Как предприятия используют cloud сегодня: 6 типов проектов и ключевые уроки

После 15 лет массового внедрения cloud появились четкие категории проектов — и именно они часто определяют, будет ли внедрение успешным или обернется дорогостоящим разочарованием.

За последние полтора десятилетия cloud computing стал базовой технологией. Он начинался как способ арендовать серверы, но превратился в сложную экосистему, которая поддерживает все — от переноса инфраструктуры до трансформационных ИИ-инициатив. За годы консультирования предприятий по тысячам cloud-проектов я увидел, что большинство из них укладывается в несколько категорий. И могу с уверенностью сказать: успех зависит не от хайпа, а от понимания природы проекта, рисков, затрат и выводов.

Миграции в cloud

Предприятия по-прежнему переносят существующие рабочие нагрузки из дата-центров в публичные, private или hybrid environments. Это может быть rehosting (lift and shift), replatforming с небольшими изменениями или полное refactoring в архитектуру cloud-native. Обычно цель — снижение затрат, масштабируемость или отказ от циклов обновления оборудования. Риски здесь хорошо известны. Многие проекты недооценивают зависимости, из-за чего возникают неожиданности с производительностью или сбои интеграции. Плата за data egress и непредвиденные операционные расходы способны свести на нет ожидаемую экономию.

Профили затрат сильно различаются. Первые миграции нередко выходят за бюджет на 20%–50% из-за пробелов в обследовании и тестировании. Текущие расходы можно снизить с помощью rightsizing и reserved instances, но при слабом управлении часто возникает 25%–35% waste из-за простаивающих ресурсов. Эти выводы подчеркивают, насколько важно заранее моделировать total cost of ownership, включая людей, обучение и управление изменениями.

Что мы поняли: чистый lift-and-shift редко дает обещанный ROI. Успешные организации рассматривают миграцию как возможность для модернизации, а не как простой перенос. Поэтапный подход с сильным governance и практиками finops помогает минимизировать перерасход, который исторически сопровождал большинство таких проектов.

Cloud-native приложения

Команды строят microservices, serverless functions или containerized apps на платформах вроде Kubernetes, AWS Lambda или Azure Functions. Этот подход использует elasticity, devops pipelines и managed services, чтобы ускорить выход на рынок.

Риски связаны с архитектурной сложностью и дефицитом навыков. Переусложнение с чрезмерным числом microservices создает операционный кошмар, тогда как недоархитектура приводит к немасштабируемым monoliths. Распределенные системы требуют постоянной бдительности в вопросах безопасности. Новые приложения часто стартуют хорошо, но накапливают technical debt, когда команды ставят функции выше observability и resilience. Затраты на входе зависят от использования, что звучит привлекательно, но при росте нагрузки они часто резко увеличиваются из-за плохого дизайна.

Что мы поняли: по моим многолетним наблюдениям, успешные команды встраивают учет затрат в CI/CD, стратегически используют spot instances и проектируют observability с первого дня. Cloud-native разработка ускоряет инновации только в сочетании с дисциплинированной архитектурой.

Проекты бизнес-аналитики

Предприятия переносят data lakes, data warehouses и ETL-процессы в сервисы вроде Snowflake, BigQuery или Redshift. Это позволяет масштабно запускать аналитику в реальном времени, дашборды и predictive modeling. Главные риски — data gravity и проблемы качества данных. Перемещение petabytes дорого и сложно, а слабое управление приводит к проблемам с compliance или к результатам формата «garbage in, garbage out». Интеграция с legacy systems часто откладывает получение ценности.

Что мы поняли: через 15 лет мы знаем, что централизованные data strategies превосходят фрагментированные, но только если они сочетаются с сильными подходами data mesh или data fabric, уважающими владение доменами. В структуру затрат входят хранение, вычисления для запросов и egress. Оптимизация через partitioning и materialized views окупается, но многие организации тратят деньги на неиспользуемые данные. Уроки здесь просты: начинать с небольших, но ценных use cases и закладывать governance заранее, а не добавлять его потом.

