์ธํฐ๋ทฐ
๋ฐ๋ฐํธ์ ์ํค ์ค๋ํ๋ฆฌ์์ฝ(Anton Onufriienko) ์ธํฐ๋ทฐ ์๋ฆฌ์ฆ
안톤 오누프리엔코(Anton Onufriienko), 데바트(Devart)의 매니징 디렉터는 소프트웨어 비즈니스를 확장하고 수익 성장을 추진하며 대규모 크로스펑셔널 팀을 이끄는 기술 이사이자 오퍼레이터입니다. 그의 경력 동안 그는 판매 조직을 구축하고 스타트업을 출시하는 것에서 주요 비즈니스 단위의 전체 P&L 운영을 책임지는 것으로 발전했습니다. 데바트의 가장 큰 부서인 130명 이상의 직원을 보유한 부서에서 그는 이전에 데바트의 수익 책임자이자 판매 책임자로 재직했습니다. 그는 또한 TMetric의 최고 경영자입니다. TMetric은 서비스 기반 비즈니스를 운영에 대한 명확성을 얻도록 도와주는 시간 추적 및 수익성 플랫폼입니다.
데바트(Devart)는 데이터베이스 개발, 데이터 연결, 통합 및 개발자, DBA, 분석가, 엔터프라이즈 팀을 위한 생산성 도구에 전문적인 소프트웨어 회사입니다. 1997년에 설립된 이 회사는 주요 데이터베이스 시스템인 SQL Server, MySQL, Oracle, PostgreSQL을 지원하는 dbForge 시리즈의 데이터베이스 관리 도구로 잘 알려져 있습니다. 데바트는 또한 ODBC, ADO.NET, Python, Delphi 커넥터와 같은 데이터 연결 솔루션을 개발하며 Skyvia라는 클라우드 기반의 노코드 데이터 통합 플랫폼을 제공합니다. 이 플랫폼은 ETL, 자동화, 백업, 워크플로우 오케스트레이션을 위한 것입니다. 회사는 전 세계적으로 50만 명 이상의 사용자를 보유하고 있으며 포춘 100 기업 중 많은 부분을 차지하며 최근에는 제품에 AI 기능을 통합하는 데 집중하고 있습니다. dbForge AI 어시스턴트와 같은 도구를 통해 개발자가 SQL 쿼리를 생성, 최적화, 디버깅 및 설명할 수 있습니다.
판매 팀을 구축하고 이끄는 것에서부터 전체 P&L 운영을 책임지는 것으로 발전했습니다. 이 여정은 어떻게 데바트의 제품 전략과 의사 결정에 대한您的 접근 방식을 형성했나요?
판매는 모든 것에 대한 ROI를 측정하는 것을 가르쳤습니다. CRO 역할로 이동했을 때私は 그 규율을 함수 전체에 적용했습니다. 비즈니스 단위를 운영하는 것은 AI 자체에 그것을 적용하도록 강요했습니다.
私は AI에 대해 실용적인 관점을 가지고 있습니다. 나는 회의적이지 않습니다. 2026년의 4개의 제품 베팅 중 3개가 AI 네이티브입니다. 그러나 나는 허위가 실제적인 지속 가능한 결과를 방해한다고 믿습니다.
산업에서 자주 잘못되는 방향을 요약하는 밈이 있습니다. 회사들은 400달러의 SaaS 구독을 1,000달러의 월간 API 비용이 들고 끊임없이 수정해야 하는 자체 제작 도구로 교체합니다. 그것은 실제적인 변화가 아닙니다. 그것은 단지 비싼 쇼입니다.
私は 판매에서 배운 교훈은 간단합니다. 모든 이니셔티브는 자기 자금을 조달하거나 죽습니다. 나는 AI 론칭을 이전에 영업 지역을 운영하던 방식으로 운영합니다. 명시적인 ROI 가설, 3단계 론칭, 그리고 확장하기 전에 문서화된 영향입니다.
