Askona — enterprise-архитектура и AI-трансформация

Роль: architecture/engineering leadership в контуре CTO | Периметр: 20+ команд, 40+ систем

$680M+: выручка
15M: клиентов
9000+: сотрудников
40+: сервисов

Поддержал управляемую цифровую и AI-трансформацию в enterprise-среде с высокой ценой ошибки, чтобы ускорить поставку изменений, повысить надежность и закрепить единые архитектурные правила без потери business continuity. В основе инженерной работы — multi-party integration layer — общий контур интеграции между множеством независимых участников (команды, on-prem и облако, партнёрские контуры), где шины событий, API и governance удерживают integration seams и не дают контрактам «разъезжаться».

Роль и полномочия

Должность: Enterprise Architect (работа в контуре CTO)
Подчинение: CTO/CIO
Зона ответственности: Enterprise architecture и AI-трансформация; вёл экосистему сервисов как продукт (свой roadmap, стандарты, мониторинг); координация 20+ распределённых команд в ландшафте 40+ систем; внедрение AI сверху вниз по бизнес-функциям — вплоть до отдельного AI-департамента.
Модель управления: Матричное лидерство над 20+ командами — архитектурная вертикаль, решения по найму и governance; так лидерство и устроено на enterprise-масштабе. Организация: $680M+ выручки, 15M клиентов, 9000+ сотрудников.

Situation

• Контекст: крупный enterprise (15M клиентов, 9000+ сотрудников, $680M+ выручки).
• Архитектурный ландшафт: hybrid cloud + on-prem, 40+ систем, высокая интеграционная сложность.
• Бизнес-давление: нужны скорость изменений и стабильность одновременно.
• Основной риск: консервативность команд, невовлеченность бизнеса и слишком широкий фронт изменений.
• Рамка в духе marketplace / partner ecosystem: работа опиралась на multi-party integration layer — событийный и API-контур плюс governance как несущую ткань между независимыми владельцами сервисов, а не только на «AI-проект».

Task

• Ускорить release cadence и time-to-market без деградации production-стабильности.
• Снизить delivery friction между командами и системами.
• Провести модернизацию legacy без потери управляемости.
• Внедрить AI-практики в рабочий контур, а не в изолированные пилоты.
• Сделать integration seams предсказуемыми при множестве владельцев систем: единые правила обмена и границы, чтобы изменения в одной части ландшафта не ломали смежные контуры.

Action

• Координировал трансформацию 20+ распределенных команд в единой архитектурной рамке.
• Спроектировал event-driven подход (Kafka/RabbitMQ/API) как несущий слой интеграции между независимыми командами и сервисами — явные контракты на границах владения, быстрее запуски, ниже интеграционное трение. Контур обрабатывал миллионы событий/день по 40+ системам.
• Внедрил platform governance и стандарты высокой доступности.
• Перевел изменения на поэтапный сценарий вместо «большого взрыва».
• Как AI-лид проводил семинары, воркшопы и персональные консультации.
• Запустил практики RAG, AI-assisted coding и прикладные AI-сценарии для бизнеса и delivery.

Какие навыки были применены

• Enterprise architecture и координация 20+ распределённых команд в ландшафте 40+ систем.
• Multi-party integration layer: согласование множества владельцев, контрактов и операционных моделей в одном production-контуре.
• Event-driven интеграции (Kafka, RabbitMQ, API) и снижение интеграционного трения.
• Platform governance, high availability и поэтапная legacy-модернизация без «большого взрыва».
• AI enablement: RAG, AI-assisted / vibe coding, прикладные AI-сценарии с учётом security-ограничений.
• AI-лидерство: семинары, воркшопы, персональные консультации для команд и менеджмента.
• Управление трансформацией с фокусом на business continuity и устойчивость production.

Result

Операционный эффект

устойчиво виден в первые 2 года

Культурный эффект

к 3-4 году команды защищают новые правила

Архитектурный эффект

event-driven принципы закреплены как стандарт

Орг-эффект

AI-практики стали основой выделенного AI-направления

Стратегический результат

Ускорены release cadence и T2M, повышена надёжность платформы, снижено трение между командами, повышена прозрачность узких мест; стыки между сторонами ландшафта стали предсказуемее — меньше разовых ручных согласований на каждое изменение. Под моим руководством AI стал основным паттерном работы на всех уровнях — от управленческих решений до инженерной разработки.

