएल लिखने के बजाय एआई द्वारा उत्पन्न कोड की समीक्षा करने, इसकी पुष्टि करने और एआई द्वारा सुरक्षित रूप से पार की जा सकने वाली सीमाओं को लागू करने के बारे में होगा।

यहां पेशेवर अवसर महत्वपूर्ण है। डेवलपर जो वास्तुकला और पर्यवेक्षण में स्तर बढ़ाते हैं वे अपने बाजार मूल्य को गुणा कर देंगे। वे एआई उत्पादकता और उत्पादन सुरक्षा के बीच अपरिहार्य परत बन जाते हैं। डेटाबेस विशेषज्ञता पर प्रीमियम गायब नहीं होता है; यह डिजाइन, शासन और निर्णय की ओर बढ़ता है, जो ठीक वह जगह है जहां एआई अकेले काम नहीं कर सकता है।

वर्तमान एआई टूल्स में डेटाबेस प्रबंधन में सबसे बड़ी सीमाएं क्या हैं, और आप सबसे महत्वपूर्ण सफलता कहां देखते हैं?

वर्तमान एआई अभी भी सतह-स्तर के स्वचालन में फंसा हुआ है। एक बुनियादी चयन क्वेरी या बॉयलरप्लेट कोड उत्पन्न करना अब प्रभावशाली नहीं है। बड़ा मुद्दा यह है कि अधिकांश एआई प्रणालियां अभी भी अंधे टाइपिस्ट की तरह व्यवहार करती हैं, न कि प्रणाली वास्तुकार। वे वाक्य रचना उत्पन्न कर सकते हैं, लेकिन वे वास्तव में उस वातावरण को नहीं समझते हैं जिसमें वे काम कर रहे हैं। वास्तविक सफलता तब होती है जब एआई संदर्भ, निर्भरता, राज्य और व्यवसाय तर्क के बारे में एक साथ तर्क करना शुरू करता है।

मैं वर्तमान में डेटाबेस वातावरण में एआई के साथ तीन प्रमुख सीमाओं को देखता हूं।

पहला, संदर्भ समस्या है। बड़े भाषा मॉडल स्कीमा, डीडीएल और कॉलम नाम देख सकते हैं, लेकिन वे वास्तव में निष्पादन योजनाओं, इंडेक्स फ्रैगमेंटेशन, डेटा वितरण पैटर्न या डेटा के पीछे वास्तविक व्यवसाय तर्क को नहीं समझते हैं। उस गहरी समझ के बिना, बहुत सारी अनुकूलन सलाह सांख्यिकीय अनुमान लगती है जो विशेषज्ञता के रूप में तैयार की जाती है।

दूसरा, हॉलुसिनेशन समस्या है, और उद्यमों में इसके लिए लगभग शून्य सहनशीलता है। एक हॉलुसिनेटेड जॉइन उत्पादन प्रणालियों को धीमा कर सकता है। एक गलत अपडेट महत्वपूर्ण रिकॉर्ड को मिटा सकता है। उस स्तर पर, даже छोटी सटीकता विफलताएं बहुत जल्दी बहुत महंगी हो जाती हैं।

तीसरा मुद्दा सुरक्षा और शासन है। कोई भी गंभीर उद्यम सार्वजनिक एआई टूल में उत्पादन स्कीमा या पीआईआई पेस्ट नहीं करेगा बिना मजबूत डेटा अलगाव और नियंत्रण के वादे के। जब तक विक्रेता इसे ठीक से हल नहीं करते हैं, डेटाबेस में एआई को अपनाना नियंत्रित उद्योगों में सीमित रहेगा।

सफलता तब आएगी जब एआई सिंटैक्स जनरेशन से आगे बढ़कर पृष्ठभूमि में एक वास्तुकार या विश्लेषक की तरह काम करना शुरू करेगा।

एक हिस्सा सेमेंटिक परत है: कच्चे टेबल नामों से वास्तविक व्यवसाय अर्थ तक जाना। न केवल “टेबल_यूज़र्स”, बल्कि ग्राहक समूह, चूर्न जोखिम, या क्यू 3 एलटीवी रुझानों जैसी अवधारणाओं को समझना।

एक और बदलाव यह है कि एआई एक वरिष्ठ डीबीए की तरह पृष्ठभूमि में काम करेगा। निरंतर रूप से कार्यभार विश्लेषण, बोतलनेक की पहचान, सुझाव देने वाले इंडेक्स, जोखिम भरे क्वेरी का पता लगाना और समस्याओं को पकड़ना इससे पहले कि सिस्टम विफल हो जाए।