우리의 북극성 지표는 직원당 수익입니다. 우리의 목표는 2028년 말까지 그것을 두 배 이상 늘리는 것입니다. 당신은 그것을 구인으로 채우지 않습니다. 당신은 일이 어떻게 보이는지 변경함으로써 그것을 채우고 AI는 그 규모에서 실제적인 메커니즘입니다.
내가 모든 AI 이니셔티브에 대한 필터는 동일합니다. 측정된 가치는 무엇인가, 누가 그것을 지불하는가, 그리고 그것이 작동하는 것을 어떻게 알 수 있나요? 그 세 가지 질문에 실패하는 것은 생산에 속하지 않습니다. 그것을 잘못하는 비용은 빠르게 증가하며 대부분의 회사들은 그것을 비싼 방법으로 발견할 것입니다.
데바트는 데이터베이스 도구와 개발자 생산성에 강한 명성을 구축했습니다. 어떻게 이러한 제품에 AI를 통합하여 실제 가치를 제공할 수 있나요?
우리의 사용자는 하드코어 기술 전문가입니다. DBA, 시니어 엔지니어, 데이터 아키텍트. 그들은 표면적인 자동화를 몇 초 안에 감지하고 마케팅 장난감으로 된 혁신을 판매받는 것을 싫어합니다. 2년 전, AI가 최고조에 달했을 때와 경쟁사들이 모든 UI 요소에 채팅 패널을 부착하기 위해 경쟁했을 때, 그것을 따르는 유혹은 실제였습니다.私は 이전에 모바일, 클라우드, 로우코드에서 본 패턴을 거부했습니다.
규율은 간단했습니다. 고객 가치 우선. 고객이 요청하지 않은 AI 기능을 구축하는 것은 최악의 사용법입니다. 특히 고객이 즉시 차이를 감지할 수 있는 경우에는 더욱 그렇습니다.
2026년에 변화한 것은 AI가 허위에서 실제 기술 혁신으로 이동했다는 것입니다. 2023년에 이러한 시스템이 할 수 있는 것과 오늘날 할 수 있는 것 사이의 격차는 증분적인 것이 아닙니다. 그것은 완전히 다른 범주의 능력입니다. 우리는 이전에는 실제로 해결할 수 없었던 문제를 해결할 수 있습니다. 엔터프라이즈 데이터에 대한 보안 액세스를 위한 AI 에이전트, 개발자의 IDE 내에서 데이터베이스 인텔리전스, 분석가가 필요 없는 자율 비즈니스 분석입니다.
이것은 AI가 기본 문제를 해결할 수 있게 된 새로운 제품 라인입니다. 그것은 우리가 자신을 평가하는 기준입니다. 실제 AI 제품은 AI 계층을 제거하면 제품이 깨지는 제품입니다. 산업은 2년 동안 채팅 패널을 “AI 제품”이라고 불렀습니다. 그것은 기능입니다. 제품이 아닙니다.
우리는 그것을 올바르게 하기 위해 더 오래 걸렸습니다. 다음 12개월은 그 규율이 지불했는지 보여줄 것입니다.
AI는 코드를 작성하고, 최적화하고, 디버깅하는 역할을 하고 있습니다. 이것은 데이터베이스와 함께 일하는 개발자의 역할을 어떻게 변경시킬까요?
SQL 구문에 대한 지식의 가치는 빠르게 감소하고 있습니다. AI가 복잡한 멀티 테이블 JOIN을 몇 초 안에 생성하고 로그에서 누락된 인덱스를 몇 분 안에 식별할 수 있다면 엔지니어의 가치는 더 이상 SQL을 입력하는 것이 아닙니다. 그것은 상당한 부분입니다.
그러나 여기에는 항상 생략되는 중요한 뉴앙스가 있습니다. 프론트엔드에서 AI 실수가 버튼을 잘못 정렬하는 것입니다. 데이터베이스에서 AI 실수는 프로덕션 환경을 지우거나 PII를泄露하거나 전체 비즈니스를 트랜잭션으로 중단시킵니다.
