Desafios e Oportunidades na Automação de DevOps: Perspectivas do Relatório Pulse 2023
A busca por uma automação de DevOps aprimorada está trazendo vantagens significativas para as empresas, mas as organizações enfrentam obstáculos relacionados a dados e a necessidade de utilizar inteligência artificial (IA) para resultados melhores. De acordo com o Relatório Pulse de Automação de DevOps 2023 da Dynatrace, enquanto 56% dos processos de DevOps de ponta a ponta estão atualmente automatizados, apenas 38% das organizações desenvolveram uma estratégia de automação clara.
O relatório destaca preocupações que dificultam uma automação efetiva. Desafios de segurança, dificuldades em operacionalizar dados e a complexidade das ferramentas representam barreiras significativas, com 54% das empresas de TI citando esses pontos como críticos. Como observa Bernd Greifeneder, CTO da Dynatrace, "As equipes estão presas em silos de dados e operações manuais, exigindo uma abordagem unificada e orientada por IA para realmente promover inovação enquanto garante qualidade e segurança do software."
O Papel dos Dados e Habilidades na Automação
Os achados da Dynatrace mostram que a automação está relacionada a melhorias comerciais notáveis. Os participantes da pesquisa relataram um aumento de 61% na qualidade do software, um crescimento de 58% na satisfação dos funcionários, uma redução de 57% nas falhas de implantação e uma diminuição de 55% nas despesas de TI atribuídas à automação.
Apesar dessas vantagens, ainda existem desafios em aproveitar os dados de forma eficaz para decisões de automação. Os principais obstáculos incluem dados inacessíveis (51%), informações isoladas (43%) e a necessidade complicada de agregar dados de múltiplos sistemas antes da análise (41%). Além disso, 54% dos entrevistados estão investindo em plataformas projetadas para facilitar a integração de ferramentas e aumentar a colaboração entre equipes que trabalham em projetos de automação. No entanto, a dependência de mais de sete ferramentas distintas em média indica que a fragmentação ainda é uma barreira significativa.
As lacunas de habilidades complicam ainda mais a situação, com 56% dos entrevistados identificando a falta de proficiência em linguagens de script como um dos principais obstáculos para avançar nos esforços de automação.
Aproveitando Modelos de Linguagem de Grande Escala para Eficiência
Uma solução promissora identificada no relatório é o uso de modelos de linguagem de grande escala (LLMs) para aliviar a pressão de trabalho. Notavelmente, 57% dos entrevistados acreditam que os LLMs podem aumentar a produtividade e reduzir tarefas manuais, enquanto 48% veem potencial para esses modelos apoiarem a geração automática de código. Os LLMs podem ser ajustados com conjuntos de dados existentes para otimizar tarefas específicas ou utilizar modelos especializados adaptados para domínios distintos, como Owl — um modelo dedicado à automação de tarefas de TI.
A Dynatrace enfatiza que equipes bem-sucedidas de DevOps devem sinergizar os modelos de linguagem de grande escala com a maturidade dos dados para alcançar "precisão e previsão." Como afirma Greifeneder, "A automação orientada por dados é crucial para desbloquear inovação e atender às expectativas dos clientes na era das aplicações nativas da nuvem." Diferentemente dos métodos tradicionais de IA que podem ser limitados em escopo, plataformas que combinam técnicas preditivas, causais e generativas podem se destacar na resolução de diversos desafios de automação em DevOps.
Em resumo, embora a jornada rumo a uma automação avançada de DevOps apresente obstáculos, a integração de IA e estratégias de dados aprimoradas oferece um caminho promissor para aumentar a eficiência, impulsionar a produtividade e fomentar a inovação no cenário competitivo atual.
Classificação