फिर आप मशीन-टू-मशीन ऑपरेशन हैं जहां स्वायत्त एजेंट डेटाबेस लोड की निगरानी करते हैं, अलग-अलग वातावरण में अनुकूलन रणनीतियों का परीक्षण करते हैं और मानव पर्यवेक्षण के तहत सुधार लागू करते हैं।

वे विकास हैं जो अगले पांच वर्षों में डेटाबेस टूलिंग को आकार देंगे।

आपके राजस्व और जाने के लिए बाजार रणनीति का नेतृत्व करने के अनुभव के साथ, एआई सॉफ्टवेयर कंपनियों में मूल्य निर्धारण मॉडल, उत्पाद पैकेजिंग और ग्राहक अधिग्रहण को कैसे बदल रहा है?

पारंपरिक जाने के लिए बाजार खेल किताब टूटी हुई है। हम इसे अपने संख्या में और पूरे डेव टूल श्रेणी में देखते हैं।

क्लासिक अधिग्रहण की मृत्यु। हमारे उत्पादों में 2026 में महत्वपूर्ण सुधार के बावजूद खोज रैंकिंग, हम शून्य-क्लिक वास्तविकता को मार रहे हैं। एआई खोज सीधे परिणाम पृष्ठ पर उत्तर प्रदान करता है और वेबसाइटों को ट्रैफिक से वंचित करता है। मजबूत रैंकिंग अब उसी तरह से लीड नहीं लाती है जैसे दो साल पहले करती थीं।

पांच साल पहले, एक मजबूत सामग्री रणनीति पर्याप्त थी। आज यह टेबल स्टेक्स है। एलएलएम वजन ब्रांड ताकत, सकारात्मक उल्लेख और समुदाय घनत्व जब उत्तर बनाने के लिए। यदि आपका ब्रांड दिखाई नहीं दे रहा है और विश्वसनीय नहीं है, तो एआई प्रणाली इसे लगातार सतह पर नहीं लाती है। आप यातायात नहीं खोते हैं। आप खरीदारी यात्रा से पूरी तरह से गायब हो जाते हैं। चीजों को और खराब बनाने के लिए, पूरा बाजार पैनिक में पेड विज्ञापनों में चला गया है, जो अधिकांश सास कंपनियों के लिए इकाई अर्थशास्त्र को नष्ट करने के लिए सीपीसी को असहनीय स्तर तक ले जा रहा है।

यह बदलाव पारंपरिक डेव टूल कंपनियों को विशेष रूप से कठिन बना रहा है। एसईओ-चालित अधिग्रहण चैनल जिन्होंने बी 2 बी सास की एक पीढ़ी को वित्त पोषित किया है, उनकी दक्षता तेजी से खो रही है। जो कोई भी अभी भी उन्हें अपने प्राथमिक विकास लीवर के रूप में निर्भर करता है, उन्हें सक्रिय रूप से विकल्प बनाने की आवश्यकता है। पारिस्थितिकी वितरण, समुदाय और साझेदारी।

मूल्य निर्धारण का विकास: सीटों से पीएलजी 3.0 तक। हम पीएलजी के अगले चरण में प्रवेश कर रहे हैं। प्रति सीट मूल्य निर्धारण तब टूटने लगता है जब एक एआई एजेंट एक कर्मचारी का काम कर सकता है। उस वातावरण में, सिर्फ सिर गिनती के आधार पर शुल्क लेना समझ में नहीं आता है। जो कंपनियां उत्पादों को मूल्य के बजाय सिर गिनती के आधार पर पुन: पैकेज नहीं करती हैं, वे अगले 24 महीनों में एमआरआर खो देंगी।

अगला कदम पीएलजी 3.0 है: जब एक स्वायत्त एआई एजेंट, मानव के बजाय, उद्यम सॉफ्टवेयर का मूल्यांकन, परीक्षण और खरीद करता है। इस पैटर्न का बड़े पैमाने पर अपनाना अभी भी कुछ वर्ष दूर है, लेकिन 2026 का काम उत्पादों और मूल्य निर्धारण को मशीन खरीदार के लिए वास्तुकला है।

कई संगठन एआई प्रयोग से वास्तविक उत्पादन प्रभाव में संक्रमण करने के लिए संघर्ष करते हैं। एआई पहल को वास्तव में सफल बनाने के लिए कौन से मुख्य कारक निर्धारित करते हैं?

