A lógica parecia óbvia: quanto mais dashboards, alertas e agentes de monitoramento um time de engenharia tem, mais rápido ele enxerga problema e mais rápido resolve. Na prática, os dados mais recentes mostram o oposto.
O Observability Forecast 2025/2026, da New Relic — pesquisa com mais de 1.700 líderes de TI e engenharia em 23 países — encontrou um número que contraria o discurso de mercado: 78% dos times relatam mais incidentes, não menos, mesmo entregando código mais rápido. Mais velocidade de entrega, mais ferramenta de monitoramento, mais incidente. A conta não estava fechando.
O problema não é falta de instrumentação. É o oposto: o número médio de ferramentas de observabilidade por time subiu de 4,4 para 5,0 no último ciclo pesquisado. Mais telemetria, mais tela, mais contexto fragmentado entre painéis que não conversam entre si.
O dado sobre agentes de IA merece atenção à parte. Depois do relatório DORA 2025 mostrar que IA amplifica tanto o lado bom quanto o lado ruim de um time de engenharia, esse número explica uma das formas mais silenciosas desse efeito: código gerado e implantado mais rápido do que a cobertura de observabilidade consegue acompanhar.
Três causas aparecem repetidamente nos times que vivem esse paradoxo:
Fragmentação de ferramentas. Cada nova ferramenta resolve um sintoma, mas cria mais um lugar onde o engenheiro de plantão precisa procurar contexto durante um incidente real.
Velocidade sem instrumentação proporcional. Código gerado com IA chega em produção mais rápido do que o time consegue configurar alertas, dashboards e traces para ele.
Fadiga de alerta. Mais ferramenta normalmente significa mais alerta, e mais alerta sem priorização clara treina o time a ignorar sinal real.
Comprar mais uma ferramenta de monitoramento não é a solução — pode ser parte do problema. O que separa os 3x+ de retorno dos 78% com mais incidente não é quantidade de telemetria. É maturidade: contexto unificado, instrumentação desde o primeiro deploy e prioridade clara do que de fato importa.
Esse paradoxo custa caro, e o custo está subindo rápido. Segundo o mesmo Observability Forecast 2025, o custo mediano de uma indisponibilidade de alto impacto chega a US$ 2 milhões por hora. E não é só gente grande que sente isso: o Uptime Institute, em 2025, encontrou que 54% das empresas tiveram pelo menos um incidente que custou mais de US$ 100 mil, e uma em cada cinco ultrapassou US$ 1 milhão em um único evento.
E a tendência é de piora, não de estabilização: pesquisa da Cisco/Splunk com a Global 2000 mostrou que o custo de indisponibilidade está 50% mais alto do que há dois anos, com perda anual média por organização chegando perto de US$ 95 milhões — quase o dobro do nível de 2024.
A resposta de mercado mais consistente pra esse cenário não é reduzir ferramenta — é parar de esperar o incidente de produção pra descobrir onde o sistema quebra. É isso que chaos engineering resolve: provocar falha de forma controlada, em horário conhecido, com time de prontidão, pra encontrar o ponto fraco antes que o cliente encontre por você.
Os números de maturidade em chaos engineering mostram a diferença: times que rodam experimentos de forma recorrente mantêm disponibilidade acima de 99,9%, e os que atingem o nível mais maduro da prática chegam a 99,99%+ — o que, numa operação 24/7, é a diferença entre minutos e horas de indisponibilidade por ano.
Chaos engineering funciona melhor quando já existe uma base: golden paths com observabilidade embutida desde o primeiro deploy, não adicionada depois. Sem isso, cada experimento de caos revela um ponto cego que já deveria estar coberto desde o início.
Reduzir incidentes não começa com uma nova ferramenta de observabilidade. Começa com três movimentos concretos:
Mais ferramenta de observabilidade sem estratégia não resolve o problema de confiabilidade — só move ele pra uma tela diferente. Os times que estão conseguindo retorno real de 3x ou mais não são os que compraram mais, são os que organizaram o que já tinham e passaram a testar a resiliência de forma proativa, antes do incidente de produção fazer esse teste por eles.
A FuncCloud ajuda empresas de tecnologia a consolidar observabilidade, instrumentar IA em produção e estruturar a prática de chaos engineering — da primeira auditoria ao primeiro game day.
Falar com a FuncCloud →