Anton Onufriienko, Giám đốc Điều hành tại Devart – Loạt Phỏng vấn

Anton Onufriienko, Giám đốc Điều hành tại Devart, là một nhà điều hành công nghệ và kinh doanh với kinh nghiệm sâu về việc mở rộng các doanh nghiệp phần mềm, thúc đẩy tăng trưởng doanh thu và lãnh đạo các đội chức năng lớn trên nhiều lĩnh vực, bao gồm SaaS, phần mềm doanh nghiệp và dịch vụ tài chính. Trong suốt sự nghiệp của mình, anh đã tiến bộ từ việc xây dựng các tổ chức bán hàng và khởi nghiệp đến việc giám sát các hoạt động P&L đầy đủ cho các đơn vị kinh doanh lớn, bao gồm cả bộ phận lớn nhất của Devart với hơn 130 nhân viên. Trước khi trở thành Giám đốc Điều hành, anh từng là Giám đốc Doanh thu và Trưởng bộ phận Bán hàng của Devart, nơi anh lãnh đạo chiến lược thị trường, chuyển đổi định giá và các sáng kiến tăng trưởng quốc tế. Anh cũng là CEO của TMetric, một nền tảng theo dõi thời gian và lợi nhuận tập trung vào việc giúp các doanh nghiệp dịch vụ đạt được sự rõ ràng về hoạt động.

Devart là một công ty phần mềm chuyên về phát triển cơ sở dữ liệu, kết nối dữ liệu, tích hợp và công cụ năng suất cho các nhà phát triển, DBA, nhà phân tích và các đội doanh nghiệp. Được thành lập vào năm 1997, công ty này nổi tiếng nhất với bộ công cụ quản lý cơ sở dữ liệu dbForge, hỗ trợ các hệ thống cơ sở dữ liệu chính như SQL Server, MySQL, Oracle (ORCL ) và PostgreSQL. Devart cũng phát triển các giải pháp kết nối dữ liệu như ODBC, ADO.NET, Python và Delphi connectors, cùng với Skyvia, nền tảng tích hợp dữ liệu dựa trên đám mây không cần mã cho ETL, tự động hóa, sao lưu và điều phối công việc. Công ty phục vụ hơn 500.000 người dùng trên toàn cầu, bao gồm một phần lớn các tổ chức trong danh sách Fortune 100, và đã tập trung ngày càng nhiều vào việc tích hợp các khả năng được hỗ trợ bởi AI vào các sản phẩm của mình thông qua các công cụ như dbForge AI Assistant, giúp các nhà phát triển tạo, tối ưu hóa, gỡ lỗi và giải thích các truy vấn SQL bằng ngôn ngữ tự nhiên.

Bạn đã tiến bộ từ việc xây dựng và lãnh đạo các đội bán hàng đến việc điều hành các hoạt động P&L đầy đủ và hiện đang quản lý bộ phận kinh doanh lớn nhất của Devart. Hành trình đó đã định hình cách tiếp cận của bạn như thế nào trong việc tích hợp AI vào chiến lược sản phẩm và ra quyết định tại quy mô lớn?

Bán hàng đã dạy tôi cách đo lường ROI trên mọi thứ. Khi chuyển sang vai trò CRO, tôi đã mở rộng kỷ luật đó trên các chức năng. Việc điều hành bộ phận kinh doanh buộc tôi phải áp dụng nó cho chính AI.

Tôi có một cái nhìn thực tế về AI. Không phải tôi hoài nghi, nhưng tôi tin rằng sự cường điệu đang cản trở những kết quả thực sự và lâu dài.

Có một meme đang lan truyền tóm tắt nơi ngành công nghiệp thường đi sai. Các công ty thay thế các đăng ký SaaS 400 đô la bằng các công cụ tự chế có chi phí 1.000 đô la mỗi tháng cho phí API và cần sửa chữa liên tục. Đó không phải là thay đổi thực sự, mà chỉ là một màn trình diễn tốn kém.

Bài học tôi đã rút ra từ bán hàng rất đơn giản: mọi sáng kiến đều phải trả tiền, hoặc nó sẽ chết. Tôi điều hành việc triển khai AI theo cách tương tự như tôi từng điều hành một lãnh thổ bán hàng. Giả thuyết ROI rõ ràng cho mỗi quy trình, triển khai ba giai đoạn và tác động được ghi lại trước khi mở rộng.

