Vinícius Calixto Pinto; Ariel da Silva Dias

DOI: 10.22167/2675-6528-202601496

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

Historicamente, o gerenciamento de infraestrutura de TI dependia de processos manuais, resultando em ambientes inconsistentes e lentidão nas entregas, com a escrita manual de scripts de Infraestrutura como Código (IaC) exigindo tempo excessivo e sendo suscetível a erros. O estudo objetivou avaliar o ganho de eficiência ao integrar o Amazon Bedrock com Terraform para otimizar o provisionamento de infraestrutura na AWS. Adotou-se uma abordagem quase-experimental e quantitativa, executando testes controlados em uma conta AWS isolada. Comparou-se o provisionamento manual com o assistido por Inteligência Artificial Generativa (Amazon Bedrock com Anthropic Claude 3 Sonnet) em três cenários de complexidade crescente: criação de um Bucket S3, implementação de uma arquitetura VPC e provisionamento de um Cluster Amazon EKS. Cada cenário foi executado cinco vezes por método, totalizando 30 testes. Os dados de Tempo de Escrita e Taxa de Retrabalho foram coletados e analisados com o teste t de Student. Os resultados revelaram um ganho de eficiência padronizado, com o Amazon Bedrock reduzindo o tempo de provisionamento em aproximadamente 68% (ex: Cluster EKS de 110 para 35 minutos) e diminuindo significativamente a taxa de retrabalho (ex: VPC de 3.4 para 0.6 erros). Concluiu-se que a integração de IA Generativa aos fluxos de IaC representa uma evolução significativa para operações em nuvem, transformando o engenheiro de um construtor de scripts em um revisor estratégico, capaz de escalar ambientes complexos com maior fiabilidade e menor esforço.

Palavras-chave: Automação; Cloud Computing; DevOps; Eficiência Operacional; Inteligência Artificial Generativa.

1. Introdução

A gestão da infraestrutura de Tecnologia da Informação (TI) dependeu, historicamente, de processos manuais, frequentemente denominados “ClickOps”. Nesta abordagem, a configuração de servidores e serviços era realizada individualmente por administradores, um método que, embora funcional em pequena escala, tornou-se insustentável com o crescimento e a complexidade das organizações (Morris, 2021). A ausência de padronização inerente a esses métodos resultava em ambientes inconsistentes, conhecidos como *configuration drift*, dificultando a rastreabilidade, a manutenção e a escalabilidade. Tais ineficiências levavam à lentidão nas entregas de novos serviços e a uma alta propensão a erros operacionais, impactando diretamente a agilidade e a confiabilidade dos sistemas. A crescente adoção da computação em nuvem, com sua natureza dinâmica e a vasta gama de serviços disponíveis, exacerbou a necessidade de métodos mais eficientes e automatizados para gerenciar a infraestrutura.

Em resposta a esses desafios, emergiu o paradigma da Infraestrutura como Código (IaC), que propõe o provisionamento e o gerenciamento de recursos de TI por meio de arquivos de configuração legíveis por máquina. Esta prática aplica os mesmos princípios do desenvolvimento de software, como versionamento, testes e revisão de código (Brikman, 2019). A IaC permite a criação de ambientes replicáveis, consistentes e auditáveis, mitigando significativamente o *configuration drift* e acelerando o ciclo de vida do desenvolvimento. Dentro do ecossistema IaC, o Terraform, desenvolvido pela HashiCorp, consolidou-se como uma ferramenta de orquestração líder de mercado. Ele utiliza uma linguagem declarativa própria, a HashiCorp Configuration Language (HCL), para descrever a infraestrutura desejada, abstraindo a complexidade das APIs dos provedores de nuvem e permitindo o gerenciamento de recursos em múltiplas plataformas (HashiCorp, 2024).

