Разработчики создают приложения искусственного интеллекта с головокружительной скоростью, но у большинства организаций нет инфраструктуры или операционных возможностей для их внедрения в производство. По мнению Филипа Меррика, соучредителя, директора по продуктам и председателя pgEdge, в значительной степени в неудачах ИИ-проектов виновата инфраструктура данных, сообщает портал The New Stack.
Скептики любят критиковать технологию ИИ за неспособность приносить значимые бизнес-результаты, часто ссылаясь на исследования, подобные исследованию MIT NANDA, которое показало 95%-ный уровень неудач корпоративных решений в области ИИ, или на исследование IDC, в котором говорится, что «только 9% организаций [в Европе, на Ближнем Востоке и в Африке] смогли добиться измеримых бизнес-результатов от большинства своих проектов, связанных с ИИ, за последние два года».
Многие ИИ-скептики не учитывают экспериментальный характер прототипов ИИ; не все эти проекты предназначены для дальнейшего развития после этапа тестирования. Тем не менее, 5% успеха — это позор.
В чем загвоздка?
Две вещи. Во-первых, большинство организаций создают прототипы ИИ «на песке»; то есть, инфраструктура данных, на которой они создают ранние приложения, не может поддерживать последующий переход к производству. В то же время операционным командам, ответственным за управление этими приложениями в производстве, часто не хватает человеческих ресурсов, чтобы справиться с растущим объемом работы инженеров.
Четыре причины, почему инфраструктура прототипирования ≠ производственная инфраструктура
На вопрос о том, почему так много прототипов ИИ не доходят до производства, Филип Меррик отвечает, что в значительной степени виновата инфраструктура данных. В частности, он объясняет, что среды прототипирования не соответствуют требованиям крупных предприятий к производству, называя четыре основных причины их недостатков.
Во-первых, средам прототипирования не хватает гибкости развертывания, необходимой организациям для перехода от прототипа к производству.
Меррик признает, что управляемые поставщиками облачные платформы могут показаться очевидным выбором для прототипирования, поскольку они позволяют командам быстро начать работу. Тем не менее, он предупреждает, что им не хватает технических возможностей для поддержки приложений ИИ в производстве, особенно в областях безопасности, соответствия нормативным требованиям и управления. В частности, для организаций в сфере здравоохранения, финансов или других регулируемых отраслей, управляемые облачные платформы часто не обладают тем строгим уровнем контролем, который присутствует в самоуправляемых облачных или локальных средах.
Таким образом, гибкость и безопасность идут рука об руку, утверждает Меррик: «Вы должны иметь возможность выбирать, каким образом в конечном итоге прототип ИИ будет внедрен в производство».
Он отмечает, что когда приходит время перехода к производству, управляемые облачные платформы могут создавать проблемы суверенитета данных как на уровне предприятия, так и на региональном уровне. По его словам, среды, которые большинство команд используют для создания прототипов, недостаточно прозрачны: «Если это платформа, управляемая поставщиком, и никто не знает, в каком облаке и в каком регионе она находится, то вы теряете контроль над данными».
Наконец, Меррик обращает внимание на надежность, объясняя, что прототипы ИИ не могут быть внедрены в производство без гарантии высокой доступности. Например, когда приходит время обновить базу данных или заменить оборудование, можно ли это сделать без простоя?
«В мире облачных решений, управляемых поставщиками, ответ на этот вопрос почти всегда отрицательный», — говорит Меррик, акцентируя внимание на том, что для перехода приложений ИИ от прототипа к производству требуется инфраструктура корпоративного уровня.
Так почему же разработчики создают прототипы там, где они не могут внедрить их в производство?
Если именно выбор инфраструктуры данных мешает разработчикам перевести прототипы ИИ в производство, то почему они постоянно начинают с неправильного подхода?
Как объясняет Меррик, многих привлекает простота использования управляемых облачных платформ: «Эти среды для прототипирования, безусловно, значительно упрощают начало работы». Но, похоже, упрощение прототипирования не окупается в долгосрочной перспективе, поскольку в конечном итоге ответственность за подготовку этих прототипов к производству ложится на кого-то другого.
Тем не менее, Меррик не винит разработчиков за поиск лёгкого пути. Скорее, он говорит о разрыве между площадкой для прототипирования и полем битвы за производство, который мешает разработчикам понять, что потребуется для внедрения прототипов в производство в будущем.
По его словам, много лет назад решения о выборе инструментов принимались преимущественно сверху вниз, без участия разработчиков: «Затем, где-то
Проблема сейчас, утверждает Меррик, заключается в том, что разработчики принимают решения о выборе инструментов исключительно для прототипирования, не предвидя потребностей производства. Внутреннее разделение означает, что разработчики часто отвечают только за создание прототипов, прежде чем передать эстафету совершенно отдельной операционной команде: «В итоге, в некоторых организациях отсутствует сквозная цепочка понимания производственных требований начиная с момента принятия разработчиком первоначального решения».