अधिकांश एआई सुविधाएं बनाई जाने से पहले ही विफल हो जाती हैं। वे उस कमरे में विफल होती हैं जहां कोई कहता है, “हमें इस उत्पाद में एआई की आवश्यकता है,” न कि इसलिए कि उपयोगकर्ता ने मांग की थी, बल्कि इसलिए कि बोर्ड को एक एआई कहानी चाहिए या विपणन सोचता है कि यह एक नए दर्शकों को आकर्षित करेगा। यह अधिकांश एआई पहल की मूल गलती है, और यह सब कुछ आकार देता है जो इसके बाद आता है।

मैं उन्हीं गलतियों को दोहराते हुए देखता हूं जो कंपनियों में होती हैं जो एआई को प्रयोग से वास्तविक उत्पादन प्रभाव में स्थानांतरित करने के लिए संघर्ष करती हैं।

पहली गलती यह है कि एआई सुविधाओं का निर्माण किया जाता है जिसके लिए किसी ने वास्तव में नहीं पूछा है। एक बार एआई सुविधा को वास्तविक उपयोगकर्ता आवश्यकता के बिना निर्धारित किया जाता है, तो टीम प्रौद्योगिकी से पीछे की ओर काम करती है और एक उपयोग का मामला बनाने की कोशिश करती है। परिणामpredictable है: एक चैट पैनल जो मौजूदा यूआई पर जोड़ा जाता है, एक ऑटोकम्प्लीट जो रास्ते में आता है, एक “सारांश” बटन जो उपयोगकर्ता से बेहतर आउटपुट नहीं बना सकता है। ये सुविधाएं जहाज, एक प्रेस विज्ञप्ति प्राप्त करती हैं, और शांत रूप से अपने每ी गोदाम अनुमान को कम कर देती हैं। गहरा नुकसान यह है कि वे इंजीनियरिंग क्षमता का उपभोग करते हैं जो सुविधाओं में जाना चाहिए जिन्हें उपयोगकर्ता वास्तव में अनुरोध करते हैं।

दूसरा मुद्दा यह है कि टीमें स्वच्छ डेमो डेटा और वास्तविक उत्पादन डेटा के बीच के अंतर को बहुत कम आंकती हैं। एआई डेमो साफ, क्यूरेटेड उदाहरणों पर चलते हैं। उत्पादन वास्तविक गंदगी के साथ चलता है: डुप्लिकेट, गायब क्षेत्र, उत्पाद के एक ही नाम के दस अलग-अलग तरीके, पंद्रह साल के विरासत के किनारे मामले। एक मॉडल जो मूल्यांकन में प्रभावशाली सटीकता प्राप्त करता है उत्पादन डेटा पर गंभीर रूप से खराब हो सकता है, और अधिकांश टीमें यह नहीं खोजती हैं जब तक कि उपयोगकर्ता शिकायत नहीं करते। उत्पादन विश्वास में उस खोज की लागत अक्सर पुनर्प्राप्त नहीं की जा सकती है।

एक और सामान्य विफल बिंदु उपयोगकर्ता अनुसंधान है। मानक उत्पाद साक्षात्कार एआई सुविधाओं के लिए काम नहीं करते हैं। उपयोगकर्ता एआई से क्या चाहते हैं इसके बारे में नहीं जानते हैं क्योंकि वे नहीं जानते हैं कि क्या संभव है। “क्या आप एक्स के लिए एआई का उपयोग करेंगे?” जैसे प्रश्नों का उत्तर देने के लिए पोलाइट हां उत्तर मिलते हैं जो गोदाम के लिए कोई भविष्यसूचक मूल्य नहीं रखते हैं। प्रभावी एआई उत्पाद अनुसंधान प्रोटोटाइप दिखाने, वास्तविक उपयोग को देखने और मापकर कि क्या उपयोगकर्ता नोवेल्टी फीकी पड़ने के बाद लौटते हैं, की आवश्यकता है। ज्यादातर उत्पाद टीमें अभी भी 2019 के प्लेबुक पर 2026 की समस्याओं का सामना कर रही हैं।

