A próxima geração de AIOps será construída sobre plataformas de contexto operacional

O conhecimento pode ser compartilhado. O contexto precisa ser construído.

Ao longo dos últimos meses, construímos uma linha de raciocínio sobre a evolução das operações modernas de TI. Na primeira série de artigos, discutimos como a crescente complexidade dos ambientes distribuídos alterou profundamente a forma de monitorar sistemas, investigar incidentes e reduzir o tempo de resposta.

Mostramos que monitorar mais não significa compreender melhor, que observabilidade representa uma nova forma de operar e que reduzir o MTTR depende, antes de tudo, da capacidade de construir rapidamente uma compreensão compartilhada do incidente.

Na segunda série, voltamos nossa atenção para a Inteligência Artificial. Primeiro, refletimos sobre o fato de que agentes especializados não resolvem, sozinhos, o principal desafio das operações de TI, em “Os agentes de IA não resolvem o principal problema das operações de TI”. Em seguida, argumentamos que qualquer agente depende de um elemento anterior à própria Inteligência Artificial: um contexto operacional compartilhado, capaz de reunir informações provenientes de múltiplas fontes, em “Antes dos agentes, existe o contexto operacional”. No artigo mais recente, mostramos que a especialização continua sendo extremamente valiosa, mas que um agente pode conhecer profundamente uma tecnologia e, ainda assim, não compreender um incidente que atravessa toda a arquitetura, em “Um agente pode conhecer tudo sobre uma ferramenta. Ainda assim, não compreender o incidente.”.

Essas reflexões conduzem naturalmente à pergunta que pretendemos responder agora.

Se todos os agentes dependerão de um contexto comum para produzir decisões consistentes, como esse contexto será construído? E por que ele se tornará um dos ativos mais importantes das operações modernas?

Responder a essas perguntas exige distinguir dois conceitos que frequentemente aparecem misturados nas discussões sobre Inteligência Artificial, embora representem desafios completamente diferentes.

De um lado está o conhecimento especializado. Do outro, o contexto operacional.

À primeira vista, ambos parecem fazer parte do mesmo problema. Afinal, tanto um quanto o outro fornecem informações para pessoas e agentes tomarem decisões. Entretanto, quando analisamos como grandes organizações operam, percebemos que possuem naturezas completamente distintas e, justamente por isso, exigem estratégias igualmente diferentes.

Compreender essa diferença talvez seja o passo mais importante para entender por que a próxima geração de AIOps não será definida apenas pela evolução dos modelos de Inteligência Artificial, mas pela capacidade das organizações de construir e manter uma representação consistente da sua própria operação.

O conhecimento especializado pode ser reutilizado

Um dos grandes avanços proporcionados pela Inteligência Artificial é a capacidade de incorporar grandes volumes de conhecimento especializado e disponibilizá-los de forma extremamente acessível. Hoje já existem agentes capazes de explicar o funcionamento de um banco de dados Oracle, sugerir boas práticas para ambientes Kubernetes, interpretar métricas produzidas por plataformas de observabilidade, apoiar investigações em ambientes AWS ou orientar a configuração de ferramentas como ServiceNow e Dynatrace.

Esse movimento tende a se intensificar.

À medida que novos modelos forem treinados e novas bases de conhecimento forem incorporadas, veremos agentes cada vez mais competentes para responder perguntas técnicas, executar análises especializadas e apoiar decisões em praticamente todas as disciplinas das operações de TI.

A razão é simples, pois o conhecimento especializado possui uma característica extremamente importante, que é o fato dele ser amplamente reutilizável.

As melhores práticas para administrar um banco Oracle não mudam porque a empresa pertence ao setor financeiro ou ao varejo. Os conceitos fundamentais de Kubernetes permanecem os mesmos independentemente do país em que a organização opera. A documentação oficial de um serviço da AWS continua válida para milhares de clientes ao redor do mundo, assim como os procedimentos recomendados para plataformas de observabilidade, redes ou ITSM.

Naturalmente, cada organização fará adaptações, adotará versões diferentes ou estabelecerá padrões próprios de utilização. Ainda assim, o núcleo desse conhecimento permanece essencialmente o mesmo.