Проекты в области искусственного интеллекта

Проекты в области artificial intelligence и machine learning — это нынешний передний край cloud. Сюда входят обучение моделей, разворачивание inference endpoints и интеграция ML в приложения. Managed services снижают порог входа, но специфические требования часто требуют GPU clusters или специализированного оборудования. Риски существенны: model drift, проблемы explainability, высокие требования к вычислениям и этические вопросы. Многие проекты застревают после proof of concept, потому что production deployment выявляет проблемы масштабируемости или стоимости. Предложения managed AI от провайдеров помогают, но предприятия все еще с трудом встраивают их в основные бизнес-процессы.

Затраты здесь высоки, особенно на обучение. Inference можно оптимизировать, но именно он нередко доминирует в счетах. Вывод такой: AI успешен, когда его рассматривают как часть более широкой cloud-native архитектуры, а не как отдельный научный проект. Гибридные подходы и контроль затрат необходимы.

Проекты generative AI сосредоточены на large language models, генерации изображений, code assistants и пользовательских агентах с использованием сервисов вроде Bedrock, интеграций OpenAI или дообученных open source models. Предприятия экспериментируют с retrieval-augmented generation для ответов, основанных на фактах, и с agentic workflows. Риски включают hallucinations, утечки данных о privacy, вопросы intellectual property и неконтролируемые расходы на tokens. Многие ранние последователи показывали впечатляющие демо, но в production сталкивались с барьерами governance и compliance.

Что мы поняли: после наблюдения за этой волной уроки ясны. Начинайте с узких, высокоценных use cases и добавляйте сильные контуры prompting, evaluation и human oversight. Профили затрат зависят от использования и могут быстро расти вместе с объемом. Помогают caching, более маленькие models и гибридный on-prem inference. Generative AI быстрее всего дает ROI, когда встроен в существующие рабочие процессы, а не используется как отдельный инструмент.

Другие типы проектов

Модернизация legacy mainframe или monolithic applications находится между миграцией и новой разработкой. Инициативы Internet of Things (IoT) используют cloud для управления устройствами и edge analytics. Проекты disaster recovery и backup задействуют cloud для повышения resilience. Edge computing-проекты переносят обработку ближе к пользователям или устройствам. Sovereign cloud-развертывания, ориентированные на compliance, решают требования по data residency. Наконец, инициативы по sustainability сосредоточены на снижении carbon footprint через более эффективные архитектуры.

Что мы поняли: каждый подход несет свои риски и экономику затрат. Модернизация часто выявляет скрытые зависимости. IoT требует надежной связности. Edge computing добавляет ограничения по latency. Урок для всех типов проектов один: multicloud-стратегии дают переговорное преимущество и снижают риски диверсификацией, хотя и повышают сложность.

Общие закономерности

Большинство проектов проваливается не из-за самой технологии, а из-за недостаточного планирования, культурного сопротивления или игнорирования операционных реалий. Перерасход часто возникает из-за отсутствия строгой finops-дисциплины. Проблемы безопасности и compliance сохраняются постоянно и требуют интегрированного учета уже на стадии проектирования. Дефицит навыков тормозит прогресс, поэтому managed services выглядят привлекательно, несмотря на опасения по поводу vendor lock-in.

Успешные cloud-истории имеют общие черты: сильная поддержка руководства, итеративная поставка, кросс-функциональные команды и непрерывная оптимизация. Лучше всего показывают себя предприятия, которые рассматривают cloud как бизнес-трансформацию, а не как ИТ-проект. Они измеряют результаты бизнес-метриками — например, влиянием на выручку, удовлетворенностью клиентов и скоростью выхода на рынок, а не только uptime или числом инстансов.

Cloud-ландшафт продолжает меняться: рынки capacity, neoclouds и AI-driven operations дают новые варианты. Но базовые принципы cloud никуда не делись. Выбирайте тип проекта в соответствии со своей cloud maturity и целями. Тщательно оценивайте риски. Реалистично моделируйте затраты. Используйте уроки тысяч cloud-развертываний, которые были до вас.

Мой совет звучит просто, но именно он определит, какие cloud-проекты и какие предприятия будут процветать в следующем десятилетии cloud computing. Те, кто гонится за хайпом без дисциплины, станут лишь очередной поучительной историей.

Материал — перевод статьи с английского.

Оригинал: How are enterprises using cloud today?