A era do desenvolvimento assistido por Inteligência Artificial está evoluindo de uma simples geração de texto para uma integração profunda com o comportamento real dos sistemas. A Grafana Labs anunciou a disponibilidade geral (GA) de duas ferramentas importantes para essa transição: o gcx CLI e o servidor MCP da Grafana. Juntos, eles permitem que agentes de codificação de IA consultem dados de observabilidade, como métricas, logs, traces e SLOs, diretamente durante o ciclo de desenvolvimento.
O Problema da Confiança no Desenvolvimento Agentic
Atualmente, desenvolvedores utilizam LLMs para planejar e implementar mudanças, mas existe um risco importante: a perda do modelo mental que o engenheiro humano constrói ao digitar e analisar cada linha de código. Quando um agente gera um diff completo, o desenvolvedor pode ser tentado a aceitar a alteração sem compreender totalmente seu impacto no sistema.
Mesmo agentes de revisão podem criar uma falsa sensação de segurança ao aprovar Pull Requests (PRs) com base apenas na sintaxe e na estrutura do código, sem considerar o comportamento operacional da aplicação em produção.
Leia também
Web Summit Rio 2026 define datas e confirma palestrantes de peso no Riocentro
Duas Abordagens: gcx CLI e MCP Server
A Grafana Labs oferece dois caminhos distintos para a integração de dados de telemetria.
Grafana MCP Server: uma solução mais opinativa, que oferece um conjunto fixo de ferramentas para tarefas comuns de interação com o Grafana Cloud ou com instâncias auto-hospedadas.
gcx CLI: uma ferramenta mais flexível e menos opinativa, que permite aos agentes criar fluxos de trabalho personalizados para ambientes baseados em infraestrutura Open Source ou Enterprise.
Do Código à Validação Baseada em Evidências
A grande mudança proposta é transformar o processo de revisão de uma pergunta como “o agente entendeu o ticket?” para uma questão mais importante: “o sistema em execução atende às nossas expectativas de performance?”.
Um exemplo prático envolve a implementação de um novo provedor de pagamentos. Em vez de o agente assumir valores genéricos de latência com base nos dados utilizados durante seu treinamento, ele pode consultar as métricas RED atuais, identificar que a latência p95 do provedor existente é de dois segundos e, então, configurar um mock com uma latência realista para os testes de integração.
Dessa forma, o código gerado pela IA passa a ser testado com base no comportamento real observado no ambiente de produção, tornando a validação mais próxima das condições enfrentadas pela aplicação.
Testes de Carga e Verificação de UI
A integração também se estende à automação de testes complexos. Utilizando dados de telemetria de produção, os agentes podem gerar scripts de carga mais realistas para o k6, uma tarefa que anteriormente poderia exigir horas de trabalho manual.
Além disso, a Grafana Labs introduziu o Agentic Testing, que utiliza instruções em linguagem natural para verificar fluxos de interface de usuário em aplicações web em execução. A abordagem permite identificar regressões de front-end que não seriam detectadas apenas pela análise da telemetria do backend.
Com essas ferramentas, o Pull Request do futuro tende a deixar de ser apenas um diff de código e passar a representar um pacote completo de evidências. Além das alterações realizadas, ele poderá incluir links para dashboards e resultados de testes que demonstram como o código se comporta sob cargas realistas.
Essa integração aproxima a geração de código por Inteligência Artificial da realidade operacional dos sistemas, permitindo que as implementações sejam avaliadas não apenas pelo código produzido, mas também pelos impactos observados na aplicação e pela saúde do ambiente em produção.