Chỉ số Bắc sao của chúng tôi là Doanh thu trên mỗi Nhân viên, và mục tiêu của chúng tôi là tăng hơn gấp đôi vào cuối năm 2028. Bạn không thể đóng khoảng cách đó bằng cách tuyển dụng. Bạn phải thay đổi cách công việc được thực hiện, và AI là cơ chế thực tế duy nhất ở mức độ đó.

Bộ lọc của tôi cho mọi sáng kiến AI, nội bộ hoặc sản phẩm, là như nhau: giá trị đo lường là gì, ai trả tiền cho nó, và làm thế nào chúng tôi biết nó đã hoạt động? Bất cứ điều gì không đáp ứng được ba câu hỏi đó không thuộc về sản xuất. Chi phí của việc làm sai điều này sẽ tăng lên nhanh chóng, và hầu hết các công ty sẽ phát hiện ra điều đó theo cách đắt đỏ.

Devart đã xây dựng được danh tiếng mạnh mẽ xung quanh các công cụ cơ sở dữ liệu và năng suất của nhà phát triển. Làm thế nào bạn đang nhúng AI vào các sản phẩm này để mang lại giá trị thực sự chứ không chỉ là tự động hóa bề mặt?

Người dùng của chúng tôi là các chuyên gia kỹ thuật nghiêm ngặt: DBA, kỹ sư cao cấp, kiến trúc sư dữ liệu. Họ có thể phát hiện ra tự động hóa bề mặt trong vài giây và ghét bị bán các món đồ tiếp thị được ngụy trang thành đổi mới. Hai năm trước, khi sự cường điệu về AI đạt đỉnh và các đối thủ cạnh tranh chạy đua để gắn các bảng trò chuyện vào mọi yếu tố UI, sự cám dỗ để theo đuổi là có thực. Tôi đã thấy mẫu này trước, trong di động, trong đám mây, trong mã thấp, và tôi từ chối lặp lại nó.

Kỷ luật là thẳng thắn: giá trị của khách hàng trước hết. Xây dựng các tính năng AI mà không ai yêu cầu, không mang lại giá trị thực sự, là việc sử dụng tồi tệ nhất các nguồn lực kỹ thuật有限. Điều đó đặc biệt đúng khi khán giả của bạn có thể phát hiện ra sự khác biệt ngay lập tức.

Cái gì đã thay đổi vào năm 2026 là AI đã chuyển từ sự cường điệu sang một cuộc cách mạng kỹ thuật thực sự. Khoảng cách giữa những gì các hệ thống này có thể làm vào năm 2023 và những gì chúng có thể làm ngày nay không phải là tăng trưởng nhỏ. Đó là một khả năng hoàn toàn khác.

Chúng tôi có thể giải quyết các vấn đề mà trước đây không thể giải quyết được: truy cập dữ liệu doanh nghiệp an toàn cho các tác nhân AI, trí tuệ cơ sở dữ liệu ngữ cảnh bên trong IDE của nhà phát triển, và phân tích kinh doanh tự động không yêu cầu một nhà phân tích chuyên dụng.

Đây là những dòng sản phẩm mới tồn tại vì AI đã làm cho vấn đề cơ bản trở nên có thể giải quyết được. Đó là tiêu chuẩn chúng tôi áp dụng cho mình: một sản phẩm AI thực sự là sản phẩm mà việc loại bỏ lớp AI sẽ phá vỡ sản phẩm. Ngành công nghiệp đã dành hai năm gọi các bảng trò chuyện là “sản phẩm AI”. Những thứ đó là tính năng, không phải sản phẩm.

Chúng tôi đã mất nhiều thời gian hơn vì chúng tôi muốn làm đúng. Mười hai tháng tới sẽ cho thấy liệu kỷ luật đó có trả lời hay không.

AI đang ngày càng viết, tối ưu hóa và gỡ lỗi mã. Bạn nhìn thấy điều này thay đổi vai trò của các nhà phát triển làm việc với cơ sở dữ liệu trong vài năm tới như thế nào?

Giá trị của việc biết cú pháp SQL đang giảm nhanh. Nếu AI có thể tạo ra một JOIN đa bảng phức tạp trong vài giây và xác định các chỉ mục bị thiếu từ nhật ký trong vài phút, thì giá trị của một kỹ sư không còn đến từ việc nhập SQL. Phần việc đó đang trở thành một hàng hóa.

