Технический контекст
Я посмотрел свежее интервью с Мартином Клеппманном не ради общих рассуждений про AI. Меня интересовало другое: как человек из мира data-intensive systems переупаковывает свои принципы под AI implementation, когда модели уже лезут в данные, workflow и внутренние API.
И вот здесь стало интересно. Клеппманн не продает магию, он фактически говорит: если AI должен что-то менять в системе, ему нельзя просто дать доступ к базе и надеяться на лучшее.
Его линия очень здравая: модели должны работать через безопасные интерфейсы, где изменения можно проверить, обсудить и смержить, почти как код. Для меня это сильный сигнал: нормальная AI automation в серьезных продуктах будет строиться не вокруг “агент сам все сделал”, а вокруг контролируемых операций с понятным audit trail.
Второй важный кусок касается самих данных. Классическая архитектура уже не закрывает все AI-нагрузки, потому что рядом с обычными индексами теперь живут embeddings, векторный поиск, semantic search и RAG. Плюс мультимодальные данные, для которых старые storage-форматы часто неудобны или просто тормозят.
Еще один акцент, который мне близок: не надо терять понимание низкого уровня. Когда вокруг слишком много абстракций и AI-инструментов, команда быстро забывает, как реально устроены storage engine, replication, consistency и компромиссы multi-region. А потом удивляется, почему агент красиво пишет код, но система рассыпается под нагрузкой.
При этом Клеппманн не отказывается от базы DDIA. Репликация остается ключевой, ручной шардинг уже не выглядит универсальным героем, особенно в облаке и на больших машинах. Новое не отменяет фундамент, а наслаивается поверх него.
Что это меняет для бизнеса и автоматизации
Я бы выделил три практических вывода. Первый: если вы строите AI solutions for business, слой данных теперь надо проектировать сразу под retrieval, review и безопасное внесение изменений, а не прикручивать это потом.
Второй: выигрывают команды, которые не путают демо с продом. Проигрывают те, кто дает агентам слишком много свободы без API-границ, журналирования и человеческого контроля.
Третий: цена ошибки растет. Неправильная AI integration сегодня бьет не только по UX, но и по данным, процессам и юридическим рискам.
Я как раз такие узкие места и разбираю в проектах Nahornyi AI Lab: где нужен RAG, где хватит нормального поиска, где нужен агент, а где лучше жесткий workflow. Если у вас AI automation уже упирается в хаос данных или опасные права доступа, можно спокойно сесть и собрать архитектуру так, чтобы она реально помогала бизнесу, а не создавала новый класс проблем.