É justamente essa característica que torna a especialização tão compatível com a Inteligência Artificial.

Quando o conhecimento pode ser documentado, organizado e reaproveitado em diferentes contextos, torna-se possível treinar agentes capazes de reproduzir esse aprendizado com enorme eficiência. O investimento realizado para construir esse conhecimento beneficia milhares de organizações simultaneamente.

Esse talvez seja um dos maiores méritos dos agentes especializados: eles democratizam o acesso ao conhecimento técnico acumulado ao longo de décadas de evolução das tecnologias que sustentam as operações modernas.

Entretanto, é exatamente nesse ponto que surge uma limitação importante. Porque aquilo que torna o conhecimento especializado tão poderoso, ou seja, sua capacidade de ser reutilizado, é justamente o que o diferencia do contexto operacional.

O contexto operacional não pode ser reutilizado

Se o conhecimento especializado pode ser compartilhado entre milhares de organizações, por que isso não acontece com o contexto operacional?

A resposta está na própria natureza desse contexto, pois nenhuma empresa opera exatamente da mesma forma que outra.

Mesmo organizações do mesmo setor, utilizando tecnologias semelhantes e enfrentando desafios de negócio parecidos, constroem arquiteturas diferentes ao longo do tempo. Novas aplicações são incorporadas, integrações são desenvolvidas, processos evoluem, serviços são substituídos, dependências surgem e desaparecem, mudanças são realizadas continuamente e o ambiente passa a refletir a história daquela organização.

É justamente essa história que transforma o contexto operacional em um ativo único.

Considere duas empresas que utilizam exatamente o mesmo banco de dados Oracle, executam suas aplicações sobre Kubernetes, armazenam parte da infraestrutura na AWS e utilizam a mesma plataforma de ITSM. À primeira vista, poderíamos imaginar que um agente treinado para esse conjunto de tecnologias seria suficiente para compreender os incidentes enfrentados por ambas, mas na prática, isso dificilmente acontece.

Em uma delas, determinada aplicação pode depender diretamente de um banco Oracle centralizado. Na outra, a mesma aplicação talvez utilize um conjunto de microsserviços distribuídos e diferentes mecanismos de sincronização de dados.

Uma alteração em um serviço de autenticação pode afetar processos completamente distintos em cada ambiente. Um mesmo alerta de observabilidade pode representar riscos muito diferentes dependendo das integrações existentes, das prioridades do negócio ou das dependências estabelecidas ao longo da evolução daquela arquitetura.

O conhecimento sobre Oracle continua sendo exatamente o mesmo, mas o contexto operacional, entretanto, passa a ser completamente diferente.

Essa distinção ajuda a compreender por que tantas organizações descobrem que a adoção de agentes especializados não elimina a necessidade de construir uma visão integrada da operação. Os agentes podem dominar profundamente as tecnologias utilizadas. O que eles não conhecem, por definição, é a forma específica como essas tecnologias foram combinadas para sustentar o negócio daquela empresa.

Em outras palavras, eles conhecem os componentes, mas não conhecem a operação.

Essa diferença é decisiva porque desloca a discussão da Inteligência Artificial para um plano mais estratégico.

O principal ativo deixa de ser apenas a capacidade de responder perguntas sobre tecnologias conhecidas e passa a ser a capacidade de representar fielmente a realidade operacional de uma organização específica.

É essa representação que permitirá transformar conhecimento especializado em decisões realmente contextualizadas.

O contexto passa a ser um patrimônio da organização

Essa mudança de perspectiva leva a uma consequência importante.

Durante muitos anos, tratamos o conhecimento técnico como o principal patrimônio das operações de TI. Investimos na formação de especialistas, documentamos procedimentos, criamos bases de conhecimento e desenvolvemos processos para preservar a experiência acumulada pelas equipes.

Todo esse esforço continua sendo indispensável, mas a evolução da Inteligência Artificial introduz um novo elemento nessa equação. Se agentes especializados passam a incorporar boa parte do conhecimento técnico reutilizável, qual será o verdadeiro diferencial competitivo entre duas organizações que utilizam tecnologias semelhantes e dispõem de agentes igualmente capazes?

