Аргумент ManageEngine щодо надійності — це розмова для CFO, а не для CTO

Питання, яке кожен технічний лідер у Південно-Східній Азії має поставити своєму CFO цього кварталу, — не те, яку модель ліцензувати, а те, яка частина наступного AI-бюджетного циклу буде перенаправлена від плати за доступ до моделей назад у нудний базовий рівень: конвеєри даних, ідентифікація та спостережуваність. Саме таке переосмислення запропонував Раджеш Ганесан, CEO ManageEngine, під час вступного keynote на конференції ManageEngine Southeast Asia User Conference у Джакарті цього тижня. Звучить як стандартний вендорський наратив. Але якщо читати уважно — це насправді попередження для відділів закупівель.

Цифри

У keynote немає жодних доларових показників, і сама ця відсутність є головною темою. Як повідомляє Back End News з Джакарти, Ганесан присвятив свій виступ на сцені перефокусуванню уваги з витрат на моделі на готовність інфраструктури, назвавши якість даних одним із найбільших викликів, з якими стикаються організації, прагнучи досягти результатів у сфері AI. Для CEO компанії, що продає програмне забезпечення для управління IT, це цілком очікувана позиція. Але, на мою думку, вона також є напрямково правильною в аспектах, які ринок повільно враховує у своїх оцінках.

Розгляньмо те, що він окреслив. Організації по всій Південно-Східній Азії прискорюють впровадження AI, одночасно використовуючи суміш локальних систем і хмарних сервісів. Уряди регіону посилюють правила суверенітету даних, а це означає, що місце зберігання даних — тепер юридичне питання, а не лише архітектурне. Зростаючий попит на обчислювальні ресурси та збільшення енергоспоживання центрів обробки даних названі практичними обмеженнями для впровадження. Жодне з цих спостережень саме по собі не є новим. Але разом вони описують криву витрат, яка рухається у хибному напрямку для тих, хто вважав, що капіталовкладення в AI — це переважно стаття витрат на GPU.

Ганесан представив поточний момент як останній етап тривалішого шляху: організації оцифрували ручні процеси, потім автоматизували робочі процеси, потім покращили досвід співробітників і клієнтів. Наступна фаза, за його словами, — це системи, що приймають рішення та реагують із мінімальним втручанням людини. Це пропозиція щодо автономії. Відмінність від попередніх циклів трансформації полягає у залежності: автономія вимагає субстрату даних, достатньо чистого для того, щоб модель могла діяти без людини в контурі для виправлення помилок. «Якщо ваші дані не якісні, незважаючи на потужність AI-моделі, ви не побачите результатів», — сказав він, — «особливо таких результатів, як автономія, де ви хочете, щоб система вирішувала все сама».

Наслідок для юніт-економіки очевидний. Кожен долар, витрачений на доступ до передових моделей без відповідних інвестицій у якість даних, інтеграцію та спостережуваність, — це долар, що дає демо-результат, а не виробничий. Фінансові команди, які трактували витрати на AI як одну статтю, через приблизно два бюджетні цикли виявлять, що це три або чотири статті з дуже різними профілями ROI.

Що справді нового

Справді новий сигнал тут не в тому, що надійність важлива. Будь-хто, хто проводив платформну команду через аудит відповідності, знав це. Нове полягає в тому, що вендор із категорії IT-операцій тепер явно продає проти наративу «спочатку модель», і робить це на ринку, де гібридне розгортання є нормою, а не незручною спадщиною.

ManageEngine окреслив плани об'єднати свій портфель у єдину платформу, що охоплює управління сервісами, управління кінцевими точками, управління ідентифікацією та доступом, операції безпеки, спостережуваність та аналітику. Технологія Zia AI буде інтегрована в усю цю платформу для автоматизації рутинних задач, підвищення безпеки, оркестрування робочих процесів та допомоги IT-командам у прийнятті рішень. Якщо прибрати маркетинговий лиск, це описує гру на консолідацію, спрямовану саме на операційну поверхню, де AI-агенти або успішно працюватимуть у виробничому середовищі, або зазнають невдачі.

Ось чому це важливо для розрахунку «будувати vs купувати». Платформна команда, що розгортає автономні або напівавтономні робочі процеси, потребує, щоб ідентифікація, телеметрія кінцевих точок, сервісні тікети та дані спостережуваності використовували спільну схему. Якщо вони надходять від шести вендорів, інтеграційний «податок» — це те, де ваш AI-проект тихо помирає. Якщо від одного — ви успадковуєте ризик прив'язки, але отримуєте зв'язну шину подій. Жодна відповідь не є універсально правильною. Однак вибір — це те, що Головам платформ доведеться зробити у 2026 році, а не відкладати до 2028-го. Еталонні архітектури, як-от Google Cloud framework та відкриті стандарти, як-от OpenTelemetry, існують саме для того, щоб команди могли зберігати гнучкість, одночасно консолідуючись. Команди, які ігнорують ці стандарти заради швидкості, заплатять за це під час наступних переговорів про вендорський контракт.

Другим справді новим елементом є пропозиція прагматизму. «Простота все одно буде мати велике значення», — сказав Ганесан. «Вам не обов'язково орієнтуватися лише на найкращі доступні варіанти. Чи можете ви робити прагматичні вибори? Практичні, як-от використання кількох різних моделей або малих моделей для конкретних бізнес-функцій?» Це пряме спростування припущення, що передова модель завжди є правильним вибором за замовчуванням. Для регульованих галузей зокрема аргумент про малу модель для конкретної функції має реальну силу: дешевше інференсування, простіша оцінка, чіткіші межі даних і значно простіша розмова з юридичним відділом про те, де переміщаються вхідні та вихідні дані.

