Na madrugada de 8 de dezembro de 2021, um \u00fanico comando de configura\u00e7\u00e3o mal aplicado no painel da Fastly derrubou boa parte da internet global em menos de 60 segundos. GitHub, Reddit, Amazon, Spotify e o site do governo brit\u00e2nico sa\u00edram do ar simultaneamente. O gatilho n\u00e3o foi um ataque, nem um bug ex\u00f3tico: foi uma condi\u00e7\u00e3o de borda n\u00e3o tratada em um sistema de automa\u00e7\u00e3o de borda que propagou um estado inv\u00e1lido para toda a malha de PoPs. O incidente \u00e9 o retrato mais honesto do que a automa\u00e7\u00e3o moderna se tornou: um multiplicador de inten\u00e7\u00e3o \u2014 inclusive de inten\u00e7\u00f5es erradas.<\/p>\n
A Reda\u00e7\u00e3o Nova Era cobre engenharia de software, intelig\u00eancia artificial, cloud e automa\u00e7\u00e3o com um vi\u00e9s deliberado: desconfiar de narrativas lineares. A pergunta que orienta este texto n\u00e3o \u00e9 ‘como automatizar mais?’, mas ‘o que a automa\u00e7\u00e3o est\u00e1 otimizando \u2014 e a que custo?’. Em ambientes de produ\u00e7\u00e3o s\u00e9rios, a resposta raramente \u00e9 t\u00e9cnica. \u00c9 organizacional.<\/p>\n
Tr\u00eas deslocamentos concretos redefiniram o campo:<\/p>\n
Um dado que costuma passar batido: segundo o State of DevOps Report<\/em>, times de elite recuperam-se de incidentes em menos de uma hora, enquanto times de baixo desempenho levam entre uma semana e um m\u00eas. A diferen\u00e7a n\u00e3o est\u00e1 na ferramenta de automa\u00e7\u00e3o escolhida \u2014 est\u00e1 na qualidade dos ciclos de retroalimenta\u00e7\u00e3o e na cultura de post-mortem sem culpa.<\/p>\n A observabilidade virou sin\u00f4nimo de ‘ter Grafana’. Isso \u00e9 um erro caro. Observabilidade, na pr\u00e1tica, \u00e9 a capacidade de responder perguntas que voc\u00ea n\u00e3o sabia que precisaria fazer. Um painel bonito que mostra CPU a 80% n\u00e3o diz nada sobre a experi\u00eancia do usu\u00e1rio no checkout.<\/p>\n O conceito \u00fatil aqui \u00e9 o de or\u00e7amento de erro<\/strong> (error budget), popularizado pelo SRE do Google. Se o SLO \u00e9 99,9% de disponibilidade, voc\u00ea tem cerca de 43 minutos de indisponibilidade por m\u00eas. Esse n\u00famero n\u00e3o \u00e9 uma meta de vaidade: \u00e9 uma licen\u00e7a para arriscar. Sem or\u00e7amento de erro, a organiza\u00e7\u00e3o oscila entre paralisia e imprud\u00eancia.<\/p>\n Em 2023, um time de fintechs brasileiras relatou (em confer\u00eancias de SRE em S\u00e3o Paulo) um incidente cl\u00e1ssico: um campo Esse \u00e9 o ponto contraintuitivo que separa automa\u00e7\u00e3o amadora de automa\u00e7\u00e3o de engenharia: sistemas automatizados falham silenciosamente com mais frequ\u00eancia do que falham ruidosamente<\/strong>. A automa\u00e7\u00e3o n\u00e3o elimina o erro; ela o torna mais educado.<\/p>\n Governan\u00e7a de dados n\u00e3o \u00e9 um cap\u00edtulo de compliance. \u00c9 a infraestrutura que decide se um modelo de IA vai gerar valor ou destruir reputa\u00e7\u00e3o. Dois exemplos reais bastam:<\/p>\n A li\u00e7\u00e3o \u00e9 dura: data contracts<\/em>, testes de schema, monitoramento de drift e auditoria de vi\u00e9s n\u00e3o s\u00e3o opcionais. S\u00e3o o equivalente moderno dos testes unit\u00e1rios \u2014 e ignor\u00e1-los \u00e9 aceitar que o sistema vai mentir para voc\u00ea em algum momento.<\/p>\n Modelos de linguagem entraram no ciclo de desenvolvimento com for\u00e7a em 2023\u20132024. O uso sensato \u00e9 como copiloto: sugerir c\u00f3digo, resumir incidentes, gerar hip\u00f3teses de causa raiz. O uso insensato \u00e9 delegar decis\u00f5es de produ\u00e7\u00e3o a um modelo que n\u00e3o tem modelo de mundo.