Solucione incidentes mais rápido fornecendo à AI SRE telemetria unificada e um gráfico de contexto

Mais do que nunca as equipes de dados têm à disposição delas mais dados de telemetria. No entanto, a velocidade da investigação de incidentes não aumentou muito. O pensamento natural é de que a inteligência artificial é a solução. Então, muitas organizações adicionaram uma camada de IA e a chamaram de AI SRE (AI Site Reliability Engineering, engenharia de confiabilidade de sites com IA). 

No entanto, essa pressa para atender às demandas de confiabilidade organizacionais e dos clientes significa que a maior parte da IA para observabilidade é encaixada em arquiteturas que não foram projetadas para suportá-la. As equipes podem obter resultados rápidos. Porém, depois, elas descobrem que informações importantes estão faltando porque as ferramentas não se integram profundamente à plataforma de dados. Não é um processo eficiente, nem eficaz. 

Este artigo explica as características que diferenciam as ferramentas de AI SRE que realmente melhoram a velocidade e a precisão da investigação daquelas que apenas resumem dados de telemetria. 

Para entender como é a eficácia na prática, vamos começar por quanto realmente custa o padrão de referência de investigação atual.

Investigações de incidentes afetam a produtividade da engenharia

Com base em informações coletadas de clientes do Observe by Snowflake, o padrão de referência de investigação para um incidente complexo é de 10 minutos para detectar, 120 minutos para investigar, 15 minutos para corrigir e 370 minutos para realizar uma análise de causa raiz, com apenas 30% de conclusão.¹ Isso exige centenas de engenheiros de plantão para entender o problema usando várias ferramentas, escrevendo consultas personalizadas e reconstruindo a sequência de eventos.

Essa não é uma visão exclusiva do Observe. Em todo o setor de observabilidade, o crescimento exponencial da telemetria proveniente de sistemas modernos distribuídos criou um desafio em comum. As equipes de engenharia não conseguem processar alertas e perdem sinais críticos, o que faz com que os incidentes demorem mais para serem resolvidos. Até mesmo um incidente de complexidade moderada envolve várias etapas para identificar o problema e concluir o ciclo de investigação. 

Os motivos que tornaram a investigação mais difícil são estruturais:

• O volume de dados superou a capacidade para a qual as plataformas de observabilidade tradicionais foram criadas.

• As dependências de sistema são mais complexas por causa do aumento de microsserviços e sistemas interconectados. 

• Apenas um pequeno número de engenheiros possui experiência em análise de causa raiz. 

• O trabalho real de investigação, que envolve navegar por hierarquias de rastreamento, analisar logs em diferentes janelas de tempo e sintetizar descobertas entre serviços, não é fácil de automatizar.

A resposta a incidentes e suas consequências podem consumir uma capacidade significativa de engenharia em organizações que executam sistemas complexos. A maioria das equipes recorre a uma solução de AI SRE, mas nem todas as soluções funcionam da mesma forma. 

Uma solução de AI SRE deve ser precisa, ter baixa latência e ser eficiente em termos de custo

A qualidade das respostas de uma AI SRE a consultas simples em linguagem natural não é suficiente para determinar o valor dela como ferramenta de observabilidade. A questão mais complexa é se a base de dados consegue sustentar a solução de AI SRE implementada de forma a torná-la genuinamente útil. 

Uma solução de AI SRE para observabilidade precisa ser mais do que uma função de chat sobreposta a dados de telemetria ou a outras ferramentas de observabilidade. Ela deve ser precisa o suficiente para ser confiável. Rápida o suficiente para ser usada durante um incidente ativo. E, eficiente o suficiente para permitir consultas sem gerar ainda mais custos. 

A maioria das soluções de AI SRE disponíveis atualmente não é suficiente, pois elas foram projetadas para oferecer respostas rápidas a consultas básicas, e não para operar de forma autônoma em cargas de trabalho de observabilidade complexas e de ritmo acelerado. 

Três requisitos essenciais para uma solução de AI SRE eficaz  

Antes de se perguntar que solução de AI SRE adotar, determine se a sua empresa tem a base de dados certa para sustentá-la: 

• Toda a telemetria está reunida em um só lugar, ou está isolada em silos entre diferentes ferramentas? 

• A camada de armazenamento é eficiente em termos de custo o suficiente para reter os dados necessários durante a janela de retenção desejada sem recorrer a amostragem? 

• O sistema modela os relacionamentos entre infraestrutura, aplicações, serviços e dados de negócios? 

A maioria das conversas relacionadas a ferramentas de AI SRE começa pela camada superior, mas esse não é o ponto de partida certo. Uma investigação eficaz conduzida por IA exige três camadas trabalhando juntas, e a camada de IA só é tão precisa quanto a base sobre a qual foi construída. 

• Camada 1: armazenamento de telemetria unificado e eficiente em termos de custo. Quanto mais dados a camada de IA tiver para trabalhar, mais precisos serão os resultados. Isso exige que dois elementos funcionem juntos: armazenamento unificado de logs, métricas e rastreamentos, além de um armazenamento acessível o suficiente para manter os dados em escala sem exigir concessões. 

