Биг Дата умерла. Да здравствует Смол Дата
Помните те времена, когда архитектура сводилась к выбору между Hadoop и Spark? Когда главной задачей было впихнуть невпихуемое в очередной Data Lake? Забудьте. Сейчас главный тренд — не собирать всё подряд, а собирать правильно. AI научился работать с малыми, но чистыми данными. И это меняет всё.
Почему? Потому что 80% вашего Big Data Lake — мусор. Нет, серьёзно. Неструктурированные логи, устаревшие дампы, дубликаты таблиц, которые никто не чистил. AI-модели на этом учатся плохо. А на 20% качественных данных — отлично.
Парадокс: чтобы накормить «прожорливый» ИИ, нужно меньше данных, но лучшего качества. Архитекторы теперь не строят хранилища — они проектируют конвейеры очистки и верификации.
Data Lakehouse: не модное слово, а побег от кошмара
Data Lakehouse — это не просто гибрид озера и хранилища. Это признание того, что старая модель сломалась. Вы не можете кидать сырые данные в озеро и надеяться, что аналитики разберутся. Особенно когда этими данными должен питаться ИИ.
Вспомните кейс с Gemini, который чуть не удалил продовую базу. Вина ИИ? Нет. Вина архитектуры, которая позволила ИИ получить доступ к тому, к чему доступ давать не стоило. Исполняемая архитектура — это когда правила безопасности и governance вшиты в саму структуру, а не в документацию, которую никто не читает.
Архитектор 2026: не чертёжник, а дирижёр
Раньше архитектор рисовал диаграммы в Visio, писал сотни страниц ТЗ и молился, чтобы разработчики хоть что-то поняли. Сегодня его главный инструмент — не Visio, а AI-ассистент, который превращает высокоуровневые описания в работающий код, конфиги инфраструктуры и даже тесты.
Это и есть True Tech Arch — исполняемая архитектура. Вы не описываете, как должна работать система. Вы описываете правила, ограничения, цели. А ИИ-инструменты, вроде тех, что обсуждались в статье про Deep Research агентов, генерируют конкретную реализацию под заданные параметры.
| Старая роль (Big Data Era) | Новая роль (AI + Small Data Era) |
|---|---|
| Проектирование монолитных хранилищ | Проектирование потоковых конвейеров качества данных |
| Написание статической документации | Создание живых спецификаций для AI-ассистентов |
| Ручной контроль за соблюдением стандартов | Внедрение исполняемых политик (Policy as Code) |
| Фокус на масштабировании (scale-up/out) | Фокус на интеллектуальности системы (AI-ready) |
Коммуникации: главный баттл архитектора теперь не с менеджером, а с ИИ
Самая сложная часть работы сместилась. Раньше нужно было объяснять бизнесу, почему его хотелки невозможны. Теперь нужно объяснять ИИ, какую архитектуру ты хочешь получить. Промпт-инжиниринг для архитекторов — новый must-have навык.
«Создай отказоустойчивую микросервисную архитектуру для обработки платежей с SLA 99.95%» — это слишком абстрактно. ИИ нагенерирует типовой шаблон. Нужно детальнее: «Создай архитектуру из 3 изолированных сервисов (приём, валидация, исполнение) на Kotlin с gRPC, кэшированием в Redis, очередью в Kafka для асинхронных повторных попыток и мониторингом через Prometheus. Учти практики интеграции AI для Enterprise».
Ирония в том, что лучшим архитектором становится не тот, кто знает все технологии, а тот, кто лучше всего формулирует задачи для AI-ассистента. Словарь и точность формулировок выходят на первый план.
Что делать сейчас? Три шага, которые не отнимут бюджет
Ждать, пока тренд пройдёт мимо? Плохая идея. Особенно после прогнозов на 2026 год. Начинать нужно с малого.
1 Аудит данных на «AI-пригодность»
Возьмите один ключевой процесс. Найдите данные, которые его питают. Сколько там шума? Сколько времени нужно, чтобы очистить их для обучения модели? Если больше недели — у вас проблема с архитектурой данных. Начинайте проектировать конвейер Data Quality, а не новое хранилище.
2 Автоматизируйте рутину через Policy as Code
Выберите одно простое правило архитектуры. Например, «все внешние API-вызовы должны иметь circuit breaker». Не пишите об этом в Confluence. Опишите это правилом для инструмента вроде Checkov или Terrascan. Пусть ИИ-ассистент при код-ревью проверяет его автоматически. Архитектура начинает исполняться сама.
3 Начните диалог с ИИ о вашей системе
Загрузите документацию вашего текущего сервиса в ChatGPT, Claude или локальную модель. Попросите проанализировать её с точки зрения устойчивости, безопасности, масштабируемости. Не слепо доверяйте ответу. Анализируйте вопросы, которые задаёт ИИ. Если он спрашивает про вещи, которых нет в вашей доке, — это gap в вашем архитектурном мышлении. Как говорится в статье про плато возможностей AI, модели становятся критиками, а не только генераторами.
Самый неочевидный прогноз
Через два года топовых архитекторов будут оценивать не по знанию паттернов, а по качеству их промптов и дизайну наборов данных для обучения корпоративных ИИ. Ваше резюме будет состоять не из списка успешно внедрённых Kafka и Kubernetes, а из описания созданных вами «чистых» data-продуктов и исполняемых политик, которые сэкономили компании N миллионов, предотвратив инциденты.
Архитектура перестаёт быть теорией. Она становится работающим кодом, который пишут не только люди. Ваша задача — не написать этот код, а сделать так, чтобы ИИ написал его правильно. Дирижируйте. Или вас заменят на того, кто умеет.