Для Меррика именно этот разрыв является причиной сбоев ИИ-проектов, поскольку командам приходится пытаться перенести прототипы ИИ с доступных, но неадекватных управляемых облачных платформ на корпоративную инфраструктуру данных, отвечающую требованиям гибкости развертывания, безопасности, суверенитета данных и высокой доступности.
«Но если вы сделаете правильный выбор инфраструктуры данных, этого несоответствия не будет, — говорит он, — потому что у вас будет сквозная связь от прототипа до производства».
Меррик считает Postgres инфраструктурой данных, которая лучше всего помогает разработчикам преодолеть этот разрыв, называя её «швейцарским армейским ножом среди баз данных» из-за её расширяемости, полностью открытого исходного кода и способности решать разнообразные задачи управления данными, от неструктурированных данных до векторных представлений и геопространственных данных.
Место и способ запуска Postgres также имеют значение, отмечает он, снова обращая внимание на ограничения многих управляемых поставщиками облачных сред, которым часто не хватает механизмов управления для удовлетворения требований к данным и/или гибкости развертывания для перехода к соответствующим требованиям локальных или собственных облачных сред.
Но выбор правильной инфраструктуры данных решает только половину проблемы
Меррик говорит, что есть еще одна часть уравнения, которую большинство организаций упускают из виду: люди, а точнее, администраторы баз данных (DBA) и их растущая рабочая нагрузка.
Согласно опросу Stack Overflow «2025 Developer Survey», инструменты ИИ используют 84% респондентов, по сравнению с 76% годом ранее. Между тем, Supabase утверждает, что более 60% баз данных на ее платформе были запущены «с помощью какого-либо инструмента ИИ». Как отмечает Меррик, этот взрывной рост производительности имеет свою загвоздку: администраторов баз данных недостаточно, чтобы справиться с этим.
«Произошел колоссальный, гигантский скачок в производительности разработчиков, — объясняет он. — Но вам нужен какой-то способ управления этим на стороне производства; эти базы данных не могут оставаться без мониторинга». По его словам, команды эксплуатации и администрирования уже испытывали трудности с отслеживанием существующих баз данных Postgres до того, как внедрение агентной инженерии усугубило ситуацию: «Кто будет ими управлять?». Он говорит, что настало время для того, чтобы агентные операции догнали агентный инжиниринг.
ИИ-агенты DBA могут наделить людей «сверхспособностями»
Может показаться, что Меррик предлагает организациям использовать полностью автономных агентов DBA для управления базами данных, но он говорит, что отрасль еще не готова: «Мир не готов к полностью автономным базам данных, управляемым ИИ-агентами DBA. Однако существует огромная нехватка ресурсов и проблема производительности, а DBA могут управлять лишь ограниченным количеством баз данных», — объясняет он. Между тем, новые «приложения ИИ требуют гораздо большего количества баз данных в производстве».
Итак, как организации могут увеличить свои операционные возможности?
Меррик говорит, что администраторам баз данных следует обратить внимание на новых ИИ-агентов DBA не для того, чтобы они взяли на себя управление, а для того, чтобы они наделили их «сверхспособностями» для мониторинга и управления бóльшим количеством баз данных с меньшим количеством ручной работы.
Таким образом, ИИ-агенты DBA должны повысить эффективность работы операционных команд, которые, по мнению Меррика, остро нуждаются в экспертных знаниях в области администрирования баз данных. В подтверждение его слов некоторые отраслевые прогнозы говорят о том, что 41% современных специалистов по базам данных намерены покинуть отрасль в течение следующего десятилетия, половина из них уйдет на пенсию, а остальные будут искать другую работу.
Меррик утверждает, что без агентов ИИ работа DBA останется утомительной, трудоемкой и отнимающей много времени. Как он объясняет, база данных может работать отлично, но когда возникает проблема, она может затронуть множество приложений; тогда DBA приходится просматривать данные мониторинга, чтобы выявить и диагностировать проблему, по сути, ища иголку в стоге сена.
«Агент, — говорит Меррик, — может реагировать на эти оповещения гораздо быстрее и продуктивнее, чем человек».
Инфраструктура и люди: для повышения успешности прототипов ИИ нужны обе стороны
Почти в любом контексте ИИ поднимает вопросы о качестве, а не о количестве, и корпоративные ИИ-проекты не являются исключением. Агентная инженерия означает, что разработчики теперь могут создавать больше, но все эти прототипы не попадают прямиком в производство. Ограничения как в инфраструктуре, так и в операционной рабочей силе создают препятствия, из-за которых многие прототипы ИИ терпят неудачу.
По мнению Меррика облегчение перехода от прототипа к производству требует не только отличных инструментов ИИ, но и готовой к производству инфраструктуры данных в сочетании с агентными операциями, способными идти в ногу с бумом агентного инжиниринга.