और अंत में, कई कंपनियां एआई गतिविधि को मापती हैं, न कि व्यवसाय प्रभाव को। “इस सप्ताह 200 लोगों ने एआई सुविधा का उपयोग किया” एक गोदाम मेट्रिक है, एक प्रभाव मेट्रिक नहीं है। वास्तविक प्रभाव चक्र समय कम हो जाता है, गुणवत्ता में सुधार होता है, राजस्व उत्पन्न होता है, या लागत हटा दी जाती है। यदि आप एआई सुविधा से पीแंडएल पर एक सीधी रेखा नहीं खींच सकते हैं, तो आपके पास उत्पादन प्रभाव नहीं है। आपके पास एक महंगी गतिविधि है।

एक पांचवां कारक है जो तेजी से महत्वपूर्ण हो रहा है और जिसे अधिकांश उत्पाद टीमें पूरी तरह से अनदेखा करती हैं।

अनुपालन और एआई-मुक्त निर्माण पथ। एक महत्वपूर्ण हिस्सा उद्यम उपयोगकर्ता वित्त, स्वास्थ्य सेवा, सरकार, रक्षा और कानूनी जैसे नियंत्रित उद्योगों में काम करता है जो विक्रेता सॉफ्टवेयर में एआई सुविधाओं को प्रतिबंधित या प्रतिबंधित करते हैं। यदि आपका उत्पाद कोर अनुभव में एआई को कठोर रूप से जोड़ता है और इसे अक्षम या बायपास करने का कोई तरीका नहीं है, तो आप एआई जोड़कर अपने दर्शकों का विस्तार नहीं कर रहे हैं। आप अपने मौजूदा हिस्से को खो देते हैं।

यह वह समस्या है जिसे हम एआई कनेक्टिविटी के साथ हल करने की कोशिश कर रहे हैं। अनुपालन टीमें एआई का विरोध नहीं करती हैं। वे डेटा का विरोध करते हैं जो उनके परिधि से बाहर जाता है। समाधान एआई को छीलना नहीं है; यह एक एआई आर्किटेक्चर प्रदान करना है जो उनके प्रतिबंधों को पूरा करता है। यही कारण है कि एआई कनेक्टिविटी ऑन-प्रीमिस के रूप में जहाज करती है: एआई क्षमता रहती है, डेटा ग्राहक की बुनियादी ढांचे से बाहर नहीं जाता है, और प्रोक्योरमेंट समीक्षा के पहले दौर में पास हो जाती है, तीसरे के बजाय।

टीमें जो इसे सही पाती हैं वे दिन एक से अनुपालन के लिए वास्तुकला करती हैं। टीमें जो इसे गलत पाती हैं यह समस्या का पता लगाती हैं जब सौदा पहले से ही खो गया होता है।

डेवार्ट कई डेटाबेस परिदृश्यों में काम करता है। एआई डेटाबेस प्रबंधन में बढ़ती जटिलता को प्रबंधित करने में मदद कर सकता है कि विभिन्न प्लेटफार्मों पर डेटा को कैसे सरल बनाया जाए?

दर्द वास्तविक है। एक टिपिकल फॉर्च्यून 500 आठ से बारह अलग डेटाबेस इंजन एक ही समय में चलाता है: वित्त के लिए विरासत ऑरेकल, नए सेवाओं के लिए पोस्टग्रेसक्यूएल, ऑप्स के लिए एसक्यूएल सर्वर, विश्लेषण के लिए स्नोफ्लेक या बिगक्यूएरी, और तेजी से एक वेक्टर स्टोर के लिए एम्बेडिंग। प्रत्येक का अपना बोली, अपना टूलिंग, अपना शासन शासन है। एक डेवलपर जो उस वातावरण में शामिल होता है वह तीन महीने बिता सकता है बस यह जानने में कि डेटा कहां रहता है और कौन इसे छू सकता है।

एआई इस जटिलता को अपने आप में नहीं ठीक करता है। यह जो भी संदर्भ दिया जाता है उसे बढ़ाता है। आठ असंबंधित डेटाबेस जिनके पास एकीकृत मेटाडेटा नहीं है, आठ असंबंधित सेटों के उथले सुझाव देते हैं। यह वह विफल मोड है जिसे हम अधिकांश उद्यम एआई रोलआउट पर देखते हैं।

