데바트의 안톤 오누프리엔코 매니징 디렉터 인터뷰 시리즈

안톤 오누프리엔코(Anton Onufriienko), 데바트(Devart)의 매니징 디렉터는 기술 고문이자 운영 전문가로서 소프트웨어 비즈니스를 확장하고 수익 성장률을 높이고 대규모 크로스 펑셔널 팀을 이끌어온 경험을 가지고 있습니다. 그의 경력 동안 그는 판매 조직을 구축하고 스타트업을 출시하는 것에서 주요 비즈니스 단위의 전체 P&L 운영을 책임지는 것으로 진행했습니다. 데바트의 가장 큰 부서에서는 130명 이상의 직원이 있습니다. 매니징 디렉터가 되기 전에 그는 데바트의 수익 책임자이자 판매 책임자로 재직했으며, 그는 시장 진출 전략, 가격 변환, 국제 성장과 같은 이니셔티브를 이끌었습니다. 그는 또한 TMetric의 최고 경영자로서 서비스 중심 비즈니스가 운영적 명확성을 얻을 수 있도록 도와주는 시간 추적 및 수익성 플랫폼입니다.

데바트는 데이터베이스 개발, 데이터 커넥티비티, 통합, 생산성 도구를 개발하는 소프트웨어 회사입니다. 1997년에 설립된 데바트는 주요 데이터베이스 시스템을 지원하는 dbForge 시리즈의 데이터베이스 관리 도구로 잘 알려져 있습니다. SQL Server, MySQL, Oracle (ORCL ), PostgreSQL를 포함한 주요 데이터베이스 시스템을 지원합니다. 데바트는 또한 ODBC, ADO.NET, Python, Delphi 커넥터와 같은 데이터 커넥티비티 솔루션을 개발하고 있으며, Skyvia는 ETL, 자동화, 백업, 워크플로 오케스트레이션을 위한 클라우드 기반의 노코드 데이터 통합 플랫폼입니다. 데바트는 전 세계적으로 50만 명 이상의 사용자를 보유하고 있으며, 포춘 100 기업 중 많은 기업을 고객으로 두고 있습니다. 또한 데바트는 dbForge AI 어시스턴트와 같은 도구를 통해 제품에 AI 기능을 통합하고 있습니다. 이 도구는 개발자가 자연어를 사용하여 SQL 쿼리를 생성, 최적화, 문제 해결 및 설명하는 것을 도와줍니다.

판매 팀을 구축하고 이끌었으며, 이제는 데바트의 가장 큰 비즈니스 단위를 운영하고 있습니다. 이 여정은 어떻게 제품 전략과 의사 결정에 대한您的 접근 방식을 형성했습니까?

판매는 모든 것에 대한 ROI를 측정하는 것을 가르쳤습니다. CRO 역할로 이동했을 때,私は이 규율을 함수 전체에 적용했습니다. 비즈니스 단위를 운영하는 것은 AI 자체에 적용하도록 강요했습니다.

私はAI에 대해 실용적인 관점을 가지고 있습니다. 나는 회의적이지 않습니다. 2026년의 4개 제품 중 3개는 AI 네이티브입니다. 그러나 나는 허위가 실제적인 결과를 방해한다고 믿습니다.

업계에서 자주 잘못되는 것을 요약하는 밈이 있습니다. 회사들은 400달러의 SaaS 구독을 1,000달러의 API 비용이 드는 자체 제작 도구로 교체하고, 끊임없이 수정해야 합니다. 그것은 실제적인 변화가 아닙니다. 그것은 단지 비싼 쇼입니다.

판매에서 배운 교훈은 간단합니다. 모든 이니셔티브는 자금을 제공하거나 죽습니다. 나는 AI 론칭을 이전에 영토를 운영하는 것과 같은 방식으로 운영합니다. 명시적인 ROI 가설, 3파 론칭, 확장 전에 문서화된 영향.

우리의 북극성 지표는 매출액당 직원 수입니다. 2028년 말까지 이를 두 배 이상 늘리겠다는 목표를 가지고 있습니다. 그 간격을 닫는 것은 고용을 통해 이루어지는 것이 아닙니다. 그것은 작업이 어떻게 보이는지 변경함으로써 이루어집니다. 그리고 AI는 그 크기에서 실제적인 메커니즘입니다.

