デヴァートのマネージングディレクター、アントン・オヌフリエンコ – インタビュー・シリーズ

アントン・オヌフリエンコは、デヴァートのマネージングディレクターであり、テクノロジー企業のエグゼクティブおよびオペレーターです。彼は、ソフトウェアビジネスを拡大し、収益成長を推進し、SaaS、エンタープライズソフトウェア、金融サービスを含む大規模なクロスファンクショナルチームを率いてきました。彼のキャリアの中で、販売組織の構築とスタートアップの立ち上げから、Devartの最大の部門を含む主要なビジネスユニットのフルP&L運用の監督まで、多くの経験を積んできました。マネージングディレクターになる前に、Devartのチーフレベニューオフィサーおよびヘッドオブセールスとして、ゴートゥマーケット戦略、価格変革、国際成長イニシアチブを牽引しました。また、サービス駆動型ビジネスが運用的明確性を得るのを支援するタイムトラッキングおよび収益性プラットフォームであるTMetricのCEOでもあります。

デヴァートは、開発者、DBA、分析者、エンタープライズチーム向けのデータベース開発、データ接続、統合、生産性ツールを専門とするソフトウェア会社です。1997年に設立された同社は、SQL Server、MySQL、Oracle (ORCL ) 、PostgreSQLを含む主要なデータベースシステムをサポートするdbForgeシリーズのデータベース管理ツールで最もよく知られています。デヴァートは、ODBC、ADO.NET、Python、Delphiコネクタなど、データ接続ソリューションも開発しています。また、Skyviaというクラウドベースのノーコードデータ統合プラットフォームも提供しています。このプラットフォームは、ETL、自動化、バックアップ、ワークフロー管轄をサポートしています。同社は、世界中の50万以上のユーザーにサービスを提供しており、そのうちの大部分はフォーチュン100企業です。さらに、同社は、dbForge AIアシスタントなどのツールを通じて、製品にAI機能を統合することに重点を置いてきました。dbForge AIアシスタントは、開発者が自然言語を使用してSQLクエリを生成、最適化、トラブルシューティング、および説明するのを支援します。

あなたは、販売チームの構築と指導から、フルP&L運用の実行とデヴァートの最大のビジネスユニットの管理まで、幅広い経験を積んできました。その旅は、製品戦略と意思決定におけるAIの統合にどのような影響を与えましたか?

販売から学んだことは、すべてのもののROIを測ることです。CRO役に移ると、機能全体にその規律を拡大しました。BUを運営することを強いられたので、AI自体にその規律を適用する必要がありました。

私は、AIについて実用的な見方をしています。私はAIに懐疑的ではありません。私たちの2026年の4つの製品ベットのうち3つはAIネイティブです。しかし、私は、ヒYPEが実際の持続可能な成果の妨げになることがあると考えています。

業界でよく見られるミームがあります。それは、企業が400ドルのSaaSサブスクリプションと交換して、1,000ドルのAPI料金がかかり、常に修正が必要な自社製ツールを採用することを表しています。那は実際の変化ではありません。ただの高額な見栄えです。

販売で学んだ教訓は簡単です。すべてのイニシアチブは、ROIの仮説を明示的に持ち、3つの波で展開し、影響を文書化してからスケールアップします。

私たちの北極星メトリックは、従業員あたりの収益です。2028年末までに、それを2倍以上に増やすことを目標にしています。従業員を増やすことで、そのギャップを埋めることはできません。仕事の在り方を変えることで、そのギャップを埋めるのです。AIは、そのような規模で実現可能な唯一のメカニズムです。

私がAIイニシアチブごとに適用するフィルタは、同じです。どのような測定可能な価値があるのか。誰がそれを支払うのか。どのようにしてそれが機能するのかを知る方法は何か。上記の3つの質問に答えることができないものは、生産環境には属しません。間違えるコストは急速に増大し、多くの企業は、高額な代償を払うことでそれを発見することになります。

デヴァートは、データベースツールと開発者生産性の分野で強い評判を築いてきました。どうやってAIをこれらの製品に統合し、表面的な自動化ではなく、実際の価値を提供するようにしていますか?