데이터베이스는 상태를 유지합니다. 그것은 환상에 관용이 없습니다.
그것은 역할을 완전히 재정의합니다. 향후 2~3년 동안 데이터베이스 개발자와 DBA는 코더에서 아키텍트와 감시자로 발전할 것입니다. 그들의 주요 작업은 세 가지로 변경됩니다.
- AI가 스스로에 대해 이유를 모르는 비즈니스 컨텍스트가 있는 신뢰할 수 있는 아키텍처를 설계합니다.
- 프로덕션 시스템에 접근하는 AI 에이전트에 대한 하드 가드레일과 보안 정책을 설정합니다.
- 데이터베이스에 도달하기 전에 기계가 생성한 코드를 검토하고 감시합니다.
私は 엔지니어가 AI 어시스턴트 군대를 관리할 것이라고 생각하는 정신 모델을 유지합니다. 도구는 전통적인 IDE에서 명령 및 감시 센터로 발전해야 합니다. 일이 더 이상 수동으로 SQL을 작성하는 것이 아니라 AI가 생성한 것을 검토하고, 검증하고, 안전한 경계를 강제하는 것입니다.
전문적인 기회는 상당합니다. 아키텍처와 감시로 레벨업하는 개발자는 시장 가치를 몇 배로 늘릴 것입니다. 그들은 AI 생산성과 프로덕션 안전성 사이의 필수적인 계층이 됩니다. 데이터베이스 전문 지식의 프리미엄은 사라지지 않습니다. 그것은 디자인, 거버넌스, 판단으로 이동합니다. 그것은 정확히 AI가 단독으로 작동할 수 없는 곳입니다.
현재 데이터베이스 관리에서 AI 도구의 가장 큰 제한은 무엇이며, 가장 의미 있는 돌파구는 어디에서 올 것이라고 생각하나요?
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 눈이 먼 타이피스트처럼 작동하는 것입니다. 그것들은 구문을 생성할 수 있지만 작동하는 환경을真正로 이해하지 못합니다. 실제적인 돌파구는 AI가 컨텍스트, 의존성, 상태, 비즈니스 논리를 함께 이유를 모르는 곳에서 발생합니다.
현재私は 세 가지 주요한 제한이 AI를 데이터베이스 환경에서 방해한다고 생각합니다.
첫째, 컨텍스트 문제입니다. 대규모 언어 모델은 스키마, DDL, 열 이름을 볼 수 있지만 실행 계획, 인덱스 단편화, 데이터 분포 패턴 또는 데이터 뒤에 있는 실제 비즈니스 논리를真正로 이해하지 못합니다. 더 깊은 이해 없이는 많은 최적화 조언은 통계적인 추측으로 옷을 입힌 전문가입니다.
둘째, 환상 문제입니다. 엔터프라이즈는 데이터베이스 계층에서 거의 제로 관용을 가지고 있습니다. 환상적인 JOIN은 프로덕션 시스템을 느리게 할 수 있습니다. 잘못된 UPDATE는 중요한 레코드를 지울 수 있습니다. 그 수준에서 작은 정확도 실패는 매우 빠르게 매우 비싼 결과를 초래합니다.
세 번째 문제는 보안과 거버넌스입니다. 심각한 엔터프라이즈는 프로덕션 스키마나 PII를 공유하지 않고 강력한 데이터 분리 및 제어 보장을 받지 않는 한 공공 AI 도구에 붙여 넣지 않을 것입니다. 벤더가 그것을 적절하게 해결할 때까지 데이터베이스에서 AI의 채택은 규제된 산업에서 제한될 것입니다.
의미 있는 돌파구는 AI가 구문 생성을 넘어서 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, 3분기 LTV 트렌드와 같은 개념을 이해하는 것입니다.