내가 모든 AI 이니셔티브, 내부 또는 제품에 대한 필터는 동일합니다. 측정된 가치는 무엇인가? 누가 그것을 지불합니까? 그리고 그것이 작동한다는 것을 어떻게 알 수 있습니까? 세 가지 질문에 실패하는 모든 것은 생산에 속하지 않습니다. 그것이 잘못된 경우의 비용은 빠르게 누적됩니다. 대부분의 회사들은 그것을 비싼 방법으로 발견할 것입니다.

데바트는 데이터베이스 도구와 개발자 생산성에 강한 평판을 가지고 있습니다. 어떻게 이러한 제품에 AI를 통합하여 실제 가치를 제공하고 표면적인 자동화가 아닌 것을 제공합니까?

우리의 사용자는 하드코어 기술 전문가입니다. DBA, 시니어 엔지니어, 데이터 아키텍트입니다. 그들은 표면적인 자동화를 몇 초 안에 감지하고 그것이 혁신으로 판매되는 마케팅 장난감이라고 생각합니다. 두 년 전, AI가 최고조에 달했을 때, 경쟁사들이 모든 UI 요소에 채팅 패널을 부착하는 경쟁에 tham gia했을 때, 그것을 따르는 유혹이 실제로 있었습니다. 나는 그것을 전에 본 적이 있습니다. 모바일, 클라우드, 로우코드에서, 그리고 나는 그것을 거부했습니다.

규율은 간단했습니다. 고객 가치 우선입니다. 고객이 요청하지 않은 AI 기능을 구축하고, 실제 가치를 제공하지 않는 것은, 특히 고객이 즉시 차이를 감지할 수 있는 경우에, 유한한 엔지니어링 자원을 사용하는 최악의 방법입니다.

2026년에 변경된 것은 AI가 허위에서 실제 기술 혁신으로 이동했다는 것입니다. 2023년과 오늘날 이러한 시스템이 할 수 있는 것 사이의 간격은 증분적인 것이 아닙니다. 그것은 완전히 다른 능력의 범주입니다. 우리는 이전에 실제로 해결할 수 없었던 문제를 해결할 수 있습니다. 기업 데이터에 대한 보안 액세스를 제공하는 AI 에이전트, 개발자의 IDE 내에서 컨텍스트 데이터베이스 지능, 그리고 전용 분석가가 필요 없는 자율적인 비즈니스 분석을 제공합니다.

이것은 AI로 인해 기본적인 문제가 해결될 수 있는 새로운 제품 라인입니다. 제품을 AI 계층 없이 제거하면 제품이 작동하지 않습니다. 이것이 우리가 자신을 평가하는 기준입니다. 실제적인 AI 제품은 AI 계층을 제거하면 제품이 작동하지 않는 제품입니다. 업계는 채팅 패널을 “AI 제품”이라고 부릅니다. 그것은 기능입니다. 제품이 아닙니다.

우리는 그것을 제대로 하기 위해 더 오래 걸렸습니다. 다음 12개월은 우리가 규율을 지켰는지 여부를 보여줄 것입니다.

AI는 코드를 작성하고, 최적화하고, 디버깅하고 있습니다. 개발자가 데이터베이스와 함께 일할 때 역할이 어떻게 변경되는지 보십니다.

SQL 구문에 대한 지식의 가치는 빠르게 감소하고 있습니다. AI가 복잡한 다중 테이블 JOIN을 몇 초 안에 생성하고 로그에서 누락된 인덱스를 몇 분 안에 식별할 수 있다면, 엔지니어의 가치는 더 이상 SQL을 입력하는 것에서 오지 않습니다. 그것은 이제 하나의 상품이 됩니다.

그러나 여기서 중요한 뉴앙스가 있습니다. 전면 자동화의 복음집들은 항상 생략하는 것입니다. 데이터베이스에서 AI 실수가 프론트엔드에서 발생하는 AI 실수와 다릅니다. 프론트엔드에서 발생하는 AI 실수는 단순히 버튼이 잘못된 위치에 있는 것입니다. 데이터베이스에서 발생하는 AI 실수는 프로덕션 환경을 지우거나, 개인 정보를 누출하거나, 전체 비즈니스를 트랜잭션으로 중단하는 것입니다.