Nhưng đây là sự tinh tế quan trọng mà những người ủng hộ tự động hóa hoàn toàn luôn bỏ qua. Một sai lầm của AI trên giao diện người dùng phía trước là một nút bị sắp xếp sai bạn có thể làm mới. Một sai lầm của AI trên cơ sở dữ liệu là một môi trường sản xuất bị xóa, một sự cố rò rỉ PII hoặc một sự cố giao dịch của toàn bộ doanh nghiệp.

Cơ sở dữ liệu chứa trạng thái. Chúng không tha thứ cho những ảo giác.

Sự bất đối xứng đó định nghĩa lại vai trò hoàn toàn. Trong hai đến ba năm tới, các nhà phát triển cơ sở dữ liệu và DBA sẽ tiến hóa từ các lập trình viên thành các kiến trúc sư và kiểm toán viên. Công việc chính của họ chuyển sang ba điều:

• Thiết kế các kiến trúc đáng tin cậy mà AI không thể suy luận về chúng một mình, vì nó thiếu ngữ cảnh kinh doanh.
• Thiết lập các rào cản an toàn và chính sách bảo mật cho các tác nhân AI chạm vào các hệ thống sản xuất.
• Đánh giá và kiểm tra mã mà máy tạo ra trước khi nó đến cơ sở dữ liệu.

Mô hình tinh thần mà tôi luôn quay lại: các kỹ sư sẽ quản lý các đội tác nhân AI. Các công cụ như dbForge sẽ phải phát triển từ các IDE truyền thống thành các trung tâm lệnh và kiểm toán. Công việc trở nên ít hơn về việc viết SQL thủ công và nhiều hơn về việc xem xét những gì AI tạo ra, xác thực và thực thi các ranh giới mà AI không thể vượt qua một cách an toàn.

Cơ hội chuyên môn ở đây là đáng kể. Các nhà phát triển谁 nâng cao kỹ năng lên kiến trúc và giám sát sẽ nhân giá trị thị trường của họ lên nhiều lần. Họ trở thành lớp không thể thiếu giữa năng suất AI và an toàn sản xuất. Premium trên chuyên môn cơ sở dữ liệu không biến mất; nó chuyển lên trên về thiết kế, quản trị và phán quyết, nơi AI không thể hoạt động một mình.

Điều gì là những hạn chế lớn nhất của các công cụ AI hiện tại trong quản lý cơ sở dữ liệu ngày nay, và bạn nhìn thấy những đột phá có ý nghĩa nhất đến từ đâu?

AI hiện tại vẫn còn bị kẹt trong tự động hóa bề mặt. Tạo ra một truy vấn SELECT cơ bản hoặc mã mẫu không còn ấn tượng. Vấn đề lớn hơn là hầu hết các hệ thống AI vẫn hành động như những người đánh máy mù quáng chứ không phải như các kiến trúc sư hệ thống. Chúng có thể tạo ra cú pháp, nhưng chúng không thực sự hiểu môi trường mà chúng đang hoạt động. Đột phá thực sự xảy ra khi AI bắt đầu suy luận về ngữ cảnh, phụ thuộc, trạng thái và logic kinh doanh cùng nhau.

Hiện tại, tôi thấy ba hạn chế lớn đang cản trở AI trong các môi trường cơ sở dữ liệu.

Thứ nhất, có vấn đề về ngữ cảnh. Các mô hình ngôn ngữ lớn có thể nhìn thấy các lược đồ, DDL và tên cột, nhưng chúng không thực sự hiểu các kế hoạch thực hiện, phân mảnh chỉ mục, mẫu phân phối dữ liệu hoặc logic kinh doanh thực sự đằng sau dữ liệu. Không có sự hiểu biết sâu sắc đó, nhiều lời khuyên tối ưu hóa trở thành đoán mò thống kê ngụy trang thành chuyên môn.

Thứ hai, có vấn đề về ảo giác, và các doanh nghiệp có gần như không có dung thứ cho nó ở lớp cơ sở dữ liệu. Một JOIN bị ảo giác có thể làm chậm các hệ thống sản xuất. Một UPDATE sai có thể xóa các bản ghi quan trọng. Ở cấp độ đó, ngay cả những thất bại nhỏ về độ chính xác cũng trở nên rất tốn kém rất nhanh.