또 다른 변화는 AI가 시니어 DBA처럼 배경에서 작동하는 것입니다. 워크로드를 지속적으로 분석하여 병목 현상을 식별하고 인덱스를 제안하고 위험한 쿼리를 식별하고 시스템이 실패하기 전에 문제를 포착합니다.
그리고 당신은 기계 간 작동을 가지고 있습니다. 자율 에이전트가 데이터베이스 로드를 모니터링하고 최적화 전략을 테스트하고 개선을 배포합니다. 그것은 모두 인간의 감시 하에 이루어집니다.
그것들이 데이터베이스 툴링의 다음 5년을 형성할 발전입니다.
수익과 마케팅 전략을 이끈 경험에서, AI는 소프트웨어 회사에서 가격 모델, 제품 패키징, 고객 확보를 어떻게 재정의하고 있나요?
전통적인 마케팅 플레이북은 깨졌습니다. 우리는 그것을 우리의 숫자와 전체 개발자 툴 카테고리에서 볼 수 있습니다.
클래식 수집의 종말입니다. 2026년에 우리의 제품에 대한 검색 랭킹이 의미 있게 개선된에도 불구하고, 우리는 제로 클릭 현실에 직면합니다. AI 검색은 결과 페이지에 직접 답변을 제공하고 웹사이트를 트래픽이 없는 상태로 만듭니다. 강력한 검색 랭킹은 더 이상 이전과 같은 리드를 제공하지 않습니다.
5년 전, 강력한 콘텐츠 전략은 성장을 추동하기에 충분했습니다. 오늘날 그것은 표준입니다. LLM은 브랜드 강도, 긍정적인 언급, 커뮤니티 밀도를 평가하여 답변을 형성합니다. 당신의 브랜드가 가시적이고 신뢰할 수 없다면, AI 시스템은 당신을 일관되게 표면화하지 않습니다. 당신은 트래픽을 잃지 않습니다. 당신은 구매 여정에서 완전히 사라집니다. 상황을 더 나쁘게 만들기 위해, 전체 시장은 패닉에 빠져서 광고에 투자하고 있습니다. 그것은 CPC를 비현실적인 수준으로 끌어올리고 대부분의 SaaS 회사의 단위 경제를 조용히 파괴합니다.
이 변화는 전통적인 개발자 툴 회사에 특히 강한 영향을 미칩니다. SEO 주도형 수집 채널은 B2B SaaS를 위한 이전 세대의 성장을 지원했지만 효율성이 빠르게 감소하고 있습니다. 여전히 그것들을 주요 성장 레버로 사용하는 사람은 적극적으로 대안을 구축해야 합니다. 에코시스템 배포, 커뮤니티, 파트너십입니다.
가격 진화: 좌석에서 PLG 3.0까지. 우리는 PLG의 다음 단계에 진입하고 있습니다. 좌석당 가격은 하나의 AI 에이전트가 여러 직원의 일을 할 수 있을 때 더 이상 의미가 없습니다. 그 환경에서 좌석당 요금을 부과하는 것은 더 이상 의미가 없습니다. 제품을 가치에 따라 좌석이 아닌 패키지로 재포장하지 않는 회사는 다음 24개월 동안 MRR을 상실할 것입니다.
다음 단계는 PLG 3.0입니다. 자율 AI 에이전트가 엔터프라이즈 소프트웨어를 평가하고, 테스트하고, 구매합니다. 그것은 아직 몇 년 후의 일입니다. 그러나 제품과 가격을 기계 구매자에 맞게 설계하는 것은 2026年的 작업입니다.
많은 조직은 AI 실험에서 실제 프로덕션 영향으로의 전환을 어려워합니다. AI 이니셔티브가 실제로 성공하는 데 결정적인 요소는 무엇인가요?
대부분의 AI 기능은 구축되기 전에 이미 실패합니다. 사용자가 요청하지 않은 이유로 “우리는 이 제품에 AI가 필요하다”고 말하는 방에서 실패합니다. 그것은董事会가 AI 이야기를 원하거나 마케팅이 새로운 청중을 끌어들이기 위해 그것을 원하는 이유입니다. 그것은 대부분의 AI 이니셔티브의 원죄입니다. 그것은 모든 것을 형성합니다.