<\/p>\n Um exemplo pr\u00e1tico: times que usam LLMs para triagem de alertas precisam manter um hallucination budget<\/em> expl\u00edcito. Se o modelo classifica 5% dos incidentes cr\u00edticos como ru\u00eddo, esse n\u00famero precisa estar vis\u00edvel e ser tratado como regress\u00e3o. Sem isso, a IA vira um acelerador de inc\u00eandio.<\/p>\n Sistemas distribu\u00eddos v\u00e3o falhar. A pergunta \u00e9 como. Degrada\u00e7\u00e3o graciosa significa que, quando o servi\u00e7o de recomenda\u00e7\u00e3o cai, a p\u00e1gina ainda carrega com uma lista gen\u00e9rica; quando o banco de dados prim\u00e1rio fica lento, o sistema serve leitura do cache e enfileira escritas. Isso n\u00e3o \u00e9 sofistica\u00e7\u00e3o \u2014 \u00e9 higiene.<\/p>\n O erro comum \u00e9 tratar degrada\u00e7\u00e3o graciosa como feature e n\u00e3o como requisito. Ela precisa ser testada em produ\u00e7\u00e3o, com chaos engineering<\/em> controlado, e n\u00e3o apenas documentada em um runbook que ningu\u00e9m l\u00ea \u00e0s 3 da manh\u00e3.<\/p>\n Existe uma patologia espec\u00edfica do nosso tempo: orquestrar demais. Times que adicionam Airflow, Kubernetes, service mesh, feature flags e um LLM no mesmo trimestre acabam com um sistema que ningu\u00e9m entende inteiro. A complexidade acidental supera a essencial \u2014 e o tempo de onboarding de um novo engenheiro passa de semanas para meses.<\/p>\n A pergunta que a Reda\u00e7\u00e3o Nova Era sugere como filtro \u00e9 simples: essa automa\u00e7\u00e3o remove um trabalho ou apenas o esconde?<\/strong> Se a resposta for ‘esconde’, o custo vai voltar \u2014 em incidentes, em d\u00edvida t\u00e9cnica, em burnout.<\/p>\n O que separa times de elite n\u00e3o \u00e9 a ferramenta. \u00c9 a disciplina de dizer n\u00e3o para automa\u00e7\u00f5es que n\u00e3o pagam o pr\u00f3prio custo de manuten\u00e7\u00e3o. Em um mercado saturado de solu\u00e7\u00f5es, a habilidade editorial \u2014 e de engenharia \u2014 \u00e9 saber o que deixar de fora.<\/p>\n Para quem quer aprofundar a base conceitual por tr\u00e1s dessas decis\u00f5es, a literatura t\u00e9cnica \u00e9 o melhor investimento. As obras de refer\u00eancia sobre SRE, sistemas distribu\u00eddos e IA aplicada oferecem o arcabou\u00e7o que nenhum tutorial de 15 minutos entrega. \u00c9 por onde a Reda\u00e7\u00e3o Nova Era recomenda come\u00e7ar \u2014 ou recome\u00e7ar, com mais crit\u00e9rio.<\/p>\n \ud83d\udcda Recomenda\u00e7\u00e3o Editorial de Leitura:<\/strong><\/p>\n Para consolidar os fundamentos de confiabilidade, or\u00e7amento de erro e design de sistemas que degradam com dignidade, Engenharia de Confiabilidade do Google (SRE)<\/em> \u00e9 leitura obrigat\u00f3ria. O livro detalha, com casos reais, como times de produ\u00e7\u00e3o tomam decis\u00f5es sob incerteza \u2014 exatamente o que discutimos aqui.<\/p>\nObservabilidade n\u00e3o \u00e9 dashboard: \u00e9 or\u00e7amento de erro<\/h2>\n
Um caso concreto de drift de schema<\/h3>\n
timestamp<\/code> que era INT<\/code> em segundos passou a ser BIGINT<\/code> em milissegundos ap\u00f3s uma migra\u00e7\u00e3o de servi\u00e7o. O pipeline de automa\u00e7\u00e3o que gerava relat\u00f3rios regulat\u00f3rios continuou rodando por 11 dias sem erro vis\u00edvel \u2014 porque a valida\u00e7\u00e3o de schema estava desligada para ‘ganhar performance’. O resultado foi um lote de relat\u00f3rios com janelas temporais erradas, descoberto apenas na auditoria. Nenhum alerta disparou. Nenhum teste falhou. O sistema era, tecnicamente, ‘saud\u00e1vel’.<\/p>\nGovernan\u00e7a de dados: onde a automa\u00e7\u00e3o encontra a \u00e9tica<\/h2>\n
\n
IA como copiloto, n\u00e3o como piloto<\/h2>\n
Degrada\u00e7\u00e3o graciosa como princ\u00edpio de design<\/h3>\n
O custo invis\u00edvel da orquestra\u00e7\u00e3o excessiva<\/h2>\n