Vấn đề thứ ba là an toàn và quản trị. Không có doanh nghiệp nghiêm túc nào sẽ dán các lược đồ sản xuất hoặc PII vào một công cụ AI công khai mà không có bảo đảm mạnh mẽ về cách ly dữ liệu và kiểm soát. Cho đến khi các nhà cung cấp giải quyết vấn đề này một cách chính xác, việc áp dụng AI trong các ngành công nghiệp được quản lý sẽ vẫn bị hạn chế.

Những đột phá có ý nghĩa sẽ đến khi AI chuyển từ việc tạo ra cú pháp sang hoạt động giống như một kiến trúc sư hoặc nhà phân tích cấp cao.

Một phần của điều đó là lớp ngữ nghĩa: chuyển từ tên bảng thô sang ý nghĩa kinh doanh thực sự. Không chỉ là “bảng_users”, mà là hiểu các khái niệm như nhóm khách hàng, rủi ro hủy bỏ, hoặc xu hướng LTV quý 3.

Một sự thay đổi khác là AI hoạt động giống như một DBA cấp cao trong nền. Liên tục phân tích các khối lượng công việc, xác định các điểm nghẽn, đề xuất chỉ mục, phát hiện các truy vấn rủi ro và bắt các vấn đề trước khi hệ thống thất bại.

Rồi bạn có các hoạt động máy-tới-máy, nơi các tác nhân tự động theo dõi tải cơ sở dữ liệu, kiểm tra các chiến lược tối ưu hóa trong các môi trường bị cô lập và triển khai các cải tiến dưới sự giám sát của con người.

Đó là những phát triển sẽ định hình năm năm tới của các công cụ cơ sở dữ liệu.

Từ kinh nghiệm lãnh đạo doanh thu và chiến lược thị trường, AI đang thay đổi các mô hình định giá, đóng gói sản phẩm và thu hút khách hàng trong các công ty phần mềm như thế nào?

Cuốn sách chơi thị trường truyền thống đã bị phá vỡ. Chúng tôi thấy điều đó trong số liệu của chính mình và trên toàn bộ danh mục công cụ dev.

Cái chết của việc thu hút khách hàng cổ điển. Mặc dù có những cải tiến đáng kể trong xếp hạng tìm kiếm trên các sản phẩm của chúng tôi vào năm 2026, chúng tôi đang đạt đến hiện thực không có nhấp chuột. Tìm kiếm AI cung cấp câu trả lời trực tiếp trên trang kết quả và tước đi lưu lượng truy cập của các trang web. Xếp hạng mạnh không còn chuyển thành khách hàng tiềm năng như trước đây.

Năm năm trước, một chiến lược nội dung mạnh là đủ để thúc đẩy tăng trưởng. Ngày nay, đó là điều kiện tiên quyết. Các mô hình ngôn ngữ lớn đánh giá sức mạnh thương hiệu, đề cập tích cực và mật độ cộng đồng khi tạo ra câu trả lời. Nếu thương hiệu của bạn không có sẵn và được tin cậy, các hệ thống AI sẽ ngừng hiển thị bạn một cách nhất quán. Bạn không chỉ mất lưu lượng truy cập; bạn biến mất khỏi hành trình mua hàng hoàn toàn. Điều làm cho mọi thứ tồi tệ hơn là toàn bộ thị trường đã hoảng loạn vào quảng cáo trả tiền, đẩy CPC lên mức phi lý và im lặng phá hủy kinh tế đơn vị của hầu hết các công ty SaaS.

Sự thay đổi này đang ảnh hưởng đặc biệt đến các công ty công cụ dev truyền thống. Các kênh thu hút khách hàng được thúc đẩy bởi SEO mà đã tài trợ cho một thế hệ B2B SaaS đang mất hiệu quả nhanh chóng. Bất kỳ ai vẫn dựa vào chúng như một đòn bẩy tăng trưởng chính cần phải tích cực xây dựng các giải pháp thay thế ngay bây giờ: phân phối hệ sinh thái, cộng đồng và đối tác.

Thay đổi định giá: từ chỗ đến PLG 3.0. Chúng tôi đang bước vào giai đoạn tiếp theo của PLG. Định giá theo chỗ bắt đầu bị phá vỡ khi một tác nhân AI có thể thực hiện công việc của nhiều nhân viên. Trong môi trường đó, việc tính phí theo số lượng nhân viên không còn có ý nghĩa. Các công ty không tái đóng gói sản phẩm xung quanh giá trị thay vì số lượng nhân viên sẽ mất MRR trong 24 tháng tới.