私は 어려워하는 회사에서 같은 실수를 반복적으로 보는 것을 보았습니다.
첫 번째 실수는 실제로 요청하지 않은 AI 기능을 구축하는 것입니다. 한 번 AI 기능이 실제 사용자 요청 없이 명령되면 팀은 기술에서 사용 사례를逆으로 작업합니다. 결과는 예측 가능합니다. 기존 UI에 채팅 패널을 부착하거나 사용자가 스스로 작성할 수 있는 출력을 생성하는 자동 완성입니다. 이러한 기능은 출하되고 보도 자료가 발표되지만 채택 예측에 따라 성과를 내지 못합니다. 더 심각한 손상은 실제로 사용자에게 요청된 기능에 대한 엔지니어링 자원을 소모한다는 것입니다.
두 번째 문제는 팀이 깨끗한 데모 데이터와 실제 프로덕션 데이터 사이의 차이를 크게低估한다는 것입니다. AI 데모는 깨끗한 데이터에서 실행됩니다. 프로덕션은 실제 고객 데이터의 혼란을 실행합니다. 중복, 누락된 필드, 동일한 제품 이름을 10가지 다른 방법으로拼기, 15년의 레거시 엣지 케이스. 평가에서 인상적인 정확도를 달성하는 모델은 라이브 데이터에서 심각하게 저하될 수 있습니다. 대부분의 팀은 사용자가 불평할 때까지 그것을 발견하지 못합니다. 프로덕션 신뢰에서 그것을 발견하는 비용은 거의 회복할 수 없습니다.
또 다른 일반적인 실패 지점은 사용자 연구입니다. 표준 제품 인터뷰는 AI 기능에 작동하지 않습니다. 사용자는 AI에서 무엇을 원하는지 말할 수 없습니다. 사용자는 그것이 가능하다는 것을 모릅니다. “X를 하기 위해 AI를 사용하시겠습니까?”라는 질문은 예의 바른 예 응답을 얻지만 채택을 예측하는 가치는 없습니다. 효과적인 AI 제품 연구는 프로토타입을 보여주고 실제 사용을 관찰하며 사용자가 새로운 것이 사라진 후에 반환하는지 측정하는 것을 필요로 합니다. 몇몇 제품 팀은 아직 그 연구 관행을 재구축하지 않았습니다. 그들은 여전히 2019년의 플레이북을 2026年的 문제에 사용하고 있습니다.
마지막으로 많은 회사들은 AI 활동을 비즈니스 영향과 혼동합니다. “이번 주 200명이 AI 기능을 사용했습니다”는 채택 메트릭입니다. 실제 영향은 주기 시간을 줄인 것, 품질을 개선한 것, 수익을 생성한 것, 비용을 제거한 것입니다. AI 기능에서 P&L의 숫자까지 직접적인 선을 그을 수 없다면, 당신은 생산적인 영향을 가지고 있지 않습니다. 당신은 비싼 활동을 가지고 있습니다.
그리고 다섯 번째 요인이 있습니다. 그것은 대부분의 제품 팀이 완전히 간과하는 것입니다.
준수 및 AI 무료 빌드 경로. 규제된 산업에서 엔터프라이즈 사용자의 상당한 부분은 AI 기능이 포함된 벤더 소프트웨어를 사용하는 것을 금지하거나 제한하는 정책을 운영합니다. 제품의 핵심 경험에 AI를 강제로 연결하지 않고 비활성화 또는 우회할 수 없는 경우, AI를 추가하면 기존 사용자를 잃을 수 있습니다.