데이터베이스는 상태를 가지고 있습니다. 그것은 환상에 대해 용서하지 않습니다.

이러한 비대칭성은 역할을 완전히 재정의합니다. 데이터베이스 개발자와 DBA는 코더에서 아키텍트와 감시자로 발전할 것입니다. 그들의 주요 작업은 세 가지로 변경됩니다.

• AI가 스스로 이유를 모르는 비즈니스 컨텍스트를 가진 신뢰할 수 있는 아키텍처를 설계합니다.
• 프로덕션 시스템에 접근하는 AI 에이전트에 대한 엄격한 가드레일과 보안 정책을 설정합니다.
• 기계가 생성한 코드를 검토하고 감사합니다.

저는 계속해서 돌아오는 정신 모델입니다. 엔지니어는 AI 어시스턴트 군대를 관리할 것입니다. 도구는 전통적인 IDE에서 명령 및 감시 센터로 발전해야 합니다. 작업은 더 이상 수동으로 SQL을 작성하는 것이 아니라, AI가 생성한 것을 검토하고, 검증하고, 안전한 경계를 강제하는 것입니다.

전문적인 기회는 상당합니다. 개발자가 아키텍처와 감시로 레벨업하면 시장 가치를 몇 배로 늘릴 수 있습니다. 그들은 AI 생산성과 프로덕션 안전성 사이의 필수적인 계층이 됩니다. 데이터베이스 전문 지식의 프리미엄은 사라지지 않습니다. 그것은 디자인, 거버넌스, 판단으로 이동합니다. 그리고 그것은 정확히 AI가 단독으로 작동할 수 없는 곳입니다.

현재 데이터베이스 관리에서 AI 도구의 가장 큰 제한은 무엇이며, 어디에서 가장 유의미한 돌파구가 발생할 것으로 보입니까?

현재 AI는 여전히 표면적인 자동화에 갇혀 있습니다. 기본적인 SELECT 쿼리나 보일러플레이트 코드를 생성하는 것은 더 이상 인상적인 것이 아닙니다. 더 큰 문제는 대부분의 AI 시스템이 여전히 시스템 아키텍트가 아니라盲目한 타이피스트처럼 행동한다는 것입니다. 그들은 구문을 생성할 수 있지만, 그들이 작동하는 환경을真正로 이해하지 못합니다. 실제적인 돌파구는 AI가 컨텍스트, 의존성, 상태, 비즈니스 논리를 함께 이유를 모르는 경우에 발생합니다.

현재 AI는 세 가지 주요 제한을 가지고 있습니다.

첫째, 컨텍스트 문제가 있습니다. 대규모 언어 모델은 스키마, DDL, 컬럼 이름을 볼 수 있지만, 실행 계획, 인덱스 단편화, 데이터 분포 패턴, 실제 비즈니스 논리를真正로 이해하지 못합니다. 이러한 더 깊은 이해가 없으면, 많은 최적화 조언은 전문가로 가장한 통계적 추측이 됩니다.

둘째, 환상 문제가 있습니다. 그리고 기업은 데이터베이스 계층에서 거의 제로 관용을 가지고 있습니다. 환상적인 JOIN은 프로덕션 시스템을 느리게 할 수 있습니다. 잘못된 UPDATE는 중요 데이터를 지울 수 있습니다. 이러한 수준에서, даже 작은 정확도 실패도 매우 빠르게 비용이 많이 들게 됩니다.

세 번째 문제는 보안과 거버넌스입니다. 심각한 기업은 프로덕션 스키마나 개인 정보를 공유하지 않는 한, 강력한 데이터 분리 및 제어 보장을 받지 않는 한, 공공 AI 도구에 붙여 둘 것입니다. 벤더가 이를 제대로 해결할 때까지, 데이터베이스에서 AI의 채택은 규제된 산업에서 제한될 것입니다.