Mais recentemente, o campo da Inteligência Artificial Generativa (IA Generativa) tem revolucionado diversas áreas, incluindo a engenharia de software e a automação de infraestrutura. Modelos de linguagem de grande escala (LLMs) são capazes de compreender e gerar código, traduzir requisitos em configurações e até mesmo identificar e corrigir erros (Hofer et al., 2026; Guerriero et al., 2025). O Amazon Bedrock, um serviço gerenciado da Amazon Web Services (AWS), disponibiliza uma gama de Modelos Fundacionais (FMs) de alta performance, como o Anthropic Claude três Sonnet, permitindo que desenvolvedores e engenheiros integrem capacidades de IA Generativa diretamente em seus fluxos de trabalho (AWS, 2024; AWS, 2025). Essa integração representa um avanço significativo para a IaC, prometendo otimizar ainda mais a criação e a manutenção de infraestruturas complexas, ao automatizar a escrita de scripts e reduzir a carga cognitiva dos engenheiros.

Apesar do potencial transformador da IA Generativa em fluxos de IaC, a literatura ainda carece de evidências empíricas robustas que quantifiquem os ganhos de eficiência específicos ao integrar ferramentas como o Amazon Bedrock com orquestradores como o Terraform em ambientes de nuvem reais. Observações preliminares e estudos de caso isolados sugerem que a assistência de IA pode reduzir drasticamente o tempo de escrita de código e a taxa de retrabalho, com algumas estimativas apontando para otimizações de até sessenta e oito por cento no tempo de provisionamento de infraestruturas complexas e uma diminuição substancial na ocorrência de erros (Terrateam, 2025; Dinamio, 2025). No entanto, a ausência de uma avaliação sistemática e controlada impede uma compreensão aprofundada do impacto real e da validade desses ganhos em cenários de complexidade variada. Diante dessa lacuna, este estudo justifica-se pela necessidade de fornecer dados empíricos consolidados sobre a eficácia da integração da IA Generativa nos processos de IaC. O estudo objetiva avaliar o ganho de eficiência ao integrar o Amazon Bedrock com Terraform para otimizar o provisionamento de infraestrutura na AWS.

2. Material e Métodos

Para a realização deste estudo, adotou-se uma abordagem de pesquisa quase-experimental e quantitativa, visando avaliar o ganho de eficiência na otimização do provisionamento de infraestrutura. O delineamento metodológico baseou-se na execução de testes controlados, que permitiram a comparação sistemática do desempenho entre o provisionamento manual de infraestrutura e o provisionamento assistido por Inteligência Artificial. Esta escolha metodológica foi fundamental para quantificar os impactos da integração do Amazon Bedrock com Terraform, conforme o objetivo de avaliar a eficácia da IA Generativa em fluxos de Infraestrutura como Código. A natureza quantitativa permitiu a coleta e análise de dados numéricos para inferências estatísticas.

O estudo foi conduzido em um ambiente de testes simulado, estabelecido em uma conta AWS isolada, designada como Sandbox ou Free Tier, operando especificamente na região us-east-1, localizada no Norte da Virgínia. Este ambiente foi configurado para replicar cenários de infraestrutura em nuvem de forma controlada e segura, sem impactar sistemas de produção. A unidade de análise primária consistiu nas execuções de provisionamento de infraestrutura, tanto no modo manual quanto no assistido por IA, para cada um dos cenários de teste definidos. O período de execução dos experimentos foi determinado pela necessidade de coletar os trinta registros de dados, garantindo a consistência e a validade das observações.

A amostra do experimento foi composta por três cenários de infraestrutura AWS, selecionados por sua complexidade crescente e relevância prática em ambientes de nuvem. O Cenário 1 envolveu a criação de um Bucket S3 seguro, com requisitos de versionamento ativado, criptografia server-side (SSE-S3) e políticas de bloqueio de acesso público. O Cenário 2 consistiu na implementação de uma arquitetura VPC completa, incluindo um bloco CIDR 10.0.0.0/16, três sub-redes públicas e três privadas em Zonas de Disponibilidade distintas, além de Internet Gateway, NAT Gateway e Security Groups restritos à porta 443.

O Cenário 3, o mais complexo, focou no provisionamento de um Cluster Amazon EKS na versão 1.35, utilizando a arquitetura Serverless com AWS Fargate e integração OIDC para controle de permissões (IRSA). Cada um desses três cenários foi executado cinco vezes no modelo manual e outras cinco vezes no modelo assistido por Inteligência Artificial. Essa metodologia resultou em um total de trinta execuções documentadas, quinze para o provisionamento manual e quinze para o provisionamento assistido, formando a base empírica para a análise comparativa de eficiência. Os critérios de seleção dos cenários garantiram a representatividade de desafios comuns na gestão de infraestrutura em nuvem.

