GenAI virou palavra obrigatória em qualquer discussão de DevOps, mas grande parte das implementações não sai do protótipo. Aqui estão três aplicações que realmente entregam valor em produção.
1. Geração assistida de runbooks
Modelos generativos são bons em transformar histórico de incidentes em documentação estruturada. Um prompt simples já resolve boa parte do trabalho:
prompt = f"""
Baseado nos logs de incidente abaixo, gere um runbook em markdown
com: causa raiz, passos de mitigação e prevenção futura.
{incident_logs}
"""
response = client.messages.create(
model="claude-sonnet-5",
max_tokens=1024,
messages=[{"role": "user", "content": prompt}],
)
2. Revisão automática de Terraform em PRs
Um agente que roda terraform plan e resume o impacto do diff em linguagem natural no PR reduz drasticamente o tempo de review.
- name: Resumo de impacto do plan
run: |
terraform plan -out=plan.tfplan
terraform show -json plan.tfplan | python summarize_plan.py
3. Triagem inicial de alertas
Antes de acordar alguém do time, um agente pode correlacionar métricas, logs e deploys recentes e já sugerir a causa mais provável do alerta.
O ponto central: GenAI no DevOps funciona melhor como copiloto dentro do pipeline existente, não como substituto das ferramentas de observabilidade e infraestrutura como código que você já tem.