이것은 우리가 AI 커넥티비티와 해결하는 문제입니다. 규제된 산업의 컴플라이언스 팀은 AI 자체를 반대하지 않습니다. 그들은 데이터가 고객의 주변을 벗어나는 것을 반대합니다. 해결책은 AI를 제거하는 것이 아닙니다. 고객의 인프라 내에서 AI 아키텍처를 제공하는 것입니다. 그것이为什么 AI 커넥티비티가 온프레미스로 출하되는 이유입니다. AI 기능이 유지되며 고객의 데이터가 कभ이 고객의 인프라를 떠나지 않습니다. 또한 조달 검토에서 첫 번째 라운드에서 통과합니다.
그것을 올바르게 얻는 팀은 일일이 컴플라이언스를 위해 설계합니다. 그것을 잘못하는 팀은 PROCUREMENT 검토 중에 문제를 발견합니다. 이미 거래가 손실된 후입니다.
데바트는 여러 데이터베이스 에코시스템에서 운영됩니다. AI는 어떻게 다른 플랫폼에서 데이터를 관리하는 복잡성을 단순화하는 데 도움이 될 수 있나요?
통증은 실제입니다. 일반적인 포춘 500은 8~12개의 서로 다른 데이터베이스 엔진을 동시에 실행합니다. 레거시 오라클, PostgreSQL, SQL Server, Snowflake 또는 BigQuery, 그리고 점점 더 많은 벡터 저장소. 각 엔진에는 자신의 방언, 자신의 툴링, 자신의 거버넌스 체계가 있습니다. 개발자가 그 환경에 들어가면 3개월을 데이터가 어디에 있고 누가 그것을触れる지 배우는 데 쓸 수 있습니다.
AI는 그 복잡성을 스스로 해결하지 않습니다. 그것은 주어진 컨텍스트를 증폭시킵니다. 연결되지 않은 8개의 데이터베이스와 통일된 메타데이터가 없으면 8개의 연결되지 않은 세트의 얕은 제안이 생성됩니다. 그것은 대부분의 엔터프라이즈 AI 론칭에서 볼 수 있는 실패 모드입니다.
기회는 데이터베이스와 AI 에이전트 사이에 컨텍스트 계층을 제공하는 것입니다. 하나의 계층이 모든 것을 말하고 통일된 거버넌스 정책을 시행하며 모든 AI 에이전트가 일관된 규칙으로 전체 에스테이트에서 작동하도록 하는 깨끗한 MCP 인터페이스를 노출합니다.
그것이 우리가 AI 커넥티비티를 향해 구축하고 있는 아키텍처이습니다. 멀티 데이터베이스 지원을 갖춘 온프레미스 MCP 서버, 비즈니스 정의를 한 번만 캡처하여 모든 AI 에이전트가 재학습할 필요가 없는 의미 계층, SQL 작업 수준의 역할 기반 액세스 제어, 그리고 완전한 감사 로그입니다.
단순화는 무료가 아닙니다. 누군가는 여전히 의미 계층을 모델링하고 정책을 설정해야 합니다. 그러나 그 작업은 한 번만 수행됩니다. 각 AI 에이전트를 추가할 때마다 반복적으로 수행되지 않습니다.
크로스펑셔널 팀을 이끌었던 경험에서, AI는 제품, 엔지니어링, 마케팅, 판매 간의 내부 협력과 의사 결정을 어떻게 변화시키고 있나요?
대부분의 크로스펑셔널 마찰은 단순히 팀이 다른 팀에서 정보를 기다리는 것이었습니다. AI는 그 마찰을보다 빠르게 붕괴시킵니다.
변화는 실제적이고 즉각적입니다.
제품과 엔지니어링에서: 제품 관리자가 비즈니스 용어로 데이터베이스 질문을 묻고(“우리의 상위 3개의 가격 티어에 대한 고객 수명 가치의 차이는 무엇인가?”) 즉각적인 답변을 얻습니다.
마케팅과 데이터에서: 코호트 분석이 인라인에서 발생합니다. 마케팅 관리자는 숫자를 얻고, 캠페인을 구축하며, 모든 것을 같은 아침에 처리합니다.