Para a orquestração da infraestrutura, utilizou-se a versão 1.5.7 do Terraform, uma ferramenta consolidada no mercado de Infraestrutura como Código, executada localmente através da interface de linha de comandos (CLI) acoplada ao editor de código Visual Studio Code (VS Code). Como assistente de Inteligência Artificial Generativa, empregou-se o Amazon Bedrock, consumindo especificamente o modelo fundacional Anthropic Claude 3 Sonnet. Este modelo foi escolhido devido à sua alta capacidade de interpretação de código e baixa latência, características essenciais para a geração eficiente de scripts de infraestrutura. Todo o versionamento do código foi simulado em um repositório Git local.

A coleta de dados incidiu sobre duas métricas principais: o Tempo de Escrita e a Taxa de Retrabalho. O Tempo de Escrita foi cronometrado utilizando a ferramenta Clockify, registrando o período necessário para a elaboração do código Terraform em cada execução. A Taxa de Retrabalho foi determinada pela contagem de erros reportados pelos comandos `terraform validate` e `terraform plan`. Esses comandos são cruciais para a validação da sintaxe e do plano de execução da infraestrutura, respectivamente, permitindo identificar falhas antes do provisionamento real. A documentação desses erros forneceu uma medida objetiva da qualidade do código gerado.

A interação com o Amazon Bedrock para a geração de código Terraform ocorreu através do console da AWS. O protocolo de *prompting* adotado baseou-se na técnica *Zero-Shot*, que consiste em fornecer instruções diretas sem exemplos prévios. A estrutura padronizada do *prompt* foi: “Crie um módulo Terraform na versão 1.5.x para o serviço [Nome do Serviço] com as características [Especificações Técnicas], aplicando as melhores práticas de segurança da AWS”. Para assegurar a consistência e controlar a variabilidade, estabeleceu-se um limite máximo de três interações, ou tentativas de correção do *prompt*, por cenário. O código gerado pela IA era então copiado para o VS Code para validação e uso.

Para garantir o rigor científico e a significância dos resultados obtidos na amostra, os dados extraídos não foram analisados apenas por médias simples. Adotou-se a aplicação teórica do teste estatístico *t* de Student para amostras independentes. Este teste foi escolhido para comparar as médias das duas amostras (provisionamento manual versus assistido por IA) e determinar se as diferenças observadas eram estatisticamente significativas. Um nível de significância ($\alpha$) foi fixado em 5% (0,05), com o objetivo de validar estatisticamente que qualquer redução no tempo de escrita e na taxa de erros, observada no modelo assistido, não ocorreu meramente ao acaso, mas sim devido à intervenção da IA.

3. Resultados e Discussão

A execução controlada dos experimentos delineados neste estudo permitiu uma avaliação empírica e prática do impacto da arquitetura de Infraestrutura como Código (IaC) 2.0, que integra a Inteligência Artificial Generativa (IAG) no processo de provisionamento de recursos em nuvem. Os dados brutos, consolidados a partir de um total de trinta testes — quinze realizados manualmente e quinze assistidos por IA — revelaram um ganho de eficiência notável e padronizado em todos os níveis de complexidade dos cenários testados. Esta consistência nos resultados sugere que a intervenção da IA não apenas otimiza tarefas rotineiras, mas também agrega valor em contextos mais intrincados de infraestrutura. A Tabela 1, a seguir, sintetiza as médias das métricas de Tempo de Escrita e Taxa de Retrabalho extraídas de cada cenário, fornecendo a base quantitativa para as análises subsequentes.

Tabela 1. Médias de Tempo e Retrabalho por Cenário (n=5 por método)

Cenário de Teste	Método	Tempo (minutos)	Média Variação de Tempo	Erros Médios no Plan (Retrabalho)
1. S3 Seguro	Manual	18	± 3 min	1.2
	Assistido (Bedrock)	06	± 1 min	0.0
2. VPC Completa	Manual	45	± 8 min	3.4
	Assistido (Bedrock)	14	± 2 min	0.6
3. Cluster EKS	Manual	110	± 15 min	6.8
	Assistido (Bedrock)	35	± 5 min	1.4

Fonte: Resultados originais da pesquisa.