Публичный бизнес-контекст Askona (внешние источники): выручка 2023 по РСБУ — 49,12 млрд руб. (против 40,94 млрд руб. в 2022), по открытым публикациям по ТД «Аскона» за 2024 — 41 млрд руб. выручки и 1,2 млрд руб. чистой прибыли. Эти цифры отражают динамику компании в целом и не являются прямой атрибуцией только данного проекта.

Организационное внедрение AI (за пределами инженерии)

AI не остался внутри инженерии — он разошёлся по большинству бизнес-функций компании и стал нормой работы далеко за пределами IT.

• Внедрение сверху вниз, через спрос, а не пуш инженерам. Заходил сверху — сначала в бизнес и топ-менеджмент (ген-директор и уровень на одну-две ступени ниже), чтобы спрос формировался на уровне принятия решений. Менеджмент сам начинал запрашивать AI-возможности и просить закрепить их как практику; внедрение стало органическим притяжением, а не спущенной сверху разнарядкой.
• Кросс-функциональный охват. Применение вышло за пределы IT — логистика, производство, флагманский ритейл, 1С, финансы и бюджетирование. Нетехнические сотрудники сами собирали себе небольшие инструменты под конкретные операционные задачи (например, калькулятор «сколько коробок влезет в фуру») — маркер того, насколько глубоко это проникло.
• Три трека внедрения. (1) AI-валидация требований — чтобы постановки уточнялись быстро и строго; (2) автоматизация согласований, включая стенд взаимодействия агентов, согласующих спецификацию; (3) enablement через руководителей — учил менеджеров и их людей самим собирать нужное решение (вычислительный механизм, микросервис, дашборд), когда под реальную бизнес-задачу нет инженерного ресурса, бюджета или сроков.
• Кривая и финал. Примерно 6–8 месяцев от первого предложения «давайте использовать AI» до того, как практика оформилась в отдельный AI-департамент с собственным руководителем — главное доказательство устойчивости: практика пережила личный пуш и стала частью структуры компании.

Практические примеры

• AI-бот к data lake: вопросы бизнеса на естественном языке преобразовывались в SQL, а ответ возвращался в человекочитаемом и машиночитаемом формате. Ad-hoc ответ аналитику — с дней до секунд, в регулярном использовании; guardrails: read-only доступ и валидация имён таблиц/колонок.
• Next best offer: лично спроектировал и обучил ML-модель на исторических заказах для рекомендаций в корзине интернет-магазина и email-рассылках.
• Трекер событийных таймстампов: реализован end-to-end контроль этапов жизненного цикла заказа для аналитики узких мест и задержек.
• Proxy-микросервис георезолвинга: в обучающих сессиях AI-assisted coding разработан сервис преобразования «координаты -> адрес» и «адрес -> координаты» для интеграционных задач.
• Демонстрационный стенд AI-агентов: собран стенд взаимодействия между организациями для согласования интеграционной спецификации и снижения ручного трения.
• Масштаб обучения: проведены десятки сессий по инженерным практикам, управлению и AI для аудиторий 100-200 сотрудников.

Личный вклад

• Архитектурно закрепил event-driven подход и поэтапную модель трансформации без «большого взрыва» — по сути multi-party integration layer для 40+ систем и 20+ команд с разными владельцами.
• Лично реализовал ключевые AI/ML-артефакты: AI-бот к data lake, ML-модель next best offer, трекер таймстампов, proxy-сервис георезолвинга и стенд AI-агентов.
• Масштабировал практики через регулярное обучение команд и менеджмента, сделав AI-assisted coding рабочим инструментом, а не разовой демонстрацией.

Материалы по кейсу

• youtube: YouTube channel
• курс по распределенным асинхронным системам: YouTube playlist
• blog (ru): dobryakov.com/blog

Григорий Добряков — AI-Driven Head of Engineering

$680M+ выручка 40+ систем, 20+ команд

Подключить как MCP Написать на почту