A resposta dificilmente estará no conhecimento sobre Oracle, Kubernetes, AWS ou qualquer outra plataforma amplamente utilizada pelo mercado. Esse conhecimento poderá ser adquirido, treinado e distribuído em larga escala.

O diferencial passará a estar naquilo que nenhuma outra organização possui: a representação do seu próprio ambiente operacional. Essa representação reúne informações que não aparecem na documentação dos fornecedores, não estão disponíveis em manuais técnicos e não podem ser obtidas apenas consultando uma base de conhecimento. Ela incorpora as relações entre aplicações, serviços, infraestrutura, processos, mudanças, integrações, dependências e prioridades de negócio construídas ao longo da evolução daquela organização.

Em outras palavras, ela representa a forma como a empresa realmente funciona, e é justamente por isso que o contexto operacional começa a assumir características de um patrimônio estratégico.

Assim como dados de clientes, propriedade intelectual ou processos de negócio, ele passa a representar um ativo que pertence exclusivamente à organização. Quanto mais completo, atualizado e consistente esse contexto estiver, maior será a capacidade de pessoas e agentes compreenderem rapidamente o que acontece durante um incidente, reduzindo incertezas e apoiando decisões mais seguras.

Essa percepção muda profundamente a forma como devemos pensar os investimentos em AIOps, e talvez a pergunta mais importante deixe de ser “quais agentes devemos adotar?” e passe a ser “como construiremos e manteremos o contexto operacional que permitirá a todos eles trabalhar sobre a mesma compreensão da operação?”

A próxima geração de AIOps será construída sobre plataformas de contexto

Se o conhecimento especializado pode ser aprendido, compartilhado e reutilizado em praticamente qualquer organização, enquanto o contexto operacional precisa ser continuamente construído para refletir a realidade específica de cada ambiente, uma consequência começa a se tornar evidente: as operações modernas passam a exigir uma nova camada arquitetural.

Durante muito tempo, investimos em plataformas responsáveis por monitorar infraestrutura, coletar métricas, registrar logs, acompanhar transações, gerenciar mudanças e controlar incidentes. Cada uma dessas soluções trouxe ganhos importantes de visibilidade e ampliou nossa capacidade de compreender diferentes aspectos da operação. Entretanto, elas foram concebidas para cumprir funções específicas e, por isso, continuam produzindo visões parciais do ambiente. Nos últimos artigos discutimos exatamente esse fenômeno.

O desafio das operações deixou de ser simplesmente coletar informações. Também deixou de ser apenas ampliar a observabilidade ou desenvolver agentes cada vez mais especializados. O verdadeiro desafio passou a ser construir uma compreensão integrada da operação, conectando informações que permanecem distribuídas entre diferentes plataformas.

É justamente dessa necessidade que nasce uma nova camada da arquitetura, sendo que sua função não é substituir as ferramentas já existentes nem competir com os agentes de Inteligência Artificial. Pelo contrário. Ela existe para conectar esses dois mundos.

Essa camada passa a organizar o contexto operacional da organização, preservando a representação das relações entre aplicações, infraestrutura, serviços, integrações, dependências, mudanças e processos de negócio. Mais do que armazenar informações, ela mantém atualizado um modelo vivo da operação, capaz de refletir continuamente as transformações pelas quais o ambiente passa.

Quando esse contexto está disponível, agentes especializados deixam de trabalhar sobre interpretações isoladas e passam a compartilhar uma mesma compreensão da realidade operacional. Um agente responsável pela observabilidade continua analisando métricas. Outro permanece interpretando logs. Um terceiro continua acompanhando mudanças ou apoiando processos de ITSM. A diferença é que todos passam a desenvolver suas análises sobre uma representação comum da operação.

Esse detalhe altera profundamente a qualidade das decisões. Em vez de múltiplas interpretações independentes tentando explicar um mesmo incidente, passa a existir um contexto compartilhado que permite relacionar essas interpretações e transformá-las em uma compreensão única do problema.