私たちのユーザーは、ハードコアの技術スペシャリストです。DBA、シニアエンジニア、データアーキテクトです。彼らは、表面的な自動化を瞬時に検出できます。彼らは、革新と見なされるマーケティング玩具に売られると、腹が立つでしょう。2年前、AIのヒYPEがピークに達したとき、競合他社は、すべてのUI要素にチャットパネルを追加するために競争しました。私もそのパターンを前に見たことがあります。モバイル、クラウド、ローコードで見たように、私はそれを繰り返さないことを決意しました。

規律は簡単でした。顧客の価値を第一に考えること。誰もが求めていないAI機能を構築することは、有限のエンジニアリングリソースの最悪の使用方法です。特に、ユーザーがすぐに違いを検出できる場合にはそうです。

2026年に何が変わったのかというと、AIはヒYPEから実際の技術革命へと移行しました。2023年と比較して、現在のシステムができることは、インクリメンタルな違いではありません。まったく別のカテゴリの能力です。私たちは、以前は解決できなかった問題を解決できるようになりました。AIエージェントによる安全なエンタープライズデータアクセス、開発者のIDE内でのコンテキストデータベースインテリジェンス、専門家が不要な自律的なビジネス分析などです。

これらは、AIによって根本的に解決可能になった問題を解決するための新しい製品ラインです。業界は、チャットパネルを「AI製品」と呼んでいます。しかし、それらは製品ではありません。機能です。

私たちは、正しいことをしたいと思って、時間をかけました。次の12ヶ月間で、それが正しかったかどうかがわかります。

AIは、コードの書き込み、最適化、デバッグを増加させています。次の数年で、データベースと関わる開発者の役割はどのように変化するでしょうか?

SQL構文を知る価値は急速に減少しています。AIが複雑なマルチテーブルJOINを秒単位で生成し、ログから欠けているインデックスを数分で特定できる場合、エンジニアの価値はSQLを入力することから来るのではありません。那はコモディティ化しています。

しかし、全自動化の福音主義者が常に省略する重要なニュアンスがあります。フロントエンドでのAIのミスは、リフレッシュすると修正されるミスです。データベースでのAIのミスは、プロダクション環境の消去、PII漏洩、またはビジネスの完全なトランザクション停止につながる可能性があります。

データベースには状態があります。AIの妄想は許されません。

その非対称性は役割を再定義します。次の2〜3年間で、データベース開発者とDBAは、コーダーからアーキテクトと監査役に進化するでしょう。彼らの主な仕事は、次の3つに移ります。

• AI単独では推論できないビジネスコンテキストを含む信頼性の高いアーキテクチャを設計すること。
• プロダクションシステムにアクセスするAIエージェントのための厳格なガードレールとセキュリティポリシーを設定すること。
• マシンが生成するコードをレビューおよび監査すること。

私が常に戻ってくるメンタルモデルは、エンジニアがAIアシスタントの軍隊を管理することです。ツール seperti dbForgeは、従来のIDEからコマンドおよび監査センターに進化する必要があります。仕事は、SQLを手動で書くことではなく、AIが生成するものをレビューし、検証し、AIが安全に越える境界を強制することになります。

ここでの専門家の機会は大きいです。アーキテクチャと監視にレベルを上げた開発者は、市場価値を何倍にも増やします。彼らは、AIの生産性とプロダクションの安全性の間の不可欠な層になります。データベースの専門知識のプレミアムは消えません。設計、ガバナンス、判断に向かってシフトします。AIが単独で動作できない場所です。

現在のデータベース管理におけるAIツールの最大の制限は何ですか? AIツールがデータベース管理で大きなブレークスルーを達成するために、どのような点に注目する必要がありますか?

現在のAIはまだ表面的な自動化に留まっています。基本的なSELECTクエリやボイラープレートコードを生成することは、もう印象的なことではありません。大きな問題は、ほとんどのAIシステムがまだシステムアーキテクトではなく、盲目的なタイピストのように動作していることです。彼らは構文を生成できますが、動作する環境を真正に理解しているわけではありません。実際的なブレークスルーは、AIがコンテキスト、依存関係、状態、ビジネスロジックをまとめて推論し始めたときに起こります。

現在、私が見る3つの大きな制限があります。

最初に、コンテキストの問題があります。大規模な言語モデルは、スキーマ、DDL、カラム名を見ることができますが、実行計画、インデックスの断片化、データの分布パターン、データの背後にある実際のビジネスロジックを真正に理解していません。そうでない場合、多くの最適化アドバイスは、統計的な推測にすぎません。