अवसर एक संदर्भ परत है जो एआई एजेंटों और अंतर्निहित डेटाबेस के बीच बैठती है। जो सभी से बात करती है, मेटाडेटा को सामान्य करती है, एकीकृत शासन नीतियों को लागू करती है और एक साफ एमसीपी इंटरफेस प्रस्तुत करती है ताकि कोई भी एआई एजेंट, चाहे वह क्लाउड हो या आंतरिक मॉडल, पूरे एस्टेट में सुसंगत नियमों के साथ काम करे।

यह वह आर्किटेक्चर है जिसकी ओर हम एआई कनेक्टिविटी के साथ बढ़ रहे हैं: एक ऑन-प्रीमिस एमसीपी सर्वर के साथ मल्टी-डेटाबेस समर्थन, एक सेमेंटिक परत जो व्यवसाय परिभाषाओं को एक बार पकड़ती है, भूमिका-आधारित एक्सेस नियंत्रण एसक्यूएल ऑपरेशन स्तर पर, और पूर्ण ऑडिट लॉग।

सरलीकरण मुफ्त नहीं है। किसी को अभी भी सेमेंटिक परत को मॉडल करना होगा और नीति सेट करनी होगी। लेकिन वह काम एक बार होता है, न कि हर बार जब आप एक एआई एजेंट जोड़ते हैं।

आपने बड़ी क्रॉस-फंक्शनल टीमों का नेतृत्व किया है। एआई आंतरिक सहयोग और निर्णय लेने को उत्पाद, इंजीनियरिंग, विपणन और बिक्री के बीच कैसे बदल रहा है?

अधिकांश क्रॉस-फंक्शनल घर्षण वास्तव में लोगों को दूसरी टीमों से जानकारी का इंतजार कर रहे थे। एआई उस घर्षण को तेजी से दूर करता है।

परिवर्तन व्यावहारिक और तात्कालिक हैं।

उत्पाद और इंजीनियरिंग में: एक उत्पाद प्रबंधक एक डेटाबेस प्रश्न पूछता है व्यावहारिक व्यवसाय शब्दों में, “हमारे शीर्ष तीन मूल्य निर्धारण स्तरों में एलटीवी परिवर्तनशीलता क्या है?”, और तुरंत एक क्रियाशील उत्तर प्राप्त करता है, एक जिरा टिकट फाइल करने और तीन दिन प्रतीक्षा करने के बजाय।

विपणन और डेटा में: समूह विश्लेषण इनलाइन होता है, नहीं अनुरोध कतार के माध्यम से। विपणन प्रबंधक पूछता है, संख्या प्राप्त करता है, और अभियान बनाता है, सभी एक ही सुबह में।

बिक्री और इंजीनियरिंग में: तकनीकी उत्तर अब एक वरिष्ठ इंजीनियर के साथ एक कॉल शेड्यूल करने की आवश्यकता नहीं है। बिक्री प्रतिनिधि एक विश्वसनीय तकनीकी प्रतिक्रिया प्राप्त करता है और सौदा चक्र सिकोड़ जाता है।

निर्णय बातचीत में स्थानांतरित हो जाते हैं; “मुझे उस संख्या के साथ वापस आने दें” पैटर्न मर रहा है। बैठकें सिकुड़ जाती हैं क्योंकि एआई प्री-रीड्स और सारांश संभालता है जो हर सत्र के पहले आधे हिस्से में उपभोग करते थे।

यह गहरा प्रबंधन बदलाव को मजबूर करता है, और यह वह है जिसे अधिकांश नेतृत्व टीमें कम आंकती हैं।

प्रत्येक कंपनी दावा करती है कि यह परिणाम-उन्मुख है। हुड के नीचे देखें और अधिकांश अभी भी प्रॉक्सी मेट्रिक्स पर चलते हैं: कहानी बिंदु, कोड की पंक्तियां, टिकट बंद, घंटे लॉग किए गए। हमने गतिविधि को मूल्य के प्रति एक प्रॉक्सी के रूप में उपयोग किया क्योंकि वास्तविक मूल्य को मापना मुश्किल था। एआई उस प्रॉक्सी को स्थायी रूप से तोड़ता है। जब एक एजेंट 10,000 पंक्तियां कोड लिख सकता है या एक मिनट में 500 समर्थन टिकट बंद कर सकता है, तो गतिविधि को मापना खतरनाक रूप से भ्रामक हो जाता है।