Bước tiếp theo là PLG 3.0: thời điểm khi một tác nhân AI tự động, không phải con người, đánh giá, thử nghiệm và mua phần mềm doanh nghiệp. Việc áp dụng hàng loạt mẫu này vẫn còn vài năm nữa, nhưng việc kiến trúc sản phẩm và định giá cho người mua máy là một nhiệm vụ năm 2026, không phải năm 2028.

Nhiều tổ chức gặp khó khăn khi chuyển từ thử nghiệm AI sang tác động sản xuất thực sự. Những yếu tố chính nào quyết định liệu các sáng kiến AI có thực sự thành công hay không?

Hầu hết các tính năng AI thất bại trước khi chúng được xây dựng. Chúng thất bại trong phòng nơi ai đó nói “chúng tôi cần AI trong sản phẩm này”, không phải vì người dùng yêu cầu, mà vì hội đồng quản trị muốn một câu chuyện AI hoặc tiếp thị nghĩ rằng nó sẽ thu hút khán giả mới. Đó là tội nguyên thủy của hầu hết các sáng kiến AI, và nó định hình mọi thứ tiếp theo.

Tôi tiếp tục thấy những sai lầm相同 được lặp lại trong các công ty gặp khó khăn khi chuyển AI từ thử nghiệm sang tác động sản xuất thực sự.

Sai lầm đầu tiên là xây dựng các tính năng AI mà không ai yêu cầu. Một khi một tính năng AI được yêu cầu mà không có nhu cầu thực sự từ người dùng, nhóm làm việc ngược lại từ công nghệ để tạo ra một trường hợp sử dụng. Kết quả là có thể dự đoán được: một bảng trò chuyện được gắn vào một UI hiện có, một tự động hoàn thành gây khó chịu, một nút “tóm tắt” tạo ra đầu ra tồi hơn so với những gì người dùng có thể viết bản thân.

Sai lầm thứ hai là các đội đánh giá thấp sự khác biệt giữa dữ liệu demo sạch và dữ liệu sản xuất thực sự. Các demo AI chạy trên các ví dụ được chăm sóc cẩn thận. Sản xuất chạy trên thực tế hỗn độn của dữ liệu khách hàng: bản sao, trường bị thiếu, mười cách khác nhau để đánh vần cùng một sản phẩm, mười lăm năm các trường hợp cạnh legacy.

Một mô hình đạt được độ chính xác ấn tượng trong đánh giá có thể suy giảm nghiêm trọng trên dữ liệu trực tiếp, và hầu hết các đội không phát hiện ra điều này cho đến khi người dùng phàn nàn. Chi phí của việc khám phá đó trong niềm tin sản xuất là hiếm khi có thể phục hồi.

Điểm thất bại chung khác là nghiên cứu người dùng. Các cuộc phỏng vấn sản phẩm tiêu chuẩn không hoạt động cho các tính năng AI. Người dùng không thể diễn đạt những gì họ muốn từ AI vì họ không biết những gì có thể xảy ra. Hỏi “bạn có sử dụng AI để làm X không?” nhận được câu trả lời đồng ý lịch sự có giá trị dự đoán thấp cho việc áp dụng. Nghiên cứu sản phẩm AI hiệu quả đòi hỏi phải trình bày các nguyên mẫu, quan sát việc sử dụng thực tế và đo lường xem người dùng có quay lại sau khi tính mới mẻ biến mất hay không. Few đội sản phẩm đã xây dựng lại thực tiễn nghiên cứu của họ cho điều này. Họ vẫn chạy các cuốn sách chơi năm 2019 trên các vấn đề năm 2026.

Và cuối cùng, nhiều công ty đo lường hoạt động AI thay vì tác động kinh doanh. “Hai trăm người đã sử dụng tính năng AI này tuần này” là một chỉ số áp dụng, không phải là chỉ số tác động. Tác động thực sự là thời gian chu kỳ giảm, chất lượng cải thiện, doanh thu tạo ra hoặc chi phí loại bỏ. Nếu bạn không thể vẽ một đường thẳng từ tính năng AI đến một số trên P&L, bạn không có tác động sản xuất. Bạn có một hoạt động tốn kém.