2番目に、妄想の問題があります。エンタープライズでは、データベースレイヤーでそれにほとんどの耐性がありません。JOINの妄想は、プロダクションシステムを遅くする可能性があります。間違ったUPDATEは、重要なレコードを消去する可能性があります。小さな精度の失敗は、非常に高価になる可能性があります。

3番目の問題は、セキュリティとガバナンスです。真剣に規制された業界では、強力なデータ分離とコントロールの保証なしに、プロダクションスキーマやPIIをパブリックAIツールに貼付けることはできません。ベンダーがそれを適切に解決するまで、AIの採用は制限されます。

実際的なブレークスルーは、AIが構文の生成を超えて、バックグラウンドのアーキテクトまたはアナリストのように動作し始めたときに起こります。

その一部は、セマンティックレイヤーです。テーブル名の生の名前から、実際のビジネス意味への移行です。たとえば、「table_users」ではなく、「顧客コーホート」、「流失リスク」、「Q3 LTVトレンド」などの概念を理解することです。

別のシフトは、AIがシニアDBAのようにバックグラウンドで動作することです。ワークロードを継続的に分析し、ボトルネックを特定し、インデックスを提案し、リスクのあるクエリを検出し、システムが故障する前に問題を検出します。

また、マシンとマシンの操作があります。そこでは、自律的なエージェントがデータベースの負荷を監視し、最適化戦略を分離された環境でテストし、人間の監視の下で改善を展開します。

これらが、次の5年のデータベースツールの発展を形作る開発です。

収益とゴートゥマーケット戦略を率いてきたあなたの経験から、AIはソフトウェア会社の価格モデル、製品パッケージ、顧客獲得にどのように影響を与えていますか?

従来のゴートゥマーケット戦略のプレイブックは壊れています。私たちの数字やデブツールのカテゴリ全体でそれを見ています。

従来のアクイジションの終焉です。私たちの製品の検索ランキングが2026年に大幅に改善されたにもかかわらず、ゼロクリックの現実に直面しています。AI検索は、結果ページで直接答えを提供し、ウェブサイトのトラフィックを奪います。強力なランキングは、2年前のようにリードに変換されなくなりました。

5年前、強力なコンテンツ戦略は成長を推進するために十分でした。今日では、それはテーブルステークスです。LLMは、ブランドの強さ、肯定的な言及、コミュニティの密度を検索結果の形成時に考慮します。如果あなたのブランドが見えずに信頼されていない場合、AIシステムは一貫してあなたを提示しません。あなたはトラフィックを失うだけではありません。購入の旅から完全に消えます。さらに、市場は全体的に有料広告にパニックし、CPCを非難し、多くのSaaS企業のユニットエコノミクスを秘密に破壊しています。

このシフトは、従来のデブツール企業に特に大きな影響を与えています。SEO駆動のアクイジションチャネルは、B2B SaaSの1世代を支えてきましたが、急速に効率を失っています。まだそれらに依存している企業は、代替手段の構築を今すぐに始める必要があります。エコシステム配布、コミュニティ、パートナーシップなどです。

価格の進化: シートからPLG 3.0への移行です。私たちは、PLGの次の段階に入っています。1つのAIエージェントが複数の従業員の仕事をこなせる環境では、従業員あたりの価格設定は崩壊し始めます。ヘッドカウントで請求することは、もう意味をなさなくなります。ヘッドカウントではなく価値に基づいて製品を再パッケージ化しない企業は、次の24ヶ月でMRRを大量に失うことになります。

次のステップは、PLG 3.0です。そこでは、エンタープライズソフトウェアを評価、テスト、購入するのは人間ではなく、自律的なAIエージェントです。大量の採用はまだ先ですが、2026年のタスクは、2028年のタスクではありません。

多くの組織は、AIの実験から実際の生産への影響まで、移行するのに苦労しています。AIイニシアチブが実際に成功するかどうかを決定するための重要な要因は何ですか?

