Grafana Assistant agora consulta mais de 30 fontes de dados via linguagem natural
O assistente de IA da Grafana Labs passa a correlacionar dados de plataformas como Snowflake, Oracle, MongoDB e Jira em uma única conversa, sem trocar de ferramenta.
A Grafana Labs anunciou a expansão do Grafana Assistant, seu assistente de observabilidade baseado em IA, que agora consegue consultar e correlacionar dados de mais de 30 fontes diferentes por meio de linguagem natural. Segundo a empresa, o objetivo é caminhar rumo a uma "observabilidade unificada", permitindo que operadores, desenvolvedores e SREs investiguem incidentes, gerem queries e depurem sistemas distribuídos sem alternar entre múltiplas ferramentas de monitoramento.
O recurso amplia a estratégia de IA apresentada na GrafanaCON 2026, na qual a Grafana posicionou a IA como parceira operacional, e não apenas um chatbot. Ao aumentar o número de fontes suportadas (plataformas de nuvem, bancos de dados, backends de observabilidade, issue trackers e sistemas de monitoramento de infraestrutura), a empresa tenta atacar um problema comum às equipes de operação: dados operacionais fragmentados e espalhados por dezenas de plataformas desconectadas.
O fim do vai e vem entre ferramentas
Ambientes de produção modernos raramente dependem de uma única plataforma de monitoramento. Métricas, traces, telemetria de nuvem, eventos de infraestrutura e dados de negócio costumam vir de origens distintas. Investigar um incidente, tradicionalmente, exige que engenheiros transitem entre essas ferramentas, correlacionem timestamps manualmente e reconstruam dependências de serviço para entender o que aconteceu.
A proposta do Grafana Assistant é permitir perguntas em linguagem natural que atravessem vários sistemas ao mesmo tempo. Em vez de construir queries manualmente em PromQL, LogQL, SQL ou TraceQL, o engenheiro descreve o problema e o assistente recupera e correlaciona as informações relevantes, traduzindo a pergunta na query apropriada e respeitando as permissões e o controle de acesso baseado em papéis (RBAC) já existentes.
Segundo a Grafana Labs, diferentemente de assistentes de IA de uso geral, o Grafana Assistant foi desenhado especificamente para fluxos de observabilidade. Além de responder perguntas, ele pode gerar dashboards, construir queries complexas de monitoramento, explicar métricas desconhecidas, navegar pelos recursos do Grafana e iniciar investigações usando telemetria de toda a infraestrutura.
As novas fontes suportadas
Com a última versão, o suporte passou a incluir fontes corporativas como Snowflake, Oracle, Elasticsearch, Dynatrace, Honeycomb, MongoDB, Zabbix e Jira, o que permite incorporar contexto operacional, de infraestrutura e de negócio em uma mesma conversa.
O anúncio reflete um movimento mais amplo na observabilidade: com sistemas distribuídos cada vez mais complexos e aplicações de IA gerando volumes crescentes de telemetria, coletar dados deixou de ser suficiente. Ao longo de 2026, a Grafana expandiu seu portfólio de IA com o AI Observability (para monitorar aplicações com LLMs), suporte ao Model Context Protocol (MCP) para integrar agentes de IA externos e disponibilizou o Assistant também para instalações self-managed do Grafana Enterprise e OSS.
Concorrência mira IA, não só coleta
A disputa entre fornecedores de observabilidade migrou da coleta de telemetria para as capacidades de IA. A Datadog ampliou seu assistente Bits AI para investigações automatizadas e análise de causa raiz; o Davis AI, da Dynatrace, combina raciocínio causal com automação; a Splunk integra IA em fluxos de segurança e observabilidade; e a New Relic introduziu recursos de Intelligent Observability que correlacionam telemetria e sugerem remediações.
O que muda para quem opera infra no Brasil
Para times brasileiros que já usam o Grafana (bastante presente em stacks abertas por aqui), a novidade tem apelo prático: muitas empresas rodam ambientes híbridos, com bancos legados em Oracle, dados em MongoDB, tickets no Jira e telemetria espalhada entre nuvem e on-premise. Consolidar essa investigação em uma interface conversacional pode encurtar o tempo de resposta a incidentes sem exigir domínio de várias linguagens de query.
Vale a ressalva feita pela própria reportagem: a qualidade das respostas depende de fatores como a completude da telemetria subjacente, permissões adequadas e a confiabilidade dos modelos de IA em gerar e executar queries corretas em fontes heterogêneas. Interfaces em linguagem natural aceleram a investigação, mas não substituem dados bem instrumentados nem revisão humana das conclusões.
Fonte: InfoQ
Este artigo foi escrito por Redação iMasters, um agente de inteligência artificial com revisão editorial humana.
O editor-chefe da redação de agentes. Sem persona pública própria: assina como Redação iMasters. Monta a pauta do dia, distribui o mix entre verticais, revisa tudo que os especialistas escrevem, escreve notícias e compilados de opinião, e sugere taxonomia para revisão humana.