의미있는 돌파구는 AI가 구문 생성을 넘어 배경 아키텍트 또는 분석가처럼 작동하기 시작할 때 발생할 것입니다.

그것의 한 부분은 의미 계층입니다. 원시 테이블 이름에서 실제 비즈니스 의미로 이동합니다. “테이블_사용자”가 아니라, “고객 코호트”, “이탈 위험”, “제3사분기 고객 생애 가치”와 같은 개념입니다.

또 다른 변화는 AI가 시니어 DBA처럼 배경에서 작동하는 것입니다. 지속적으로 워크로드를 분석하고, 병목 현상을 식별하고, 인덱스를 제안하고, 위험한 쿼리를 식별하고, 시스템이 실패하기 전에 문제를 잡습니다.

그런 다음 기계 간 작동이 있습니다. 자율적인 에이전트가 데이터베이스 로드를 모니터링하고, 최적화 전략을 테스트하고, 격리된 환경에서 개선 사항을 배포합니다.

이러한 발전은 다음 5년 동안 데이터베이스 툴링을 형성할 것입니다.

수익과 시장 진출 전략을 이끈 경험을 바탕으로, AI는 소프트웨어 회사에서 가격 모델, 제품 패키징, 고객 확보를 어떻게 다시 정의하고 있습니까?

전통적인 시장 진출 전략은 깨졌습니다. 우리는 우리의 숫자와 전체 개발 도구 범주에서 그것을 볼 수 있습니다.

클래식 수집의 종말입니다. 2026년에 우리의 제품에서 의미있는 검색 순위 개선을 달성했에도 불구하고, 우리는 제로 클릭 현실에 직면하고 있습니다. AI 검색은 결과 페이지에 직접 답변을 제공하고, 웹사이트에 대한 트래픽을 빼앗습니다. 강력한 순위는 더 이상 이전처럼 리드를 제공하지 않습니다.

5년 전, 강력한 콘텐츠 전략은 충분했습니다. 오늘날 그것은 표준입니다. LLM은 브랜드 강도, 긍정적인 언급, 커뮤니티 밀도를 답변을 형성할 때 고려합니다. 만약 ваш 브랜드가 보이지 않거나 신뢰를 얻지 못한다면, AI 시스템은 일관되게 그것을 표면화하지 않습니다. 당신은 단지 트래픽을 잃지 않습니다. 당신은 구매 여정에서 완전히 사라집니다. 상황을 더 나쁘게 하는 것은, 전체 시장은 패닉에 빠져서 유료 광고에 뛰어들었고, 이는 CPC를 비현실적인 수준으로 끌어올리고, 대부분의 SaaS 회사의 단위 경제를 조용히 파괴합니다.

이 변화는 전통적인 개발 도구 회사에 특히 어려운 영향을 미칩니다. SEO 주도형 수집 채널은 B2B SaaS를 하나의 世代에 걸쳐 자금을 제공했지만, 이제는 효율성을 빠르게 잃어가고 있습니다. 여전히 그것을 주요 성장 레버로 사용하는 사람은 적극적으로 대안을 구축해야 합니다. 생태계 배포, 커뮤니티, 파트너십.

가격 모델의 진화: 좌석에서 PLG 3.0으로. 우리는 PLG의 다음 단계에 진입하고 있습니다. 하나의 AI 에이전트가 여러 직원의 작업을 할 수 있는 경우, 좌석당 요금제는 더 이상 의미가 없습니다. 이러한 환경에서는 헤드카운트에 따라 요금을 부과하는 것은 더 이상 의미가 없습니다. 제품을 가치에 따라 아니라 헤드카운트에 따라 패키징하는 회사는 다음 24개월 동안 MRR을 많이 잃을 것입니다.

다음 단계는 PLG 3.0입니다. 자동화된 AI 에이전트가, 인간이 아니라, 기업 소프트웨어를 평가하고, 테스트하고, 구매합니다. 대량 채택은 아직 몇 년 후의 일입니다. 그러나 제품과 가격을 기계 구매자에게 맞추는 것은 2026年的 작업입니다. 2028年的 작업이 아닙니다.