ほとんどのAI機能は、構築される前に失敗しています。ユーザーが要求したのではなく、取締役会がAIの物語を望んだり、マーケティングが新しい聴衆を引き付けることを望んだりするため、部屋で「私たちは製品にAIが必要です」と言うときに失敗します。那がほとんどのAIイニシアチブの元となる罪です。それがすべてを形作ります。

私は、AIを実験から実際の生産への影響まで移行するのに苦労している企業で、同じミスを繰り返し見ています。

最初のミスは、誰もが求めていないAI機能を構築することです。AI機能がユーザーの実際のニーズではなく、取締役会やマーケティングのために義務付けられた場合、チームは技術から後ろ向きにユースケースを構築します。結果は予測可能です。チャットパネルが既存のUIに追加され、オートコンプリートが邪魔をする、またはユーザーが自分で書くよりも悪い出力を生成する「要約」ボタンです。これらの機能は出荷され、プレスリリースされ、そして黙って採用予測を下回ります。深刻な被害は、エンジニアリングの容量が、実際にユーザーが要求した機能ではなく、無駄に費やされたことです。

2番目の問題は、チームがデモ用のクリーンなデータと実際のプロダクションデータの違いを大幅に過小評価していることです。AIデモは、クリーンでキュレーションされた例で実行されます。プロダクションは、実際の顧客データのメスで実行されます。重複、欠落フィールド、同じ製品の10通りのスペル、15年間のレガシーエッジケースなどです。評価で印象的な精度を達成するモデルは、ライブデータで著しく劣化する可能性があり、チームはユーザーが苦情を言うまでそれを発見しません。プロダクション信頼性のコストは、回復不能です。

別の共通の失敗点は、ユーザー調査です。標準の製品インタビューは、AI機能では機能しません。ユーザーは、AIから何を望むかを明確に伝えることができません。彼らは、AIが何ができるかを知らないからです。「AIを使用してXを行う必要がありますか?」と聞くことは、礼儀正しいはいの回答をもたらしますが、採用について予測する価値はありません。有効なAI製品調査には、プロトタイプを提示し、実際の使用を観察し、ユーザーが新規性が消えた後も戻ってくるかどうかを測定する必要があります。多くの製品チームは、2026年の問題に対して2019年のプレイブックをまだ実行しています。

多くの企業は、AIのアクティビティではなく、ビジネスへの影響を測定しています。 「200人が今週AI機能を使用しました」は、採用メトリックです。影響メトリックではありません。実際の影響は、サイクルタイムの短縮、品質の向上、収益の生成、コストの削減です。AI機能からP&Lの数字への直線を引くことができない場合、あなたは影響を持ちません。高価なアクティビティを持っています。

5番目の要因が重要になってきています。それは、ほとんどの製品チームが完全に無視しています。

コンプライアンスとAIフリーの構築パスです。金融、ヘルスケア、政府、防衛、法的な分野で活動するエンタープライズユーザーの重要なシェアは、ベンダーソフトウェアのAI機能を制限または禁止するポリシーで運営しています。如果あなたの製品がAIをコアエクスペリエンスにハードカップルし、無効化またはバイパスする方法がない場合、あなたはAIを追加することであなたの聴衆を拡大しません。代わりに、既存のセグメントを失います。

これは、私たちがAIコネクティビティで解決しようとしている問題です。規制された業界のコンプライアンスチームは、AI自体に反対しているのではありません。データがその周辺を離れることに反対しています。解決策は、AIを取り除くことではありません。規制された業界の制約に合ったAIアーキテクチャを提供することです。那が、私たちがAIコネクティビティをオンプレミスで出荷する理由です。AI機能は残りますが、データは顧客のインフラストラクチャを離れません。調達は、最初のラウンドでではなく、3番目のラウンドでレビューに合格します。

成功するチームは、コンプライアンスを最初から設計します。失敗するチームは、調達レビュー中に問題を発見します。すでに取引は失われているのです。

デヴァートは、複数のデータベースエコシステムで運営しています。AIは、さまざまなプラットフォーム間でデータを管理する複雑さをどのように簡素化できますか?

