Coreografia: incident response com copiloto

Três da manhã, PagerDuty dispara. O checkout está devolvendo erro 500 pra 12% dos pedidos, e o time inteiro acorda tentando entender o que mudou nas últimas duas horas. Antes disso era vasculhar Datadog, Grafana e o log do serviço de pagamento um por um, quase quarenta minutos só pra montar a linha do tempo antes de sequer cogitar uma causa. Hoje você cola os logs dos três serviços na IA e, em menos de dois minutos, ela devolve uma timeline com o horário de cada erro, o deploy que saiu às 2h48 e a versão anterior estável. Ela também sugere, com a mesma confiança de sempre, que a causa é uma migração de banco que rodou junto. Só que essa migração já tinha rodado semana passada sem problema nenhum, e é você, o incident commander, que precisa notar isso antes de decidir o rollback.

Um cliente ameaça rescindir um contrato de fornecimento alegando descumprimento de SLA contratual, e você tem 48 horas pra montar a defesa. Você pede pra IA cruzar o histórico de entregas com o texto do contrato, e ela aponta, com tom seguro, que o SLA contratual era de 95% e vocês entregaram 93%, favorecendo o cliente. O contrato real definia 90% como meta, não 95%, um número que a IA tirou de um contrato-modelo genérico, não do documento assinado de verdade. Conferir a cláusula original antes de aceitar essa leitura evita ceder num ponto que juridicamente não existe.

A pesquisa de clima da área comercial caiu 15 pontos no eixo de reconhecimento, e o RH quer uma explicação até sexta. Você pede pra IA cruzar a pesquisa com dados de turnover e de promoção dos últimos dois trimestres, e ela monta rápido uma timeline de eventos e aponta, convicta, que a causa foi o congelamento de promoções em março. As promoções não estavam congeladas, o processo só ficou mais lento por causa de um novo comitê de calibração. É você, olhando o processo de perto, que percebe a diferença antes de anunciar uma causa errada pro time inteiro.

A retenção em D7 de uma feature nova despenca 25% numa terça qualquer, sem nenhum anúncio de mudança. Você pede pra IA cruzar os eventos do produto com o changelog de deploys da semana, e ela monta a timeline rápido, apontando um experimento de A/B testing como causa provável, com a mesma confiança de sempre. O experimento realmente rodou naquele dia, mas ele afetava só 5% dos usuários, não os 25% que caíram. A causa real era um bug de cache que ninguém tinha ligado ao experimento. Cabe a você cruzar o percentual antes de fechar a causa e escrever o relatório pro time de produto.

O pipeline do mês despenca 18% numa semana, e o diretor comercial quer saber o motivo antes da reunião de forecast. Você pede pra IA cruzar o CRM com o calendário de feriados e o histórico de sazonalidade, e ela aponta, segura, que a queda é sazonalidade normal de fim de trimestre. Só que, olhando de perto, três vendedores saíram do time nas últimas duas semanas, e é esse detalhe que explica a queda de verdade, não a sazonalidade. É você quem cruza os dois sinais antes de levar uma causa errada pra reunião que decide a meta do próximo mês.

O SLA de entrega despenca de 96% pra 81% numa única semana, e o painel do Zendesk mostra reclamação subindo rápido. Você pede pra IA cruzar o tempo de cada etapa da operação com o volume processado, e ela aponta, com confiança total, que o gargalo está no centro de distribuição principal. O centro de distribuição estava normal; o atraso vinha de uma transportadora nova, contratada há dez dias, que ainda não tinha o roteiro calibrado. Confirmar isso no sistema de rastreio, antes de cobrar o centro errado, é trabalho seu.

Um relatório automático de conformidade acende um controle de LGPD como reprovado, dias antes de uma auditoria externa. Você pede pra IA investigar a origem, cruzando o log de acesso com a política vigente, e ela conclui, segura, que o problema é falta de consentimento registrado. O consentimento estava registrado, só que num campo com nome diferente do que o script de checagem esperava. É você, abrindo o registro original, que evita reportar um incidente de LGPD que não existe pro comitê de risco.

A taxa de conclusão do fluxo de cadastro cai 12 pontos depois de um redesenho, e o time de produto quer entender por quê antes do próximo sprint. Você pede pra IA cruzar as sessões gravadas com o changelog do fluxo, e ela aponta, confiante, que o campo de senha é o ponto de abandono. As sessões mostram o abandono acontecendo, na verdade, na etapa anterior, de verificação de e-mail, que ninguém tinha marcado como suspeita. Revisar as sessões de perto, em vez de aceitar o primeiro palpite, é o que evita redesenhar o campo errado.

Terça de manhã, o board pergunta por que a expansão pro mercado do Sul saiu do orçamento em 30%, e você tem até a tarde pra explicar. Você joga os relatórios financeiros da unidade de negócio na IA, que monta uma timeline de gasto mês a mês em minutos e aponta, com segurança total, que o estouro veio do custo de mídia paga. O custo de mídia paga, na verdade, ficou dentro do previsto; o estouro veio de uma consultoria contratada que a IA não separou direito na planilha. Antes de levar essa causa pro board, é você quem confere linha por linha e corrige a leitura, porque uma causa errada nesse nível vira decisão errada sobre a unidade inteira.