AWS DevOps Agent e Datadog MCP Server entram em produção para resolução autônoma de incidentes

O AWS DevOps Agent não é só mais um agente de IA que roda em background: ele opera como um SRE virtual com permissão IAM, acesso estruturado a APIs via MCP e memória de incidentes resolvidos. Desde sua GA em 31/03/2026, ele já foi validado em ambientes com até 47 clusters EKS e 12 contas AWS vinculadas, e agora, com o Datadog MCP Server (GA desde 09/03/2026), passa a consumir dados de observabilidade sem parsing manual de JSON ou manutenção de endpoints customizados. O MCP Server da Datadog não expõe APIs cruas; ele traduz perguntas em linguagem natural para consultas segmentadas: por exemplo, 'qual o SLO do serviço X nos últimos 24h?' vira uma chamada direta ao endpoint /api/v2/slo, com autenticação automática e tratamento de rate limiting.

Essa camada de abstração é crítica para confiabilidade: em testes com clientes do setor financeiro, o uso direto de APIs da Datadog gerava falhas em 12% das investigações por timeout ou schema mismatch, taxa reduzida para 0,8% com o MCP Server. O agente também não depende apenas de telemetria: ele correlaciona logs do CloudWatch com commits do GitHub (via integração nativa) e eventos de deployment no CodePipeline, permitindo inferir causas raiz como 'rollback de versão 2.4.1 introduziu regressão em timeout de Lambda' sem intervenção humana.

A diferença entre a versão de pré-visualização (dez/2025) e a GA atual é técnica e operacional: antes, o DevOps Agent exigia configuração manual de cada fonte de dados (ex.: script Python para puxar logs do Datadog + parser personalizado); agora, ele se conecta ao Datadog MCP Server com três cliques no console, e o servidor lida com autenticação, versionamento de API, fallbacks e cache de contexto. Também mudou a granularidade da prevenção: na preview, as recomendações eram genéricas ('ajuste timeout'); na GA, são específicas ('aumentar function.timeout de 30s para 45s no arquivo serverless.yml, linha 87, conforme padrão definido no repositório infra-as-code'). Isso só foi possível porque o agente agora indexa código-fonte e IaC como parte do seu grafo de conhecimento interno.

Isso não é automação de alertas, é mudança no ciclo de vida do incidente. Antes, MTTR era medido em horas porque engenheiros gastavam 68% do tempo colhendo dados; agora, o agente entrega causa raiz + plano de mitigação em menos de 5 minutos, e o engenheiro avalia, aprova e executa. Em produção real, isso reduziu o esforço humano por incidente de 4,2 horas para 22 minutos, tempo que agora é usado para validar correções e ajustar políticas de confiabilidade, não para caçar logs. Para times de SRE, significa sair do modo 'firefighting' e entrar em 'reliability engineering': o agente cuida da detecção e triagem; o humano define os limites de tolerância, os critérios de sucesso e as trade-offs entre velocidade e estabilidade.