痛みは実際です。典型的なフォーチュン500社は、8〜12の異なるデータベースエンジンを同時に実行しています。レガシーオラクル、ポストグレスクエル、新しいサービス用のSQLサーバー、SnowflakeまたはBigQuery用のアナリティクス、ベクターストア用の埋め込みなどです。各エンジンには独自の方言、独自のツール、独自のガバナンス体制があります。開発者がその環境に参加すると、3ヶ月間でデータがどこにあるか、誰がそれにアクセスできるかを学ぶのに費やします。

AIは、その複雑さを単独で解決しません。AIは、与えられたコンテキストを増幅します。8つの切断されたデータベースと統一されたメタデータがなければ、8つの切断されたセットの浅い提案が生成されます。那が、ほとんどのエンタープライズAIロールアウトで見られる失敗モードです。

機会は、AIエージェントとデータベースの間に位置するコンテキストレイヤーにあります。すべてに話しかけ、メタデータを統一し、統一されたガバナンスポリシーを適用し、クレードルインターフェイスを露出させ、Claude、GPT、または内部モデルなど、任意のAIエージェントが、エンタープライズ全体で一貫したルールで動作できるようにします。

そのアーキテクチャが、私たちがAIコネクティビティを通じて構築しようとしているものです。マルチデータベースをサポートするオンプレミスMCPサーバー、ビジネス定義を1回でキャプチャし、すべてのAIエージェントにわたって繰り返し使用するセマンティックレイヤー、SQL操作レベルのロールベースのアクセス制御、および完全な監査ログです。

簡素化は無料ではありません。誰かがセマンティックレイヤーをモデル化し、ポリシーを設定する必要があります。しかし、その作業は1回で行われ、AIエージェントを追加するたびに繰り返されません。

あなたは、大規模なクロスファンクショナルチームを率いてきました。AIは、製品、エンジニアリング、市場、販売の間の内部コラボレーションと意思決定をどのように変えているのでしょうか?

ほとんどのクロスファンクショナルな摩擦は、実際にはチーム間で情報を待っていることから来ていたのです。AIは、その摩擦を、どのマネジメントフレームワークよりも速く潰します。

変化は実用的で、即時的です。

製品とエンジニアリングでは、製品マネージャーがビジネス用語でデータベースの質問を投げかけることができ、「上位3つの価格設定のLTVの変動は何ですか?」と聞き、即座に実行可能な答えを得ることができます。代わりに、アナリティクスにJiraチケットを提出し、3日間待つ必要がありました。

市場とデータでは、コホート分析がインラインで実行され、リクエストキューを介して実行されません。マーケティングマネージャーは、質問し、数字を取得し、同じ朝にキャンペーンを構築します。

セールスとエンジニアリングでは、プロスペクトに技術的な回答が必要とされることがなくなりました。シニアエンジニアとの電話会議をスケジュールする必要はありません。セールスレップは、信頼できる技術的な回答をリアルタイムで取得し、デアルサイクルが縮小します。

決定は、会話の中に移動し、フォローアップではありません。 「その数字を確認して後で返事します」というパターンは死にます。会議は縮小します。AIが事前読みと要約を処理するからです。会議の最初の半分を消費していたものが、会議の最初の半分を消費するのです。

この摩擦の崩壊は、より深いマネジメントシフトを強制します。それは、リーダーシップチームが最も軽視するものです。

すべての会社は、結果指向であると主張します。下を見てみると、ほとんどが代理メトリックで動いています。ストーリーポイント、コード行、チケットクローズ、ログ時間などです。活動を価値の代理として使用しました。実際の価値は測定が難しかったからです。AIは、活動を価値の代理として使用することを、永久に壊します。AIエージェントが10,000行のコードを1分で書き、500のサポートチケットを1分でクローズできる場合、活動を測定することは、危険な誤解を招くものになります。

私たちは、真の結果指向のマネジメントに移行しています。そこでは、パフォーマンスは、厳密に結果によってのみ測定され、判断されます。実践では厳しいです。ほとんどのパフォーマンスシステムは、それに対応していないからです。活動で隠れていた人たちは、すぐに目立つようになります。リーダーシップは、その可視性に基づいて行動する用意がある必要があります。

構造的な結果は、平らなオーガチャートです。調整と情報ルーティングのレイヤーが縮小します。最も適応する組織は、構造的に少ない人で、高いレバレッジで運営します。

AI支援開発とノーコードツールの台頭により、データベース管理が非技術的なユーザーにもアクセス可能になる未来に向かっているのでしょうか?