Що вже враховано для інженерних команд

Більшість досвідчених інженерів вже знають аргумент про якість даних. Це була кульмінаційна думка кожного ретроспективного розбору ML-проектів приблизно з 2017 року. Що ще не враховано, на мій погляд, — це наслідок для організаційної структури.

Якщо автономія залежить від надійності, а надійність — від даних плюс ідентифікації плюс спостережуваності плюс інтеграції, то команда, що відповідає за ці функції, тепер знаходиться на критичному шляху AI-дорожньої карти. У більшості платформних організацій у фінтеху та iGaming, які я бачу, ці функції розпорошені: інженерія даних підпорядкована аналітиці, IAM живе під безпекою, спостережуваність знаходиться у SRE, а інтеграція — це спільна відповідальність, якою насправді ніхто не займається. Це добре працює, коли результатом є дашборд. Але ламається, коли результатом є агент, що взаємодіє з виробничим середовищем.

Наслідок для ринку найму очевидний. Попит на старших платформних інженерів, які можуть охоплювати якість даних, IAM та спостережуваність без необхідності трьох тікетів для зміни схеми, до другої половини 2026 року перевищить пропозицію. Компенсація для такого профілю вже зростає, а кандидати, які можуть переконливо заявити про такі компетенції, отримують агресивні контрпропозиції. Команди, які вважали, що можна найняти кілька prompt-інженерів і вважати AI-ініціативу укомплектованою, чекає складний Q4.

Також враховано, але недооцінено, — це «податок» суверенітету даних. Акцент урядів Південно-Східної Азії на місці зберігання та обробки даних змінює топологію розгортання для будь-якого транскордонного продукту. Змішана локально-хмарна позиція, яку описав Ганесан, — це не перехідний стан, а кінцева точка. Інженери, що проектували виключно для хмари, будуть рефакторити.

Контраріанський погляд

Контраріанське прочитання полягає в тому, що це CEO вендора розповідає клієнтам купувати більше того, що продає його вендор, прикриваючись стратегічними порадами. У цьому є частка правди. ManageEngine безпосередньо виграє, якщо підприємства вирішать, що відповіддю на готовність до AI є єдина платформа управління IT із вбудованим AI. Кожна пропозиція щодо консолідації в корпоративному програмному забезпеченні завжди слідувала цьому сценарію.

Більш цікавий контраргумент — технічний. Якщо малі, функціонально-специфічні моделі плюс краща «сантехніка» даних справді є прагматичним шляхом, то переможцями можуть виявитися зовсім не платформні консолідатори. Ними можуть стати команди, що чудово вміють компонувати найкращі open-source компоненти: надійний рівень Postgres з хорошою дисципліною реплікації, нативна для OpenTelemetry спостережуваність, кілька малих моделей, налаштованих на внутрішніх даних. Такий стек дешевший, більш портативний і, що важливо, менш залежний від ризиків власної дорожньої карти вендора.

Моя чесна думка: обидва підходи можуть бути правильними для різних компаній. Фінтех із 200 співробітниками без виділеної функції IT-операцій отримає більше цінності від єдиного suite, ніж від збирання десяти open-source інструментів. Платформна організація з 2 000 співробітників і реальними інфра-талантами пошкодує про прив'язку вже через два контрактні цикли. Помилка полягає в припущенні, що ваша компанія та, яка не мусить вибирати.

Питання для стейкхолдерів цього тижня

Стейкхолдером, який має очолити це питання, є VP Engineering, а не Chief AI Officer. Питання, яке VP Eng має поставити на порядок денний виконавчої команди цього тижня, є прямим: який відсоток нашого AI-бюджету на наступні 12 місяців іде на доступ до моделей та інференсування, і який відсоток — на рівень даних, ідентифікації та спостережуваності, на якому ці моделі фактично працюватимуть? Якщо співвідношення гірше, ніж приблизно 1:2 на користь базової платформної роботи, план проекту є декларативним, а не операційним. Це розмова, за яку CFO дякуватиме вам у липні, а не в січні.

Ключові висновки

• Keynote Ганесана в Джакарті переосмислює готовність до AI як питання закупівлі інфраструктури, називаючи якість даних одним із найбільших блокерів для досягнення автономії.
• Крок ManageEngine до об'єднання управління сервісами, кінцевими точками, IAM, операцій безпеки, спостережуваності та аналітики в єдиній платформі з вбудованим Zia AI — це пряма гра на консолідацію проти мультивендорних IT-ops стеків.
• Суміш локальних і хмарних систем у Південно-Східній Азії разом із посиленням правил суверенітету даних робить гібридну архітектуру стабільним станом, а не перехідним етапом.
• Прагматична пропозиція використовувати малі, функціонально-специфічні моделі замість стандартного вибору передових варіантів має реальні переваги у вартості, оцінці та відповідності для інженерних команд у регульованих галузях.
• Команди, що оцінюють AI-платформи впродовж наступних 90 днів, мають запитати себе, чи можуть їхні рівні даних, ідентифікації та спостережуваності підтримувати автономне прийняття рішень, а не те, чи вибрали вони правильного вендора моделей.