Um agente de IA que audita a própria plataforma de dados
Uma camada de automação nativa em Claude que lê a telemetria da plataforma e revela riscos reais de produção — credenciais vazadas, falhas silenciosas de pipeline, drift de custo — sem depender de alguém disparar a checagem.
- Claude (Managed Agents)
- MCP
- Jira
- Slack
- GitHub
- BigQuery
- Datadog
- GCP
Contexto
Operar uma plataforma de dados de produção carrega um risco constante: pipelines falham em silêncio, credenciais vazam, o Terraform diverge do que está de fato implantado, e o custo sobe sem ninguém notar. Pegar tudo isso manualmente não escala.
Problema
Construir uma camada de automação que observa a plataforma como um engenheiro sênior observaria — sem manter um servidor dedicado, e sem dar acesso de escrita em produção a um agente autônomo.
Solução
- Desenhei um sistema de automação por agentes, somente leitura, em cima da infraestrutura de agentes gerenciados do Claude, conectado às próprias ferramentas da plataforma via MCP (Jira, Slack, GitHub, BigQuery, Datadog, APIs da GCP).
- Entreguei workflows de auditoria agendados e somente leitura, além de um conjunto pequeno de skills reutilizáveis, em vez de um script monolítico.
- Rodei contra a plataforma real como prova de conceito.
Resultado
A prova de conceito encontrou sozinha problemas reais e até então não percebidos: uma service-account key vazada na GCP, um pipeline com taxa de falha parcial de cerca de 40% que não estava alertando, erros de permissão em staging se repetindo centenas de vezes, drift de execução no Terraform Cloud, e um ponto de concentração de custo no BigQuery — tudo revelado sem que um humano fosse procurar primeiro.
Aprendizados
Somente-leitura por design mais um catálogo pequeno de workflows focados vence um agente autônomo com acesso de escrita amplo — encontrou problemas reais sem nunca precisar de permissão de escrita em produção.