業界で現在危険な混乱があります。小規模なグリーンフィールドプロジェクトとエンタープライズレガシーデータベースを、同じものとして扱っています。そうではありません。

小規模なグリーンフィールドプロジェクトでは、既に民主化が実現しています。私は、深いデータベース管理スキルを持たないで、自分で小規模なアプリケーションを構築しました。もしもあなたのスキーマがLLMのコンテキストウィンドウに収まっている場合、AIは魔法のように動作します。小規模なツールを構築するシチズンデベロッパーは、将来の実在するカテゴリになります。

エンタープライズの現実は、まったく異なります。巨大なレガシーデータベースは、巨大なモノリシックコードベースと同じ問題に直面しています。コンテキストの壁です。15年のスキーマの進化、クロスデータベースの依存関係、カスタムトリガーロジックなどを、プロンプトに収めることはできません。巨大なデータベースでAIがコンテキストを失うと、妄想は優雅に劣化しません。むしろ、指数関数的に増大します。

議論されないリスクは、スケールでの誤った自信です。自然言語インターフェイスは、ありそうにないですが、微妙に間違った答えを生成することに特に優れています。SQLクエリに構文エラーがある場合、エラーメッセージが表示されます。自然言語インターフェイスが「アクティブな顧客」を「活動」の6つの定義の1つで間違える場合、数値が表示されます。数値は正常に見えます。30%間違っているかもしれません。ユーザーはそれを知る方法がありません。

したがって、エンタープライズデータベース管理は、非技術的なユーザーにとっての遊び場ではありません。

シチズンデーベロッパーは、スケールでは神話です。

未来は、プロフェッショナルなデータアーキテクトに属します。彼らは、コンテキストギャップを埋めるプロフェッショナルツールを使用し、AIが安全に上に動作できるインフラストラクチャを構築します。セマンティックレイヤーがなければ、アクセスは負担になります。

先を見て、AIネイティブの開発者ツールキットはどのようなものでしょうか? 今日、チームはその移行に備えて何を始めるべきでしょうか?

AIネイティブのツールキットは、チャットボットがIDEに追加されたものではありません。今日、AIネイティブと呼ばれているもののほとんどは、チャットインターフェイスとオートコンプリートモデルです。那はテーブルステークスです。目的地ではありません。

私にとって、真正にAIネイティブなツールキットには、3つのものが必要です。

まず、AIには深いコンテキストが必要です。コードベース、インフラストラクチャ、歴史的な決定、データ環境を、セッションごとに再構築するのではなく、継続的に理解する必要があります。ほとんどの現在のツールは、このテストに失敗します。コンテキストは各セッションでリセットされ、ユーザーはそれを再構築するコストを支払います。

2番目に、ツール自身が適切に互いに通信する必要があります。IDEはデータベースと話し、データベースは観測可能性のスタックと話し、CI/CDはAIレビューアーと話す必要があります。モデルコンテキストプロトコルは、ここで標準レイヤーになりつつあります。2026年第1四半期には、970倍の月間SDKダウンロードを達成しました。15ヶ月で970倍です。私が見たことがない開発者インフラストラクチャの採用曲線です。

3番目に、プロダクションレベルのAIには、真剣なセーフティガードレールが必要です。破壊的な操作の前にブラストラジウスプレビュー。依存関係分析。自動ロールバックプラン。監査ログをデフォルトで有効にする。AIはそれらを持たない場合、プロトタイプと危険なものです。

具体的な準備方法です。

スタックを、これら3つのコンポーネントに対して監査します。各ツールは、MCPとAPIを公開していますか? それらは他のツールと話し合うことができますか? セーフティコントロールを持っていますか? 2つ以上のテストに失敗するツールは、短期的な資産です。

コンテキストインフラストラクチャを今すぐ構築します。スキーマ、ビジネス定義、建築上の決定を、機械が読める形式で文書化します。豊富なコンテキストは、1四半期で構築されません。2027年にAIにコンテキストを持っているチームは、今日文書化しているチームです。

実際のプロダクションでのAIを、準備ができたと思っている前に実行します。正式な「AI戦略」が出るのを待っているチームは、すでに実際のプロダクションでの失敗から学んでいるチームに、18ヶ月遅れます。低リスクのユースケースを選択します。出荷します。筋肉を構築します。

今日、これらの決定を下すチームが、次の10年間でソフトウェアが構築される方法を定義します。窓は狭いですが、今開いています。

感謝します。読者がもっと学びたい場合は、デヴァートを訪けてください。