Talvez seja justamente essa a principal evolução da próxima geração de AIOps. Não uma geração definida apenas por modelos de Inteligência Artificial mais sofisticados, mas por arquiteturas capazes de construir, manter e disponibilizar continuamente o contexto operacional sobre o qual esses modelos irão trabalhar.

Um novo patrimônio para as operações

Ao longo desta série, acompanhamos a transformação das operações de TI sob diferentes perspectivas. Começamos discutindo a dificuldade de reduzir a complexidade operacional apenas com novas ferramentas. Em seguida, mostramos que monitorar mais não significa compreender melhor, que observabilidade representa uma nova forma de operar, que reduzir o MTTR depende da velocidade com que construímos entendimento e que agentes especializados, embora extremamente valiosos, continuam limitados pela visão parcial de cada domínio tecnológico.

Este artigo acrescenta uma nova peça a esse mesmo raciocínio. O conhecimento especializado continuará sendo indispensável. Continuaremos formando especialistas e utilizando agentes cada vez mais capazes de interpretar tecnologias específicas. Esse movimento tende a acelerar e produzir ganhos significativos de produtividade para as operações.

Mas o verdadeiro diferencial competitivo das organizações não estará apenas na qualidade desses especialistas, humanos ou artificiais. Estará na qualidade do contexto operacional que conseguirem construir. Porque é esse contexto que transforma conhecimento em compreensão. É ele que permite conectar informações provenientes de múltiplas fontes, preservar as relações entre componentes da arquitetura e oferecer uma visão compartilhada da operação para pessoas e agentes de Inteligência Artificial.

Talvez, daqui a alguns anos, passemos a olhar para o contexto operacional da mesma forma como hoje olhamos para dados estratégicos, propriedade intelectual ou processos de negócio.

Não apenas como um conjunto de informações, mas como um patrimônio da própria organização. E, se isso realmente acontecer, uma nova pergunta surgirá naturalmente.

Sobre o autor

Paulo Florêncio de Menezes é cofundador da Target Solutions e atua há mais de 15 anos em projetos relacionados a infraestrutura, monitoramento, observabilidade, automação e operações de TI e Telecom.

É graduado em Processamento de Dados pela Universidade Federal do Amazonas (UFAM), possui MBA em Gestão Empresarial pela Fundação Dom Cabral (FDC) e Mestrado Profissional em Economia pela Fundação Getulio Vargas (FGV).

Em sua pesquisa de Mestrado, desenvolveu o IBEOP-IA (Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial), investigando a exposição potencial das ocupações brasileiras às capacidades da IA por meio da combinação de dados ocupacionais, patentes de inteligência artificial e técnicas de processamento de linguagem natural.

Sobre a Target Solutions

A Target Solutions atua há mais de 15 anos apoiando organizações na evolução de suas operações de infraestrutura, monitoramento, observabilidade, automação e AIOps. Ao longo desse período, participou de projetos em ambientes complexos dos setores de Telecom, Tecnologia, Governo, Energia e grandes empresas, com foco no aumento da eficiência operacional e da confiabilidade dos serviços.

Como parte dessa experiência, desenvolveu o ARGUS, uma plataforma de AIOps que complementa as ferramentas já utilizadas pelas organizações e atua como uma camada de inteligência contextual sobre o ecossistema operacional existente.

O ARGUS integra informações provenientes de múltiplas fontes, correlacionando eventos, alarmes, dados de observabilidade, relacionamentos entre componentes, topologia, mudanças, histórico e outras evidências disponíveis no ambiente.

Essa abordagem permite que operadores, especialistas e agentes de Inteligência Artificial trabalhem sobre o mesmo contexto, reduzindo o esforço de investigação, acelerando a identificação da causa provável dos incidentes e apoiando decisões mais rápidas e seguras.

O objetivo não é substituir as ferramentas especializadas já utilizadas pela organização. É conectar as perspectivas produzidas por elas e transformar informações dispersas em contexto operacional compartilhado.

Conheça mais em ARGUS AIOps.