Datadog ищет человека-оркестра. А может, нужен просто хороший AI?

Datadog ищет Partner Solutions Architect (EMEA).

Datadog — это, без преувеличения, один из титанов в мире observability, мониторинга и безопасности. Если у вас есть облачная инфраструктура, приложения, микросервисы — скорее всего, вы либо уже используете Datadog, либо как минимум его рассматривали. Компания настолько глубоко в данных и аналитике, что даже в своем описании упоминает «эру ИИ». Иронично, не правда ли?

Так какую же задачу они пытаются решить, разместив эту вакансию? Они ищут человека, который станет швейцарским ножом для их партнеров в регионе EMEA. Партнеры — это системные интеграторы, MSP, консультанты, которые продают и внедряют решения Datadog своим клиентам. Боль компании очевидна: как масштабировать экспертизу? Как сделать так, чтобы каждый партнер был так же хорошо обучен, как внутренний сотрудник, понимал все нюансы продукта, мог провести блестящее демо и правильно доносил ценность до клиента? Как собирать с сотен партнеров обратную связь и превращать ее в осмысленные запросы для команды разработки? Для этого и нужен человек-мост, человек-ментор, человек-переводчик с партнерского на инженерный.

А теперь давайте на секунду представим, что мы решаем эту задачу не наймом очередного «сеньора», а созданием системы. Назовем ее, скажем, «Цифровой Архитектор Партнерских Решений».

— Петрович, ты видел вакансию от Datadog? Ищут человека, чтобы он партнеров обучал, за ручку водил, демки им помогал готовить, выслушивал их боли и внутри компании лоббировал. Классическая роль, нужен очень опытный и коммуникабельный технарь.
— Видел, Олег. И знаешь, что я подумал? Они, компания из эры ИИ, пытаются масштабировать знания самым неэффективным способом — через людей. Один человек, даже самый гениальный, имеет лимит по времени и вниманию. Он может провести три встречи в день, а не триста.

Давайте разберем, как бы мы построили этого «Цифрового Архитектора».

Основой станет частная, дообученная языковая модель (LLM). В качестве базы можно взять Llama 3, Claude 3 или даже API от OpenAI. Кормить эту модель мы будем исключительно внутренними данными Datadog: всей технической документацией, базой знаний, записями вебинаров, успешными кейсами, внутренними гайдлайнами по «лучшим практикам», и, что самое ценное, — анонимизированной историей тикетов из службы поддержки.

Как это будет работать на практике?

1. Обучение и сертификация партнеров (Onboarding & Enablement). Новый технический специалист партнера заходит на портал и пишет: «Наша компания специализируется на миграции финтех-приложений с on-premise в AWS. С чего нам начать изучение Datadog?». Вместо того чтобы ждать звонка от живого архитектора, система мгновенно генерирует персональный план обучения: «Отлично! Вот 3 ключевых модуля для вас: Мониторинг AWS Lambda, APM для Java-приложений и Security Monitoring для соответствия PCI DSS. Вот ссылки на документацию, два релевантных вебинара и симулятор для подготовки к сертификации». Система отслеживает прогресс и подкидывает новые материалы.

2. Поддержка в продажах (Pre-sales support). Партнер готовится к встрече с потенциальным клиентом. Он вводит в систему краткие данные: «Клиент — e-commerce, использует Kubernetes, жалуется на медленную загрузку страниц в пиковые часы». «Цифровой Архитектор» выдает: «Рекомендую сфокусироваться на Real User Monitoring (RUM) и APM. Вот кастомизированный скрипт для демо. Вот три кейса похожих клиентов. А вот расчет потенциального ROI для клиента при сокращении времени отклика на 200мс».

3. Адвокат партнеров (Partner Advocacy). Вместо того чтобы живой человек слушал жалобы и просьбы, система подключается к партнерским чатам в Slack, анализирует переписку по email и тикеты в Jira. С помощью NLP и анализа тональности она в реальном времени формирует дашборд для продакт-менеджеров Datadog: «Внимание: за последний месяц партнеры из Германии 17 раз запросили улучшенную интеграцию с SAP. Партнеры из Франции 23 раза столкнулись с проблемой X при настройке мониторинга логов». Это не просто сбор обратной связи, это аналитика, основанная на данных.

4. Проактивный консалтинг. Система периодически сканирует публичные сайты партнеров и их маркетинговые материалы. Она может прислать уведомление: «Заметил, вы анонсировали новую услугу по ‘DevOps-трансформации’. Вы не упоминаете в ней наши возможности по CI/CD Visibility. Рекомендую добавить это в ваше предложение. Вот черновик абзаца для вашего сайта и email для ваших клиентов».

Чтобы партнеры и внутренние команды не боялись этого «черного ящика», внедрять его нужно с умом. Сначала он работает как ассистент для живого архитектора, помогая ему готовить материалы. Каждая рекомендация ИИ должна сопровождаться ссылками на источники — конкретный документ, кейс или вебинар. Должна быть кнопка «пожаловаться на ответ» или «оценить полезность», чтобы система постоянно дообучалась.

А как проверить, что наш «Цифровой Архитектор» работает? Метрики — это наш всё.
1. Среднее время онбординга и сертификации нового партнера. Должно сократиться на 30-50%.
2. Количество стандартных технических вопросов, доходящих до живых людей. Должно упасть в разы.
3. Скорость реакции продуктовой команды на запросы партнеров. С автоматизированным сбором данных она станет почти мгновенной.
4. И, конечно, главный показатель — рост выручки через партнерский канал. Можно провести A/B тест: дать одной группе партнеров доступ к ИИ-ассистенту, а другой — нет. Уверен, результаты будут весьма красноречивы.

Так что да, Datadog может нанять еще одного прекрасного специалиста. А может стать примером для всей индустрии и создать систему, которая делает то же самое, но в тысячу раз быстрее и масштабнее. Вопрос лишь в том, готовы ли они применить свою же философию данных и автоматизации к собственным внутренним процессам.

Вакансия отсюда: https://www.linkedin.com/jobs/view/4382121277/