हम वास्तविक परिणाम-उन्मुख प्रबंधन में स्थानांतरित हो रहे हैं, जहां प्रदर्शन को सख्ती से परिणाम द्वारा मापा जाता है और निर्णय लिया जाता है। अभ्यास में कठोर, क्योंकि अधिकांश प्रदर्शन प्रणाली इसके लिए निर्मित नहीं हैं। लोग जो गतिविधि के पीछे छिपते थे तुरंत दिखाई देने लगते हैं, और नेतृत्व को उस दृश्यता पर कार्रवाई करने की आवश्यकता है।

संरचनात्मक परिणाम फ्लैटर ऑर्ग चार्ट हैं। समन्वय और जानकारी मार्गदर्शन परतें सिकुड़ जाती हैं। जो संगठन तेजी से अनुकूलन करते हैं वे संरचनात्मक रूप से कम लोगों के साथ काम करेंगे लेकिन उच्च लीवरेज पर।

एआई-सहायता प्रोग्रामिंग और नो-कोड टूल्स के उदय के साथ, क्या हम एक भविष्य की ओर बढ़ रहे हैं जहां डेटाबेस प्रबंधन गैर-तकनीकी उपयोगकर्ताओं के लिए सुलभ हो जाता है?

एक खतरनाक भ्रम उद्योग में है। लोग एक साइड-प्रोजेक्ट डेटाबेस और एक उद्यम विरासत डेटाबेस के बीच अंतर का इलाज नहीं करते हैं। वे अलग हैं।

छोटे हरित क्षेत्र परियोजनाओं के लिए, लोकतंत्रीकरण पहले से ही यहाँ है। मैंने व्यक्तिगत रूप से गहरी डेटाबेस प्रबंधन कौशल के बिना छोटे अनुप्रयोगों का निर्माण किया है। यदि आपकी पूरी स्कीमा एक एलएलएम के संदर्भ विंडो में फिट होती है, तो एआई जादू की तरह काम करता है। छोटे पैमाने पर नागरिक डेवलपर आंतरिक उपकरण बना रहे हैं एक वास्तविक और बढ़ती श्रेणी होगी।

उद्यम वास्तविकता पूरी तरह से अलग है। बड़े विरासत डेटाबेस का सामना बड़े मोनोलिथिक कोडबेस की तरह ही एक ही समस्या का सामना करता है: संदर्भ दीवार। आप पंद्रह साल के विरासत स्कीमा विकास, क्रॉस-डेटाबेस निर्भरता, और कस्टम ट्रिगर तर्क को एक प्रॉम्प्ट में फिट नहीं कर सकते हैं। जब एआई एक बड़े डेटाबेस पर संदर्भ खो देता है, तो हॉलुसिनेशन सुंदर रूप से खराब नहीं होते हैं। वे ज्यामितीय रूप से गुणा करते हैं।

जोखिम जो कम चर्चा की जाती है वह बड़े पैमाने पर गलत विश्वास है। प्राकृतिक भाषा इंटरफेस प्लॉजिबल दिखने वाले लेकिन सूक्ष्म रूप से गलत उत्तरों का उत्पादन करने में अद्वितीय रूप से अच्छे हैं। यदि एक एसक्यूएल क्वेरी में एक सिंटैक्स त्रुटि है, तो आपको एक त्रुटि संदेश मिलता है। यदि एक प्राकृतिक भाषा इंटरफेस “सक्रिय ग्राहक” की व्याख्या करता है क्योंकि आपके पास छह अलग-अलग गतिविधि परिभाषाएं हैं, तो आपको एक संख्या मिलती है। संख्या ठीक दिखती है। यह 30% से बाहर हो सकता है। उपयोगकर्ता को पता नहीं है कि।

तो नहीं, उद्यम डेटाबेस प्रबंधन गैर-तकनीकी उपयोगकर्ताओं का खेल मैदान नहीं बन रहा है।

नागरिक डीबीए एक मिथक है पैमाने पर।

भविष्य विशेषज्ञ डेटा आर्किटेक्ट्स का है जो प्रोफेशनल टूल्स का उपयोग संदर्भ अंतराल को पुल करने और बुनियादी ढांचे का निर्माण करने के लिए करते हैं जिससे एआई सुरक्षित रूप से ऊपर काम कर सके।

संरचनात्मक फिक्स सेमेंटिक परत है: एक नियंत्रित शब्दावली जहां व्यवसाय परिभाषाएं एक बार निर्धारित की जाती हैं और हर एआई इंटरैक्शन में पुन: प्रयोग की जाती हैं। यह मुख्य वास्तुकला है जिसे हम इनसाइटिस में निर्मित कर रहे हैं। इसके बिना, सुलभता एक देनदारी बन जाती है।

आगे देखते हुए, एक “एआई-मूल” डेवलपर टूलकिट कैसा दिखता है, और टीमें आज इसके लिए तैयारी कैसे शुरू कर सकती हैं?