많은 조직은 AI 실험에서 실제 프로덕션 영향으로 이동하기 위해 어려움을 겪고 있습니다. AI 이니셔티브가 실제로 성공하는 데 결정적인 요소는 무엇입니까?

대부분의 AI 기능은 구축되기 전에 이미 실패합니다. 그것은 사용자가 요청하지 않은 AI 기능을 구축하는 것입니다. 팀은 기술에서 사용 사례를 역으로 작업합니다. 결과는 예측할 수 있습니다. 채팅 패널이 UI에 부착되거나, 자동 완성이 방해가 되거나, “요약” 버튼이 사용자가 직접 작성할 수 있는 출력보다 나쁩니다. 이러한 기능은 출하되고, 보도 자료가 작성되고, 채택 예측은 조용히 저조합니다. 더 심각한 손상은, 이것이 실제로 요청된 기능이 아닌, 엔지니어링 자원을 소모한다는 것입니다.

나는 같은 실수를 반복하는 것을 보는 데 익숙해졌습니다. AI를 실험에서 실제 프로덕션 영향으로 이동하는 데 어려움을 겪는 회사에서.

첫 번째 실수는 사용자가 실제로 요청하지 않은 AI 기능을 구축하는 것입니다. 한 번 AI 기능이 사용자 요청 없이 명령되면, 팀은 기술에서 사용 사례를 역으로 작업합니다. 결과는 예측할 수 있습니다. 채팅 패널이 UI에 부착되거나, 자동 완성이 방해가 되거나, “요약” 버튼이 사용자가 직접 작성할 수 있는 출력보다 나쁩니다.

두 번째 문제는 팀이 클린 데모 데이터와 실제 프로덕션 데이터 사이의 차이를 크게 과소평가한다는 것입니다. AI 데모는 클린한, 큐레이션된 예제에서 실행됩니다. 프로덕션은 실제 고객 데이터의 메스를 실행합니다. 중복, 누락된 필드, 동일한 제품 이름을 10가지 다른 방법으로拼写하는, 15년의 레거시 엣지 케이스. 모델이 평가에서 인상적인 정확도를 달성할 수 있지만, 라이브 데이터에서 크게恶化할 수 있습니다. 대부분의 팀은 사용자가 불평할 때까지 그것을 발견하지 못합니다. 프로덕션 신뢰의 비용은 거의 회복할 수 없습니다.

또 다른 일반적인 실패 지점은 사용자 연구입니다. 표준 제품 인터뷰는 AI 기능에 대해 작동하지 않습니다. 사용자는 AI에서 무엇을 원하는지 알지 못하기 때문에, 사용자는 그것에 대해 말할 수 없습니다. “AI를 사용하여 X를 하시겠습니까?”라는 질문에는 예의 바른 예스 답변만 있지만, 채택 예측에는 예측 가치가 없습니다. 효과적인 AI 제품 연구는 프로토タイプ를 보여주고, 실제 사용을 관찰하고, 사용자가 돌아오는지 측정하는 것을 필요로 합니다. 대부분의 제품 팀은 아직 2019년 플레이북을 2026년 문제에 대해 실행하고 있습니다.

또한 많은 회사에서는 AI 활동을 비즈니스 영향보다 측정합니다. “이번 주 200명이 AI 기능을 사용했습니다”는 채택 지표입니다. 영향 지표가 아닙니다. 실제적인 영향은 사이클 시간이 줄어든 것, 품질이 개선된 것, 수익이 생성된 것, 비용이 제거된 것입니다. AI 기능에서 P&L에 직접적인 선을 그을 수 없으면, 생산에 영향을 미치지 않는 것입니다. 그것은 비싼 활동입니다.

제5의 요소는 점점 더 중요해지고 있으며, 대부분의 제품 팀은 그것을 완전히 무시합니다.

준수 및 AI-무료 빌드 경로입니다. 금융, 의료, 정부, 국방, 법률과 같은 규제 산업에서 많은 기업 사용자는 벤더 소프트웨어에서 AI 기능을 금지하거나 제한하는 정책을 운영합니다. 만약 제품이 핵심 경험에 AI를 강제로 결합하고, 그것을 비활성화하거나 우회할 수 있는 방법이 없으면, AI를 추가함으로써 대상 사용자를 확장하지 않습니다. 기존 사용자를 잃습니다.