판매와 엔지니어링에서: 프로스펙트에 대한 기술적인 답변은 더 이상 시니어 엔지니어와의 통화를 예약할 필요가 없습니다. 판매 대표는 즉각적인 기술적인 답변을 얻고, 거래 사이클을 압축합니다.
의사 결정은 대화로 들어옵니다. “그것에 대해 나중에 다시 연락드릴게”라는 패턴은 죽어갑니다. 회의는 축소됩니다. AI는 이전에 각 세션의 첫 번째 절반을 소비하던 프리 리드와 요약을 처리하기 때문입니다.
이 마찰의 붕괴는 더 깊은 관리 변화를 강요합니다. 그것은 대부분의 리더십 팀이低估하는 것입니다.
모든 회사가 결과 지향적이라고 주장합니다. 밑으로 들어가면 대부분 여전히 프록시 메트릭으로 작동합니다. 스토리 포인트, 코드 라인, 티켓 닫기, 로그인 시간. 우리는 실제 가치가難しい 것을 측정하기 때문에 활동을 가치의 프록시로 사용했습니다. AI는 그 프록시를 영구적으로 붕괴시킵니다. 에이전트가 10,000줄의 코드를 작성하거나 500개의 지원 티켓을 1분 안에 닫을 수 있다면, 활동을 측정하는 것은 위험하게 잘못된 것입니다.
우리는 명시적인 결과 지향적 관리로 이동하고 있습니다. 여기서 성과는 엄격하게 결과에 의해 측정됩니다. 판단에 의한 것입니다. 이전에 활동에 숨었던 사람들이 즉시 가시성이 됩니다. 리더십은 그 가시성에 행동할 의지가 있어야 합니다.
구조적인 결과는 더 평평한 조직 차트입니다. 조정 및 정보 라우팅 레이어가 축소됩니다. 가장 빠르게 적응하는 조직은 구조적으로 더 적은 사람들로 더 높은 레버리지로 작동할 것입니다.
AI 지원 개발 및 노코드 툴의 출현으로, 우리는 비기술적인 사용자에게 데이터베이스 관리를 더 쉽게 만들고 있는 것인가요?
현재 산업에서 위험한 혼동이 있습니다. 사람들은 사이드 프로젝트 데이터베이스와 엔터프라이즈 레거시 데이터베이스를 동일한 것으로 취급합니다. 그것은 아닙니다.
작은 그린필드 프로젝트의 경우, 민주화는 이미 여기 있습니다.私は 개인적으로 깊은 데이터베이스 관리 기술 없이 작은 애플리케이션을 처음부터 구축했습니다. 당신의 전체 스키마가 LLM의 컨텍스트 창에 들어간다면, AI는 마법처럼 작동합니다. 시티즌 개발자들이 내부 도구를 구축하는 작은 규모에서それは 실제로 증가하는 카테고리가 될 것입니다.
엔터프라이즈 현실은 완전히 다릅니다. 거대한 레거시 데이터베이스는 거대한 모노리틱 코드베이스와 같은 문제를 직면합니다. 컨텍스트 벽입니다. 당신은 15년의 스키마 진화, 데이터베이스 간 의존성, 커스텀 트리거 논리를 단순한 프롬프트에 담을 수 없습니다. 대규모 데이터베이스에서 AI가 컨텍스트를 잃을 때, 환상은 우아하게 저하되지 않습니다. 그것은 지수적으로 증가합니다.
잘못된 확신의 위험은 규모에서 발생합니다. 자연어 인터페이스는 매우 설득력 있지만 미묘하게 잘못된 답변을 생성하는 데 유일하게 좋습니다. SQL 쿼리가 구문 오류가 있다면, 당신은 오류 메시지를 받습니다. 자연어 인터페이스가 “활성 고객”을 잘못 해석한다면(당신의 데이터에는 활동성의 6가지 다른 정의가 있다면), 당신은 숫자를 받습니다. 그 숫자는 괜찮아 보입니다. 그것은 30% 잘못될 수 있습니다. 사용자는 그것을 알 수 있는 방법이 없습니다.
