Nossa publicação original sobre o ADC09 faz uma observação pragmática: nem todas as aplicações se encaixam perfeitamente em modelos padronizados de entrega. Algumas exigem roteamento personalizado, integrações especializadas ou um tratamento específico que foge aos padrões predefinidos de balanceamento de carga e segurança. A conclusão é igualmente pragmática. Se você tentar forçar todas as aplicações a se encaixarem no mesmo molde, acabará comprometendo a aplicação ou criando entraves operacionais. A resposta sempre foi a programabilidade na camada de entrega, para que você possa se adaptar sem precisar reescrever tudo.
Essa premissa continua válida.
O que mudou é que a IA aumentou drasticamente o número de aplicações que se comportam dessa forma. O que antes eram casos excepcionais está rapidamente se tornando a norma.
Os sistemas de IA não são estáticos. Eles são modulares, orientados pelo contexto e cada vez mais autônomos na forma como atendem às solicitações. Isso significa que o caráter “sob medida” não é mais uma característica de apenas algumas aplicações, mas da própria arquitetura.
Consequências dos requisitos de aplicações de IA sob medida
Impacto na disponibilidade
Em sistemas tradicionais, requisitos personalizados muitas vezes dificultavam a disponibilidade, pois introduziam lógica customizada no roteamento e no failover. Os padrões convencionais pressupõem um comportamento previsível. Quando uma aplicação foge desse comportamento, as estratégias de disponibilidade precisam ser ajustadas de acordo.
A IA muda o foco do problema: do roteamento de solicitações para a tomada de decisões.
Uma solicitação a um sistema de IA não é uma transação simples. Ela pode envolver a seleção de um modelo, a recuperação de contexto, a aplicação de políticas, a geração de uma resposta e, possivelmente, o acionamento de serviços ou ferramentas adicionais. Cada uma dessas etapas pode ser bem-sucedida ou falhar de forma independente, e cada uma pode estar sujeita a diferentes restrições, como limites de latência, custos ou requisitos regulatórios.
Isso significa que a disponibilidade não se resume mais a verificar se um endpoint está acessível. Trata-se de saber se o sistema consegue executar com sucesso toda a cadeia de decisões necessária para atender à solicitação.
É possível ter um sistema em que todos os componentes estejam tecnicamente operacionais, mas, ainda assim, a aplicação não consiga produzir uma resposta. Um modelo pode estar disponível, mas não ser permitido para um determinado conjunto de dados. Uma etapa de recuperação pode retornar dados que não podem ser usados devido a políticas. Um agente pode iniciar um fluxo de trabalho e não conseguir concluí-lo porque uma ação necessária está bloqueada.
Isso cria um tipo diferente de desafio de disponibilidade. O failover tradicional pressupõe que seja possível encaminhar a solicitação para outro lugar. Em sistemas de IA, muitas vezes é necessário encontrar uma forma alternativa de concluir a tarefa. Isso exige uma tomada de decisão dinâmica na camada de entrega, e não apenas redundância na infraestrutura.
Impacto na escalabilidade
A publicação original destaca a dificuldade de escalar aplicações que dependem de integrações personalizadas. Cada dependência adicional aumenta a complexidade, e a escalabilidade muitas vezes exige um esforço extra de desenvolvimento para gerenciar essas integrações de forma eficaz. A IA intensifica esse desafio porque é inerentemente baseada em composição.
Um aplicativo baseado em IA pode depender de vários modelos, bancos de dados vetoriais, APIs e fontes de dados externas. A combinação desses elementos não é fixa. Ela pode mudar de acordo com a solicitação, o usuário ou o contexto. Essa variabilidade se torna o fator predominante para a escalabilidade.
Escalar não significa mais apenas processar mais solicitações por segundo. Significa lidar com mais combinações de comportamentos em cada solicitação.
Se cada variação precisar ser implementada no código da aplicação, o sistema rapidamente se tornará impossível de gerenciar. As alterações se tornam arriscadas, as implantações ficam mais lentas e a aplicação vira uma colcha de retalhos de lógica condicional.