Đó là năm yếu tố quyết định liệu các sáng kiến AI có thành công hay không.

Devart hoạt động trên nhiều hệ sinh thái cơ sở dữ liệu. Làm thế nào AI có thể giúp đơn giản hóa sự phức tạp ngày càng tăng của việc quản lý dữ liệu trên các nền tảng khác nhau?

Đau đớn là có thực. Một công ty Fortune 500 điển hình chạy tám đến mười hai động cơ cơ sở dữ liệu khác nhau đồng thời: Oracle cũ cho tài chính, PostgreSQL cho dịch vụ mới, SQL Server cho hoạt động, Snowflake hoặc BigQuery cho phân tích và ngày càng có một cửa hàng vector cho các bản nhúng. Mỗi cái có ngôn ngữ riêng, công cụ riêng, chế độ quản trị riêng. Một nhà phát triển tham gia môi trường đó có thể dành ba tháng chỉ để tìm hiểu nơi dữ liệu sống và ai được phép chạm vào nó.

AI không giải quyết sự phức tạp đó một mình. Nó khuếch đại bất kỳ ngữ cảnh nào nó được đưa vào. Tám cơ sở dữ liệu không kết nối tạo ra tám tập hợp gợi ý riêng biệt và nông. Đó chính xác là chế độ thất bại chúng tôi thấy trong hầu hết các triển khai AI doanh nghiệp trên các ngăn xếp.

Cơ hội là một lớp ngữ cảnh nằm giữa các tác nhân AI và các cơ sở dữ liệu cơ bản. Một lớp có thể nói với tất cả, chuẩn hóa siêu dữ liệu, thực thi các chính sách quản trị thống nhất và hiển thị một giao diện MCP sạch để bất kỳ tác nhân AI nào, dù là Claude, GPT hay một mô hình nội bộ, làm việc trên toàn bộ tài sản với các quy tắc nhất quán.

Đó là kiến trúc chúng tôi đang xây dựng hướng tới với AI Connectivity: một máy chủ MCP trên cơ sở để hỗ trợ đa cơ sở dữ liệu, một lớp ngữ nghĩa nắm bắt các định nghĩa kinh doanh một lần thay vì buộc mỗi tác nhân AI phải học lại chúng, kiểm soát truy cập dựa trên vai trò ở cấp độ hoạt động SQL và nhật ký kiểm toán đầy đủ.

Đơn giản hóa không phải là miễn phí. Ai đó vẫn phải xây mô hình lớp ngữ nghĩa và thiết lập chính sách. Nhưng công việc đó chỉ xảy ra một lần, không phải lặp đi lặp lại cho mỗi tác nhân AI bạn thêm vào.

Bạn đã lãnh đạo các đội chức năng lớn. AI đang thay đổi sự hợp tác và ra quyết định nội bộ giữa sản phẩm, kỹ thuật, tiếp thị và bán hàng như thế nào?

Hầu hết sự ma sát giữa các chức năng là những người chờ đợi thông tin từ các đội khác. AI làm giảm sự ma sát đó nhanh hơn bất kỳ khuôn khổ quản lý nào có thể.

Các thay đổi là thực tế và ngay lập tức.

Trong sản phẩm và kỹ thuật: một người quản lý sản phẩm hỏi một câu hỏi cơ sở dữ liệu bằng ngôn ngữ kinh doanh thông thường, “sự biến động LTV trên ba cấp giá cao nhất của chúng tôi là gì?”, và nhận được câu trả lời có thể hành động ngay lập tức, thay vì gửi một vé Jira cho phân tích và chờ ba ngày.

Trong tiếp thị và dữ liệu: phân tích nhóm xảy ra trực tuyến, không thông qua hàng đợi yêu cầu. Người quản lý tiếp thị hỏi, nhận được số liệu và xây dựng chiến dịch, tất cả trong cùng một buổi sáng.

Trong bán hàng và kỹ thuật: các câu trả lời kỹ thuật cho các khách hàng tiềm năng không còn yêu cầu gọi cho một kỹ sư cao cấp. Người đại diện bán hàng nhận được câu trả lời kỹ thuật có uy tín trong thời gian thực, và chu kỳ giao dịch bị nén.