एक एआई-मूल टूलकिट एक चैटबॉट होने के नाते एक आईडीई पर नहीं है। जो कुछ भी आज “एआई-मूल” के रूप में विपणन किया जाता है वह एक चैट इंटरफेस प्लस एक ऑटोकम्प्लीट मॉडल है। यह टेबल स्टेक्स है, नहीं गंतव्य।

मेरे लिए, एक वास्तविक एआई-मूल टूलकिट को तीन चीजों की आवश्यकता होती है।

पहला, एआई को गहरा संदर्भ चाहिए। यह आपके कोडबेस, आपके बुनियादी ढांचे, आपके ऐतिहासिक निर्णयों और आपके डेटा वातावरण को लगातार, न कि केवल प्रॉम्प्ट पेस्ट किए गए सत्र में समझना चाहिए। अधिकांश वर्तमान टूल इस परीक्षण में विफल होते हैं। उनका संदर्भ हर सत्र के साथ पुनर्निर्मित होता है, और उपयोगकर्ता को इसे लगातार पुन: निर्माण की लागत का भुगतान करना पड़ता है।

दूसरा, टूल्स को एक दूसरे के साथ ठीक से बात करने की आवश्यकता है। आपका आईडीई आपके डेटाबेस से बात करना चाहिए, डेटाबेस आपके अवलोकन स्टैक से बात करना चाहिए, और आपका सीआई/सीडी आपके एआई समीक्षक से बात करना चाहिए, आदि। मॉडल संदर्भ प्रोटोकॉल यहां मानक परत बन रहा है, 2026 के पहले तिमाही में प्रति माह 97 मिलियन एसडीके डाउनलोड के साथ, 2024 के अंत में 100,000 से ऊपर, जो कि पंद्रह महीनों में 970x वृद्धि है। यह डेवलपर बुनियादी ढांचे में मैंने देखा सबसे तेजी से अपनाने की दर है।

तीसरा, उत्पादन-ग्रेड एआई को गंभीर सुरक्षा गार्डरेल की आवश्यकता है। विनाशकारी ऑपरेशन से पहले ब्लास्ट रेडियस पूर्वावलोकन। निर्भरता विश्लेषण। स्वचालित रोलबैक योजनाएं। ऑडिट ट्रेल्स डिफ़ॉल्ट रूप से। एआई के बिना यह सुरक्षा उत्पादन में खतरनाक है।

कैसे तैयार करें, ठोस।

अपने स्टैक को उन तीन घटकों के खिलाफ ऑडिट करें। क्या प्रत्येक टूल एमसीपी को उजागर करता है? क्या यह दूसरों से बात करता है, या एक सिलो में बैठता है? क्या इसमें सुरक्षा नियंत्रण हैं? जो दो में से तीन विफल होते हैं वे अल्पकालिक संपत्ति हैं।

संदर्भ बुनियादी ढांचे का निर्माण करें अब। योजना, व्यवसाय परिभाषाओं और वास्तुशिल्प निर्णयों को मशीन-Readable प्रारूपों में दस्तावेज़ करें। समृद्ध संदर्भ रातोंरात नहीं बनाया जाता है। टीमें जिनके पास 2027 में एआई है वे आज दस्तावेज़ कर रहे हैं।

उत्पादन में एआई चलाएं इससे पहले कि आप सोचें कि आप तैयार हैं। टीमें जो एक औपचारिक “एआई रणनीति” की प्रतीक्षा कर रही हैं इससे पहले कि वे जहाज करें, वे टीमों से十八 महीने पीछे होंगी जो पहले से ही वास्तविक उत्पादन विफलताओं से सीख रही हैं। एक कम-जोखिम वाला उपयोग मामला चुनें। इसे जहाज करें। मांसपेशियों का निर्माण करें।

आज निर्णय लेने वाली टीमें अगले दशक में सॉफ्टवेयर के निर्माण को परिभाषित करेंगी। खिड़की संकीर्ण है, और यह अभी खुली है।

धन्यवाद महान साक्षात्कार के लिए, पाठक जो और जानना चाहते हैं उन्हें Devart पर जाना चाहिए।