Assim, a mesma solução usada em aplicações tradicionais se torna ainda mais importante. Você transfere essa variabilidade da aplicação para a camada de entrega. As decisões de roteamento passam a abranger decisões de orquestração. A inserção de serviços se transforma em composição dinâmica. A camada de entrega passa a ser responsável por selecionar a combinação certa de componentes para atender a cada solicitação.
Sem essa mudança, a escalabilidade sucumbe à própria complexidade.
Impacto na eficiência operacional
Requisitos sob medida sempre aumentaram a sobrecarga operacional. Cada exceção exige manutenção. Cada personalização introduz mais um ponto de falha. Com o tempo, isso resulta em um sistema mais difícil de gerenciar e mais lento para evoluir. Isso é dívida operacional, e a IA acelera seu acúmulo.
O sistema não está mais apenas processando fluxos predefinidos. Ele está gerando esses fluxos. Diferentes prompts podem acionar diferentes fluxos de execução. Os agentes podem encadear ações de maneiras que não foram explicitamente projetadas com antecedência. Novos modelos e serviços são introduzidos regularmente, cada um com suas próprias características e restrições.
Isso cria um fluxo constante de variações que as equipes de operações precisam levar em consideração.
Se a única maneira de gerenciar essa variação for modificar o código da aplicação ou atualizar configurações estáticas, o sistema se tornará frágil. As equipes passam o tempo reagindo a casos extremos em vez de gerenciar o sistema como um todo. Surgem inconsistências entre os ambientes. O comportamento se desvia.
A eficiência operacional, portanto, depende da capacidade de centralizar o controle sobre essa variabilidade. A camada de entrega precisa atuar como uma força estabilizadora, absorvendo as diferenças e aplicando políticas consistentes em um sistema que, de outra forma, seria dinâmico. Sem isso, a personalização rapidamente se transforma em caos.
Práticas recomendadas para gerenciar requisitos personalizados
Programabilidade como um recurso de primeira classe
A programabilidade continua sendo fundamental para atender a requisitos específicos, sejam eles de IA, tradicionais, modernos ou <insira aqui a próxima geração>. Em vez de incorporar a lógica diretamente nos aplicativos, você introduz uma camada programável no caminho de entrega, capaz de se adaptar a diferentes necessidades.
Com a IA, isso se torna essencial porque os sistemas de IA evoluem rapidamente. Novos modelos são introduzidos, as políticas mudam, as fontes de dados se alteram e novos padrões de interação surgem. Não é possível prever tudo isso durante a fase de projeto, nem reconstruir as aplicações sempre que algo muda.
Uma camada de entrega programável permite que você faça adaptações sem precisar reconstruir tudo. Você pode inspecionar solicitações, aplicar roteamento sensível ao contexto, modificar entradas e saídas e adicionar ou remover serviços conforme necessário. Mais importante ainda, você pode fazer isso de forma consistente em todas as aplicações.
É aqui que a entrega de aplicações começa a se parecer menos com uma infraestrutura de encanamento e mais com um plano de controle. Não se trata apenas de movimentar tráfego, mas de moldar o comportamento do sistema.
O direcionamento de tráfego se transforma em roteamento de decisões
A entrega tradicional de aplicações se concentra em direcionar o tráfego para o destino correto. A pergunta sempre foi: “Para onde esta solicitação deve ir?” A IA transforma essa pergunta em algo mais complexo: “Qual é a melhor maneira de atender a esta solicitação?”
Às vezes, isso significa escolher entre vários modelos com base em requisitos de latência, custo ou conformidade. Em outros casos, significa enriquecer a solicitação com contexto adicional antes de enviá-la a um modelo. Também pode significar ignorar completamente a IA e encaminhar a solicitação para um serviço determinístico capaz de fornecer uma resposta mais precisa ou em conformidade.
A decisão não diz mais respeito apenas à localização. Ela diz respeito à execução.
Essa mudança transforma o roteamento em uma função de nível mais elevado. Ele passa a ser responsável por selecionar o caminho que a solicitação seguirá entre um conjunto de recursos possíveis. Isso também significa que a camada de entrega precisa ter visibilidade de mais do que apenas as condições da rede. Ela precisa conhecer as políticas, o contexto e os resultados desejados.
