Em 2022, propusemos uma mudança na arquitetura corporativa que, na época, pareceu um tanto visionária. O argumento era simples: para que as organizações operassem negócios digitais impulsionados por IA, sua arquitetura precisava evoluir. Os aplicativos continuariam sendo o principal centro de geração de valor, mas as camadas ao redor teriam que mudar. A distribuição e a entrega de aplicativos, a arquitetura e a governança de dados e a infraestrutura formariam o núcleo operacional. Em torno dessas camadas estariam os recursos necessários para operar sistemas altamente automatizados e orientados por dados: observabilidade e automação. A arquitetura, as operações e a governança de segurança abrangeriam toda a pilha, com as práticas de SRE integrando o ciclo operacional.
A premissa por trás desse modelo não era que a IA surgiria magicamente em todos os lugares. A premissa era que a IA aumentaria a velocidade das mudanças nos sistemas digitais e a escala da interação entre eles conduzida por máquinas. A observabilidade seria necessária para entender o que estava acontecendo dentro desses sistemas, e a automação seria necessária para responder com rapidez suficiente para mantê-los estáveis.
Avançando até os dias de hoje, essa arquitetura parece menos hipotética.
O estado atual da arquitetura empresarial
Nossa pesquisa mais recente mostra que cerca de três quartos das organizações já utilizam aplicações habilitadas por IA, e mais de 80% esperam incorporar recursos de IA a todo o seu portfólio em um futuro próximo. Na prática, a IA se tornou mais uma dependência das aplicações. Os modelos são acionados por meio de APIs, os endpoints de inferência funcionam como serviços, e prompts e respostas trafegam entre os componentes como tráfego de aplicações.
Quando a IA passa a fazer parte da camada de aplicações, o papel da distribuição e da entrega de aplicações fica imediatamente claro. As solicitações de inferência precisam ser roteadas. A latência se torna crucial para a experiência do usuário. Os endpoints dos modelos precisam acompanhar o aumento da demanda. As interações entre aplicações e modelos precisam ser inspecionadas e controladas.
Mas o tráfego de inferência é apenas parte da história.
A verdadeira consequência arquitetural da adoção da IA se manifesta nas camadas operacionais que destacamos anos atrás: automação e observabilidade.
Essas camadas inevitavelmente criam novas categorias de tráfego de sistemas.
Duas novas categorias de tráfego do sistema
O tráfego de automação consiste em ações geradas por máquinas que interagem com a infraestrutura. Agentes fazem chamadas a APIs. Plataformas de automação atualizam configurações. Sistemas de decisão acionam fluxos de trabalho. Essas solicitações já não são iniciadas principalmente por pessoas. Elas são geradas por sistemas que reagem a sinais e ao contexto.
Nossa pesquisa mostra que essa mudança já está em curso. Quase dois terços das organizações afirmam usar IA para acelerar a automação, e mais da metade permite que sistemas de IA ajustem políticas ou configurações automaticamente.
Em termos práticos, isso significa que a infraestrutura é cada vez mais modificada por decisões tomadas por máquinas. Chamadas de API, alterações de configuração e fluxos de trabalho operacionais são acionados por software, e não por operadores.
Essa atividade é tráfego de automação.
O tráfego de automação se comporta de maneira diferente das interações operacionais tradicionais. Ele pode ocorrer na velocidade das máquinas e em uma escala muito maior do que a atividade humana. Por isso, deve ser fornecido e gerenciado com o mesmo rigor aplicado ao tráfego de aplicações. Os sistemas devem ser dimensionados para lidar com picos de atividade automatizada. Limites de taxa e cotas podem ser necessários para evitar que a automação saia do controle. Os controles de identidade e autorização devem garantir que os agentes operem apenas dentro do escopo previsto.
A segunda classe de tráfego emergente é o tráfego de telemetria.
O tráfego de telemetria consiste em métricas, logs, rastreamentos e eventos que fluem pelos sistemas de observabilidade. Nas operações tradicionais, a telemetria servia principalmente para embasar a tomada de decisões humanas. Os operadores observavam o comportamento do sistema e decidiam como agir.
A IA muda esse ciclo.
Os sinais de observabilidade alimentam cada vez mais os sistemas automatizados de tomada de decisão. A telemetria fornece dados a modelos que detectam anomalias, recomendam ações ou acionam fluxos de trabalho de remediação. Em vez de simplesmente descrever o sistema, a telemetria passa a ser uma entrada para os sistemas que o controlam.
Isso aumenta significativamente a importância do tráfego de telemetria. Esses sinais precisam ser escaláveis para atender às crescentes demandas das análises orientadas por IA. Mais importante ainda, eles precisam ser confiáveis. Se os fluxos de telemetria forem imprecisos ou manipulados, os sistemas de automação que dependem deles poderão tomar decisões incorretas ou prejudiciais.
Portanto, os pipelines de telemetria exigem controles próprios de entrega e segurança. As fontes devem ser autenticadas para garantir que os sinais sejam legítimos. Os pipelines devem ser dimensionados para comportar o volume crescente de telemetria. Os sistemas de observabilidade devem monitorar a própria infraestrutura de telemetria.
O tráfego de automação e o tráfego de telemetria formam um ciclo de feedback. Esse ciclo é o pulso operacional dos ambientes habilitados por IA.
O que tudo isso significa
A arquitetura que propusemos anos atrás já previa a necessidade de automação e observabilidade, pois sistemas altamente dinâmicos exigem ambas. O que a IA fez foi acelerar as condições que tornam essas camadas essenciais.
A automação gera tráfego de automação. A observabilidade gera tráfego de telemetria.
Ambos surgem como consequências naturais da operação de sistemas habilitados por IA em escala. E, assim como todas as outras formas de interação entre sistemas que os precederam, essas classes de tráfego devem ser tratadas como elementos de primeira classe na arquitetura empresarial. Elas devem ser entregues de forma confiável, regidas por políticas, autenticadas por identidade e protegidas como qualquer outro tráfego de aplicações ou sistemas que circule pelo ambiente.
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
Por que o roteamento de modelos pode se tornar uma infraestrutura de segurança
A IA agêntica expõe os limites da identidade. Modelos especializados, combinados com roteamento baseado em políticas, vinculam a autoridade à escolha do modelo, reduzindo o raio de impacto e a complexidade da governança.
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.
As 10 principais ameaças à entrega de aplicações de IA: observabilidade incompleta
A IA não escala sozinha. Sem um plano de controle unificado que elimine as barreiras entre ferramentas e responsabilidades, a inferência se torna a camada mais frágil e que mais exige coordenação.
Habilidades de agentes: um padrão aberto emergente
As skills declaram intenção, mas não impõem controle. A segurança de verdade deve estar nos limites das ferramentas, onde os pensamentos dos agentes se transformam em ações e as políticas podem ser aplicadas.
De pacotes a prompts: a inferência adiciona uma nova camada à pilha
Inferência não é treinamento. Não é experimentação. Não é um exercício de ciência de dados. Inferência é um comportamento de execução em produção e funciona como uma camada de aplicação.
A influência da inferência: APIs, DPUs e o caos do contexto
A inferência de IA está remodelando a infraestrutura, multiplicando APIs, sobrecarregando a capacidade computacional e tornando o contexto mais complexo. Saiba por que uma arquitetura mais inteligente e políticas de execução são essenciais.