Quyết định di chuyển vào cuộc trò chuyện chứ không phải vào phần tiếp theo. Mẫu “Hãy để tôi quay lại với bạn với số đó” đang chết. Các cuộc họp bị thu hẹp vì AI xử lý các bản tóm tắt và tóm tắt mà trước đây đã tiêu tốn nửa đầu của mỗi phiên.

Điều này buộc một sự thay đổi quản lý sâu sắc hơn, và đó là điều mà hầu hết các đội lãnh đạo đánh giá thấp.

Mọi công ty đều tuyên bố rằng họ tập trung vào kết quả. Hãy nhìn dưới mui xe và hầu hết vẫn chạy trên các chỉ số thay thế: điểm câu chuyện, dòng mã, vé đóng, giờ được đăng nhập. Chúng tôi sử dụng hoạt động như một chỉ số thay thế cho giá trị vì giá trị thực sự khó đo lường. AI phá vỡ chỉ số thay thế đó vĩnh viễn. Khi một tác nhân có thể viết 10.000 dòng mã hoặc đóng 500 vé hỗ trợ trong một phút, việc đo lường hoạt động trở nên cực kỳ误 dẫn.

Chúng tôi đang chuyển sang Quản lý Hướng tới Kết quả Thực sự, nơi hiệu suất được đo lường nghiêm ngặt bởi kết quả và phán quyết. Độc ác trong thực tế, vì hầu hết các hệ thống hiệu suất không được xây dựng cho điều đó. Những người từng che giấu đằng sau hoạt động cao trở nên rõ ràng ngay lập tức, và lãnh đạo phải sẵn sàng hành động dựa trên sự rõ ràng đó.

Kết quả cấu trúc là các biểu đồ tổ chức phẳng hơn. Các lớp điều phối và định tuyến thông tin bị nén. Các tổ chức thích nghi nhanh nhất sẽ hoạt động với cấu trúc ít người hơn nhưng có đòn bẩy cao hơn.

Với sự trỗi dậy của các công cụ phát triển hỗ trợ AI và không cần mã, chúng ta có đang hướng tới một tương lai nơi quản lý cơ sở dữ liệu trở nên dễ tiếp cận với người dùng không kỹ thuật không?

Hiện tại có một sự nhầm lẫn nguy hiểm trong ngành. Người ta đối xử với một cơ sở dữ liệu dự án phụ và một cơ sở dữ liệu doanh nghiệp legacy như thể chúng giống nhau. Chúng không giống nhau.

Đối với các dự án xanh nhỏ, dân chủ hóa đã ở đây. Tôi đã xây dựng các ứng dụng nhỏ từ đầu đến cuối mà không cần kỹ năng quản lý cơ sở dữ liệu chuyên sâu. Nếu toàn bộ lược đồ của bạn phù hợp trong cửa sổ ngữ cảnh của LLM, AI hoạt động như魔法. Các nhà phát triển công dân xây dựng các công cụ nội bộ ở quy mô nhỏ sẽ là một thể loại thực sự và ngày càng tăng.

Hiện thực doanh nghiệp là hoàn toàn khác. Các cơ sở dữ liệu legacy khổng lồ phải đối mặt với cùng một vấn đề như các cơ sở mã monolithic: tường ngữ cảnh. Bạn không thể phù hợp mười lăm năm tiến hóa lược đồ, phụ thuộc cơ sở dữ liệu chéo và logic tùy chỉnh vào một lời nhắc. Khi AI mất ngữ cảnh trên một cơ sở dữ liệu lớn, các ảo giác không suy giảm một cách tinh tế. Chúng nhân lên theo cấp số nhân.

Rủi ro không được thảo luận nhiều là sự tự tin sai lầm ở quy mô. Các giao diện ngôn ngữ tự nhiên đặc biệt tốt trong việc tạo ra các câu trả lời trông có vẻ hợp lý nhưng thực sự sai. Nếu một truy vấn SQL có lỗi cú pháp, bạn sẽ nhận được thông báo lỗi. Nếu một giao diện ngôn ngữ tự nhiên hiểu sai “khách hàng hoạt động” vì dữ liệu của bạn có sáu định nghĩa khác nhau về hoạt động, bạn sẽ nhận được một số. Số đó trông ổn. Nó có thể sai 30%. Người dùng không có cách nào để biết.

Vậy, không, quản lý cơ sở dữ liệu doanh nghiệp không trở thành một sân chơi cho người dùng không kỹ thuật.

Citizen DBA là một huyền thoại ở quy mô.