그래서, 엔터프라이즈 데이터베이스 관리는 비기술적인 사용자에게遊戯場이 되지 않습니다.
시티즌 DBA는 거대한 규모에서 神話입니다.
미래는 전문 데이터 아키텍트에게 속합니다. 그들은 컨텍스트 갭을 다루는 데 전문적인 도구를 사용하여 AI가 안전하게 작동할 수 있는 인프라를 구축합니다.
구조적인 해결책은 의미 계층입니다. 비즈니스 정의가 한 번만 고정되고 모든 AI 상호작용에서 재사용되는 제어된 어휘입니다. 그것이 Insightis에 구축된 핵심 아키텍처입니다. 그것 없이 접근성은 책임이 됩니다.
앞으로, “AI 네이티브” 개발자 툴킷은 어떻게 보이고, 팀은 오늘날 그 변화에 어떻게 준비해야 하나요?
진정한 AI 네이티브 툴킷은 채팅봇이 IDE에 부착된 것이 아닙니다. 오늘날 “AI 네이티브”로 판매되는 대부분의 것은 채팅 인터페이스 плю스 자동 완성 모델입니다. 그것은 표준입니다. 목적지입니다.
나에게真正한 AI 네이티브 툴킷에는 세 가지 것이 필요합니다.
첫째, AI는 깊은 컨텍스트가 필요합니다. 그것은 코드베이스, 인프라, 역사적인 결정, 데이터 환경을 지속적으로 이해해야 합니다. 대부분의 현재 툴은 그 테스트에 실패합니다. 그들의 컨텍스트는 각 세션 후에 재설정되고, 사용자는 그것을不断하게 재구축하는 비용을 지불합니다.
둘째, 툴 자체는 서로 제대로 통신해야 합니다. 당신의 IDE는 데이터베이스와 이야기해야 하며, 데이터베이스는 관찰 가능성 스택과, CI/CD는 AI 리뷰어와 이야기해야 합니다. Model Context Protocol은 그곳에서 표준 계층이 되고 있습니다. 2026년 1분기에 9700만 개의 SDK 다운로드, 2024년 말의 10만 개 대비 15개월 만에 970배의 증가입니다.
셋째, 프로덕션급 AI는 진지한 안전 가드레일이 필요합니다. 파괴적인 작업 전에 블래스트 반경 미리 보기, 의존성 분석, 자동 롤백 계획, 기본 감사 트레일입니다. AI는 그것들 없이 프로덕션에서 위험합니다.
구체적으로 준비하는 방법입니다.
당신의 스택을 위의 세 가지 구성 요소와 비교합니다. 각 툴은 API와 MCP를 노출합니까? 그것은 다른 것과 이야기합니까, 또는 실로에 앉아 있습니까? 그것은 안전 컨트롤을 가지고 있습니까? 두 가지 중 하나에 실패하는 툴은 단기 자산입니다.
컨텍스트 인프라를 구축합니다. 스키마, 비즈니스 정의, 아키텍처 결정을 기계가 읽을 수 있는 형식으로 문서화합니다. 풍부한 컨텍스트는 한 분기 안에 구축되지 않습니다. 2027년에 AI가 그것을 가진 팀은 오늘날 문서화하는 팀입니다.
프로덕션에서 AI를 실행하기 전에 실행합니다. 공식적인 “AI 전략”을 기다리는 팀은 이미 프로덕션에서 배우고 있는 팀보다 18개월 뒤처질 것입니다. 저위험 사용 사례를 선택합니다. 그것을 출하합니다. 근육을 구축합니다.
오늘날 이러한 결정을 내리는 팀은 소프트웨어가 구축되는 다음 10년을 정의할 것입니다. 창은 좁습니다. 지금 열려 있습니다.
그레이트 인터뷰, 더 많은 것을 배우고 싶은 독자들은 데바트를 방문해야 합니다.