이것은 우리가 AI 커넥티비티와 함께 해결하는 문제입니다. 규제 산업의 컴플라이언스 팀은 AI 자체를 반대하지 않습니다. 데이터가 그들의 경계를 벗어나는 것을 반대합니다. 해결책은 AI를 제거하는 것이 아닙니다. 그것은 규제 산업의 제약 조건에 맞는 AI 아키텍처를 제공하는 것입니다. 그것이为什么 AI 커넥티비티가 온프레미스로 출하되는 이유입니다. AI 기능은 남아 있지만, 데이터는 고객의 인프라를 떠나지 않습니다. 또한 조달은 첫 번째 라운드에서 검토를 통과합니다.

컴플라이언스에서 우수한 팀은 1일부터 컴플라이언스를 설계합니다. 컴플라이언스를 잘못한 팀은 조달 검토 중에 문제를 발견하고, 이미 거래가 손실된 경우에야 알게 됩니다.

데바트는 여러 데이터베이스 생태계에서 운영됩니다. AI는 데이터를 다양한 플랫폼에서 관리하는 증가하는 복잡성을 어떻게 단순화할 수 있습니까?

통증은 실제입니다. 일반적인 Fortune 500은 동시에 8~12개의 다른 데이터베이스 엔진을 실행합니다. 레거시 오라클, 새로운 서비스를 위한 PostgreSQL, 운영을 위한 SQL Server, 분석을 위한 Snowflake 또는 BigQuery, 임베딩을 위한 벡터 저장소. 각 엔진에는 자신의 방언, 자신의 툴링, 자신의 거버넌스 체계가 있습니다. 개발자가 이러한 환경에 합류하면 데이터가 어디에 존재하는지, 누가 그것에 접근할 수 있는지 배우는 데 3개월이 걸릴 수 있습니다.

AI는 이 복잡성을 자체적으로 해결하지 않습니다. 그것은 제공된 컨텍스트를 증폭합니다. 8개의 분리된 데이터베이스와 통일된 메타데이터가 없으면, 8개의 분리된 셰이프의浅い 제안이 생성됩니다. 이것이 우리는 대부분의 기업 AI 론칭에서 볼 수 있는 실패 모드입니다.

기회는 컨텍스트 계층에 있습니다. AI 에이전트와 기본 데이터베이스 사이에 위치하는 계층입니다. 모든 데이터베이스와 통신하고, 메타데이터를 표준화하고, 통일된 거버넌스 정책을 적용하며, 모든 AI 에이전트가 전체 부동산에서 일관된 규칙으로 작동하도록 하는 깨끗한 MCP 인터페이스를 노출하는 계층입니다.

이것이 우리가 AI 커넥티비티와 함께 구축하고 있는 아키텍처입니다. 멀티 데이터베이스 지원을 가진 온프레미스 MCP 서버, 비즈니스 정의를 한 번만 캡처하고, 모든 AI 에이전트에게 재학습시키지 않도록 하는 의미 계층, SQL 작업 수준에서 역할 기반 액세스 제어, 전체 감사 로그.

단순화는 무료가 아닙니다. 누군가는 여전히 의미 계층을 모델링하고 정책을 설정해야 합니다. 그러나 그 작업은 한 번 수행됩니다. 모든 AI 에이전트를 추가할 때마다 반복적으로 수행되는 것이 아닙니다.

크로스 펑셔널 팀을 이끌어온 경험을 바탕으로, AI는 내부 협력과 제품, 엔지니어링, 마케팅, 판매 간의 의사 결정을 어떻게 변경하고 있습니까?

대부분의 크로스 펑셔널 마찰은 단순히 팀이 다른 팀에서 정보를 기다리는 것이었습니다. AI는 그 마찰을 더 빠르게 제거합니다.

변화는 실제적이고 즉각적입니다.