• Camada 2: um gráfico de contexto que modela relações semânticas. A telemetria bruta pode oferecer algum insight sobre um incidente, mas um gráfico de contexto explica por que ele aconteceu e onde mais ele se conecta. Os gráficos de contexto modelam relações semânticas entre vários objetos no ambiente, então, quando a camada de IA está seguindo uma trilha de investigação, ela percorre um mapa de como diferentes entidades se relacionam entre si. 

• Camada 3: uma AI SRE capaz de aproveitar os dados subjacentes e as bases semânticas. Uma solução de AI SRE funciona sobre as camadas 1 e 2, sendo construída para utilizar interfaces otimizadas para agentes com armazenamento e contexto unificados. Um agente que faz consultas por meio de interfaces otimizadas para agentes retorna resultados mais precisos, com menor latência e menos overhead (custo/esforço indireto), do que um agente que envia consultas a uma plataforma não projetada com o acesso de IA em mente. 

Observe by Snowflake: criado tendo os agentes em mente  

O Observe by Snowflake foi construído com as três camadas integradas. O data lakehouse armazena logs, métricas e rastreamentos com alta fidelidade e baixo custo. O gráfico de contexto estrutura esses dados com contexto proveniente de diversas fontes (negócios, aplicação, infraestrutura e assim por diante). A solução AI SRE opera sobre ambas, projetada para funcionar com as outras camadas desde o início. O resultado: vários clientes do Observe conseguiram solucionar problemas até 10 vezes mais rápido (com uma média de mais de 4 vezes).² Veja como isso funciona, na prática. 

O ciclo de investigação continua com a IA, mas é altamente acelerado. Essas tarefas agora podem ser concluídas em uma fração do tempo original, e a IA ajuda a tornar esse processo possível para todos os usuários, não apenas para alguns especialistas.

Usando uma metodologia com base na estrutura da Anthropic para medir a produtividade da IA, comparamos o tempo de investigação manual com o tempo de conclusão assistido por IA e constatamos que a assistência de IA teve os seguintes resultados: 

• De mod consistente, os ganhos de produtividade se concentraram na faixa de 3x a 10x.
• 30% das interações apresentaram uma melhoria superior a 5 vezes. 
• 5% das interações superaram uma melhoria de 10 vezes.
  

Os maiores ganhos vieram de investigações que exigiam sintetizar rapidamente grandes volumes de dados de várias fontes, áreas em que a telemetria unificada e um gráfico de contexto podem ajudar a reduzir o tempo de investigação. 

As melhorias não aparecem apenas em nossa pesquisa; também recebemos o feedback direto de clientes: 

• De uma empresa de inteligência de localização: a solução AI SRE do Observe ajudou a melhorar a resposta a incidentes em todas as equipes de engenharia da empresa. A empresa afirmou que a AI SRE e o MCP Server do Observe poderiam transformar a forma como investigam incidentes. Esses recursos também ajudaram a reduzir o tempo que os engenheiros gastavam para resolver problemas. 

• De uma operadora de esportes e entretenimento: o valor para essa empresa foi além da investigação mais rápida, chegando à confiabilidade proativa. Eles disseram que o Observe ajudou a capacitar suas equipes a detectar problemas no sistema, resultando em maior estabilidade do mesmo.

• De um provedor de SaaS do setor automotivo: o tempo de investigação de incidentes foi reduzido de mais de três horas para poucos minutos, melhorando diretamente a experiência do cliente. O provedor recebeu feedback consistente entre as equipes: menos escalonamentos, resolução mais rápida de tickets de suporte e, no geral, menos tempo de revisão manual.

Em ambos os casos, a diferença veio da telemetria e do contexto completos da camada de IA. Esses resultados refletem o que é possível fazer quando a arquitetura subjacente sustenta a camada de AI SRE. 

A arquitetura determina se a AI SRE gera resultados

Ao avaliar qualquer solução de AI SRE, é importante fazer três perguntas relacionadas à arquitetura subjacente da sua empresa:

• A AI SRE tem acesso unificado a todos os dados de telemetria?

• A AI SRE entende as relações entre serviços, implantações, usuários e contexto de negócios? 

• A AI SRE é otimizada para aproveitar as camadas subjacentes, ou apenas opera sobre elas?

Suas respostas determinam se a solução AI SRE vai ajudar a aumentar a velocidade da investigação ou apenas oferecer uma interface de chat para sua telemetria. 

Entenda melhor a observabilidade em escala assistindo ao vídeo sob demanda do webinar do Observe sobre observabilidade centrada em agentes.

1 “What’s New: AI-Powered Observability at Scale with Observe by Snowflake,” Snowflake Summit 2026, sessão WN201B.

2 Com base na análise do Observe de 3.163 trechos de conversas de AI SRE, entre outubro e novembro de 2025.