Tương lai thuộc về các kiến trúc sư dữ liệu chuyên nghiệp sử dụng các công cụ chuyên nghiệp để bắc cầu khoảng cách ngữ cảnh và xây dựng cơ sở hạ tầng cho phép AI hoạt động an toàn trên đó.

Giải pháp cấu trúc là lớp ngữ nghĩa: một từ vựng được kiểm soát nơi các định nghĩa kinh doanh được cố định một lần và tái sử dụng trên mọi tương tác AI. Đó là kiến trúc cốt lõi chúng tôi đang xây dựng vào Insightis. Không có nó, tính khả dụng trở thành một trách nhiệm.

Nhìn về tương lai, một bộ công cụ “AI bản địa” sẽ trông như thế nào, và các đội nên bắt đầu chuẩn bị cho sự thay đổi đó như thế nào ngay hôm nay?

Một bộ công cụ AI bản địa không phải là một bảng trò chuyện được gắn vào một IDE. Hầu hết những gì được tiếp thị là “AI bản địa” ngày nay là một giao diện trò chuyện cộng với một mô hình tự động hoàn thành. Đó là điều kiện tiên quyết, không phải là điểm đến.

Đối với tôi, một bộ công cụ AI bản địa thực sự cần ba điều.

Thứ nhất, AI cần ngữ cảnh sâu. Nó phải hiểu cơ sở mã của bạn, cơ sở hạ tầng của bạn, các quyết định lịch sử của bạn và môi trường dữ liệu của bạn liên tục, không chỉ thông qua các lời nhắc được dán vào một cửa sổ trò chuyện. Hầu hết các công cụ hiện tại không đạt được tiêu chuẩn này. Ngữ cảnh của chúng reset với mỗi phiên, và người dùng phải trả giá cho việc xây dựng lại nó liên tục.

Thứ hai, các công cụ cần phải giao tiếp với nhau một cách chính xác. IDE của bạn phải nói chuyện với cơ sở dữ liệu của bạn, cơ sở dữ liệu phải nói chuyện với ngăn xếp quan sát của bạn và CI/CD phải nói chuyện với người xem AI của bạn, v.v. Giao thức ngữ cảnh mô hình đang trở thành lớp chuẩn ở đây, với 97 triệu lượt tải SDK mỗi tháng trong Q1 năm 2026, tăng từ 100.000 vào cuối năm 2024. Đó là sự tăng trưởng 970 lần trong 15 tháng và đường cong áp dụng dốc nhất tôi đã từng thấy trong cơ sở hạ tầng nhà phát triển.

Thứ ba, AI cấp sản xuất đòi hỏi các hàng rào an toàn nghiêm ngặt. Xem trước bán kính nổ trước các hoạt động phá hủy. Phân tích phụ thuộc. Kế hoạch tự động cuộn lại. Nhật ký kiểm toán theo mặc định. AI không có những thứ này là ổn ở mức prototype và nguy hiểm trong sản xuất.

Làm thế nào để chuẩn bị, cụ thể.

Kiểm tra ngăn xếp của bạn đối với ba thành phần này. Mỗi công cụ có lộ diện API và MCP không? Nó có nói chuyện với người khác hay ngồi trong một ngăn xếp? Nó có các kiểm soát an toàn không? Các công cụ không đạt được hai trong số ba là tài sản ngắn hạn.

Xây dựng cơ sở hạ tầng ngữ cảnh ngay bây giờ. Tài liệu lược đồ, định nghĩa kinh doanh và quyết định kiến trúc trong các định dạng có thể đọc được bằng máy. Ngữ cảnh phong phú không được xây dựng trong một quý. Các đội có AI có nó vào năm 2027 là những đội đang ghi lại ngày hôm nay.

Chạy AI trong sản xuất trước khi bạn nghĩ bạn đã sẵn sàng. Các đội chờ một “chiến lược AI” chính thức trước khi vận chuyển sẽ chậm hơn 18 tháng so với các đội đã học hỏi từ những thất bại sản xuất thực sự. Chọn một trường hợp sử dụng rủi ro thấp. Vận chuyển nó. Xây dựng cơ.

Các đội đưa ra những quyết định này ngày nay sẽ định hình thập kỷ tiếp theo về cách phần mềm được xây dựng. Cửa sổ đang hẹp, và nó đang mở ngay bây giờ.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Devart.