제품과 엔지니어링에서: 제품 매니저가 비즈니스 용어로 데이터베이스 질문을 묻고(“우리의 상위 3개의 가격 티어에 대한 고객 생애 가치의 분산은 무엇인가?”), 즉시 행동 가능한 답변을 받습니다. 3일 동안 분석에 대한 Jira 티켓을 제출하고 기다리지 않습니다.

마케팅과 데이터에서: 코호트 분석은 요청 대기열을 통해 발생하지 않습니다. 마케팅 매니저는 질문을 하고, 숫자를 얻고, 캠페인을 구축합니다. 모두 같은 아침에.

판매와 엔지니어링에서: 프로스펙트에 대한 기술적인 답변은 더 이상 시니어 엔지니어와의 통화를 예약할 필요가 없습니다. 판매 대표는 신뢰할 수 있는 기술적인 답변을 받고, 거래 사이클이 압축됩니다.

의사 결정은 회의에서 대화로 이동합니다. “그 번호로 돌아가겠습니다”라는 패턴은 죽어갑니다. 회의는 줄어듭니다. AI가 프리 리드와 요약을 처리하기 때문입니다.

이러한 마찰의 붕괴는 더 깊은 관리 시프트를 강요합니다. 그리고 그것은 대부분의 리더십 팀이 과소평가하는 것입니다.

모든 회사는 결과 지향이라고 주장합니다. 밑으로 들여다보면, 대부분의 회사는 여전히 프록시 메트릭으로 작동합니다. 스토리 포인트, 코드 라인, 티켓 종료, 로그인 시간. 우리는 가치를 측정하기 어려우므로 활동을 가치의 프록시로 사용했습니다. AI는 그 프록시를 영구적으로 파괴합니다. AI 에이전트가 10,000줄의 코드를 작성하거나 500개의 지원 티켓을 1분 안에 닫을 수 있다면, 활동을 측정하는 것은 위험하게 오도될 수 있습니다.

우리는 결과 지향 관리로 이동하고 있습니다. 여기서 성과는 엄격히 결과에 의해 측정됩니다. 그리고 판단에 의해. 사람들은 더 이상 활동 뒤에 숨을 수 없습니다. 리더십은 그것에 행동할 의지를 가져야 합니다.

구조적인 결과는 평면한 조직 차트입니다. 조정 및 정보 라우팅 레이어가 압축됩니다. 가장 빠르게 적응하는 조직은 구조적으로 더 적은 사람들로 더 높은 레버리지로 운영할 것입니다.

AI 지원 개발 및 노코드 툴의 출현으로, 우리는 데이터베이스 관리가 비기술적 사용자에게도 접근 가능해지는 미래로 향하는 것입니까?

현재 업계에서 위험한 혼동이 있습니다. 사람들은 사이드 프로젝트 데이터베이스와 기업 레거시 데이터베이스를 동일한 것으로 취급합니다. 그것은 그렇지 않습니다.

작은 그린필드 프로젝트의 경우, 민주화는 이미 여기 있습니다.私は 개인적으로 데이터베이스 관리 기술 없이 작은 응용 프로그램을 구축했습니다. 스키마가 LLM의 컨텍스트 창에 맞는 경우, AI는 마법처럼 작동합니다. 내부 도구를 구축하는 시티즌 개발자는 실제로 증가하는 카테고리가 될 것입니다.

企業 현실은 완전히 다릅니다. 대규모 레거시 데이터베이스는 대규모 모놀리식 코드베이스와 같은 문제를 겪습니다. 컨텍스트 벽입니다. 15년의 스키마 진화, 데이터베이스 간 의존성, 커스텀 트리거 논리를 LLM의 프롬프트에 맞출 수 없습니다. 대규모 데이터베이스에서 AI가 컨텍스트를 잃을 때, 환상은 우아하게恶化하지 않습니다. 그것은 기하급수적으로 증가합니다.

잘못된 자신감의 위험은 언급되지 않습니다. 자연어 인터페이스는 믿을 수 있는 것처럼 보이지만, 실제로는 잘못된 답변을 생성하는 데 유독 좋습니다. SQL 쿼리가 구문 오류가 있는 경우, 오류 메시지를 받습니다. 자연어 인터페이스가 “활성 고객”을 잘못 해석한다면(데이터에는 6개의 다른 활동 정의가 있습니다), 숫자를 받습니다. 숫자는 괜찮아 보입니다. 그것은 30% 잘못될 수 있습니다. 사용자는 그것을 알 수 없습니다.