Esta é uma extensão natural do que o ADC09 sempre defendeu. Quando as aplicações têm requisitos específicos, a camada de entrega precisa se adaptar. A IA simplesmente eleva o nível em que essa adaptação ocorre.
Conclusão
A programabilidade como recurso sempre reconheceu uma verdade simples: as aplicações não são uniformes, e a infraestrutura precisa acomodar suas diferenças. Essa verdade permanece inalterada.
O que a IA faz é aumentar tanto a frequência quanto a complexidade dessas diferenças. Os sistemas se tornam mais dinâmicos, mais modulares e mais dependentes de decisões tomadas em tempo de execução. A ideia de um caminho “padrão” para as aplicações se torna mais difícil de sustentar.
A resposta é a mesma de sempre, mas agora é mais urgente.
Você precisa de programabilidade na camada de entrega. Precisa de controle centralizado sobre como as solicitações são processadas, encaminhadas e atendidas. E precisa ter a capacidade de se adaptar a novos requisitos sem reescrever as aplicações sempre que algo mudar.
Porque, em uma arquitetura orientada por IA, soluções sob medida deixaram de ser uma exceção em torno da qual você projeta.
É o modelo operacional para o qual você projeta.
Saiba mais sobre os 10 principais desafios da entrega de aplicações enfrentados por organizações em todo o mundo.
Sobre o autor
Lori MacVittie é engenheira distinta e evangelista-chefe no Escritório do CTO da F5, com ampla experiência em entrega de aplicações, estratégia de automação e infraestrutura. Ela é conhecida por transformar complexidade em clareza, seja definindo diretrizes para agentes de IA, analisando arquiteturas multinuvem frágeis ou investigando os limites de sistemas escaláveis. Ela acumula mais de trinta anos de experiência no setor, abrangendo desenvolvimento de aplicações, arquitetura de TI e operações de redes e sistemas. Antes de ingressar na F5, atuou como editora de tecnologia e recebeu diversos prêmios. MacVittie tem mestrado em Ciência da Computação e é uma autora prolífica, com publicações que abrangem segurança, nuvem e arquitetura empresarial. Ela também é uma entusiasta de jogos de tabuleiro e videogames, além de ter opiniões assumidamente fortes sobre queijos.
Mais publicações de Lori Mac VittiePublicações relacionadas no blog
Top 10 em entrega de aplicações de IA: falta de segurança e conformidade regulatória
A IA amplia a conformidade, que deixa de se limitar à proteção de caminhos e repositórios e passa a abranger a governança do comportamento em tempo de execução — acesso a modelos, contexto de recuperação, resultados e ações de agentes —, exigindo que os controles se aproximem da inferência.
O que é o Top 10 de Entrega de Aplicações?
A F5 busca ajudar as organizações a enfrentar os desafios de entrega e proteção de aplicações, APIs e IA generativa com a lista dos 10 principais desafios de entrega de aplicações.
Top 10 de entrega de aplicações de IA: políticas de entrega incompatíveis
Incompatibilidades entre políticas se tornam geradoras de indisponibilidade de IA: failover, tempos limite, limites e controles de segurança inconsistentes causam falhas silenciosas, resultados parciais e desfechos diferentes conforme o endpoint.
Top 10 em entrega de aplicações de IA: incapacidade de lidar com a latência
A IA transforma a latência em um problema de confiança, não apenas de desempenho: respostas lentas do “assistente” parecem hesitação ou falha, e prompts e respostas com muitos tokens aumentam a carga de trabalho mesmo em sistemas funcionando normalmente.
Top 10 de entrega de aplicações de IA: direcionamento de tráfego não otimizado
A IA rompe com as premissas tradicionais de direcionamento de tráfego: os back-ends não são intercambiáveis, os custos variam e os agentes distribuem requisições de forma imprevisível — por isso, o roteamento deve levar em conta o modelo, a integridade das GPUs e a localidade dos dados.
Top 10 de entrega de aplicações de IA: controles de tráfego insuficientes
Limites de taxa e mecanismos de limitação tradicionais não capturam o verdadeiro raio de impacto. As cargas de trabalho de IA se distribuem entre modelos, bancos de dados vetoriais e serviços, provocando picos de latência, falhas em cascata e novas tentativas.