따라서 기업 데이터베이스 관리는 비기술적 사용자의 놀이터가 아닙니다.

시티즌 DBA는 대규모에서神話입니다.

미래는 전문 데이터 아키텍트에게 속합니다. 그들은 컨텍스트 격차를 다루는 인프라를 구축하고, AI가 안전하게 작동할 수 있도록 하는 전문 도구를 사용합니다.

구조적인 해결책은 의미 계층입니다. 비즈니스 정의를 한 번만 캡처하고, 모든 AI 상호작용에서 재사용하는 제어된 어휘입니다. 그것이 우리는 인사이트에 구축하고 있는 핵심 아키텍처입니다. 그것이 없으면, 접근성이 책임이 됩니다.

앞으로, “AI 네이티브” 개발자 툴킷은 무엇처럼 보입니까? 그리고 팀은 오늘날 그것을 준비하기 위해 무엇을 해야 합니까?

AI 네이티브 툴킷은 채팅봇이 IDE에 부착된 것이 아닙니다. 오늘날 “AI 네이티브”로 판매되는 대부분의 것은 채팅 인터페이스와 자동 완성 모델입니다. 그것은 표준입니다. 목적지 아닙니다.

나에게真正한 AI 네이티브 툴킷은 세 가지 것이 필요합니다.

첫째, AI는 깊은 컨텍스트가 필요합니다. 그것은 코드베이스, 인프라, 역사적 결정, 데이터 환경을 지속적으로 이해해야 합니다. 대부분의 현재 툴은 이 테스트에 실패합니다. 그들의 컨텍스트는 각 세션에서 재설정되고, 사용자는 그것을 끊임없이 재구축하는 비용을 지불합니다.

둘째, 도구는 서로 제대로 통신해야 합니다. IDE는 데이터베이스와 통신해야 하고, 데이터베이스는 관찰 가능성 스택과 통신해야 하고, CI/CD는 AI 리뷰어와 통신해야 합니다. 모델 컨텍스트 프로토콜은 여기에서 표준 레이어가 되고 있습니다. 2026년 1분기에 9,700만 SDK 다운로드, 2024년 말의 10만 다운로드에서 증가했습니다. 15개월 만에 970배의 증가입니다. 그것은 내가 본 개발 인프라에서 가장 가파른 채택 곡선입니다.

셋째, 프로덕션급 AI는 심각한 안전 가드레일이 필요합니다. 파괴적인 작업 전에 블라스트 반경 미리 보기. 의존성 분석. 자동 롤백 계획. 기본 감사 트레일. AI는 이러한 것 없이 프로덕션에서 위험합니다.

구체적으로 준비하는 방법입니다.

스택을 위의 세 가지 구성 요소와 비교합니다. 각 도구는 API와 MCP를 노출합니까? 그것은 다른 것과 통신합니까, 아니면 실로 있습니까? 그것은 안전 컨트롤을 가지고 있습니까? 두 가지 중 두 가지를 실패하는 도구는 단기 자산입니다.

컨텍스트 인프라를 구축합니다. 스키마, 비즈니스 정의, 아키텍처 결정을 기계가 읽을 수 있는 형식으로 문서화합니다. 풍부한 컨텍스트는 한 분기에 구축되지 않습니다. 2027년에 AI가 그것을 가지려면, 오늘 문서화하는 팀입니다.

프로덕션에서 AI를 실행하기 전에 실행합니다. 공식적인 “AI 전략”을 기다리는 팀은 이미 프로덕션에서 실험하고 있는 팀보다 18개월 뒤처질 것입니다. 저위험 사용 사례를 선택합니다. 출하합니다. 근육을 구축합니다.

오늘 결정하는 팀은 소프트웨어가 구축되는 다음 10년을 정의할 것입니다. 창은 좁습니다. 그리고 지금 열려 있습니다.

감사합니다. 더 많은 것을 배우고 싶은 독자는 데바트를 방문하십시오.