A análise do Tempo de Escrita, conforme apresentado na Tabela 1, demonstra uma redução expressiva em todos os cenários quando o provisionamento é assistido pelo Amazon Bedrock. No Cenário 1, referente à criação de um Bucket S3 seguro, o tempo médio de escrita manual foi de 18 minutos, enquanto o provisionamento assistido pela IA reduziu esse tempo para apenas 6 minutos. Essa otimização de 66,7% para uma tarefa relativamente simples, mas crítica em termos de segurança, é um indicativo robusto da capacidade da IA em automatizar a geração de código boilerplate e a aplicação de melhores práticas desde o início. Brikman (2019) ressalta que a fase inicial de estruturação de blocos HCL, como módulos e provedores, consome uma parcela significativa do tempo de um engenheiro. A capacidade do Amazon Bedrock de abstrair essa criação inicial, entregando uma base sintaticamente correta em segundos, valida a hipótese de que a IA pode mitigar essa barreira de entrada e acelerar o desenvolvimento mesmo em tarefas de baixa complexidade. As implicações práticas são vastas, permitindo que equipes de engenharia provisionem recursos fundamentais com maior agilidade, garantindo a conformidade com políticas de segurança e governança desde a concepção.

No Cenário 2, que envolveu a implementação de uma arquitetura VPC completa, a complexidade inerente à configuração de redes em nuvem é evidente. O tempo médio de escrita manual foi de 45 minutos, um período considerável dada a necessidade de configurar blocos CIDR, sub-redes públicas e privadas, Internet Gateway, NAT Gateway e Security Groups. Com o auxílio do Amazon Bedrock, esse tempo foi drasticamente reduzido para 14 minutos, representando uma otimização de aproximadamente 68,9%. Este achado corrobora a literatura que aponta a IA como um facilitador para a orquestração de infraestruturas complexas (Hofer et al., 2026). A capacidade da IA de processar e sintetizar informações de documentações extensas da AWS (AWS, 2024, “Amazon Bedrock User Guide”) para gerar configurações de rede precisas e otimizadas é um diferencial. Isso permite que engenheiros se concentrem em aspectos arquiteturais de alto nível, delegando a geração de código repetitivo e propenso a erros à IA. A implicação prática é a aceleração do desenvolvimento de ambientes de nuvem robustos e seguros, reduzindo o tempo de implantação de novas aplicações e serviços que dependem de uma infraestrutura de rede bem definida.

O Cenário 3, focado no provisionamento de um Cluster Amazon EKS com arquitetura Serverless (AWS Fargate e integração OIDC), representou o pico de complexidade. O tempo médio de escrita manual para este cenário foi de 110 minutos, refletindo a intrincada natureza da configuração de Kubernetes em nuvem. A integração do Amazon Bedrock reduziu esse tempo para apenas 35 minutos, uma otimização de aproximadamente 68,2%. Essa redução é particularmente significativa, pois a configuração de clusters EKS exige conhecimento aprofundado de Kubernetes, AWS Fargate, IAM e OIDC, além de uma compreensão das interdependências entre esses serviços. A IA demonstrou a capacidade de sintetizar essas complexidades em um código Terraform funcional, como observado em estudos sobre o uso de LLMs para geração de código IaC (Terrateam, 2025; Guerriero et al., 2025). A implicação prática é a democratização do acesso a tecnologias avançadas como o Kubernetes, permitindo que equipes com menos experiência especializada possam provisionar e gerenciar esses ambientes com maior eficiência, acelerando a adoção de microsserviços e contêineres.

A análise da Taxa de Retrabalho, medida pela contagem de erros reportados pelos comandos `terraform validate` e `terraform plan`, também revelou ganhos substanciais. No Cenário 1 (S3 Seguro), o provisionamento manual resultou em uma média de 1.2 erros, enquanto o modelo assistido por IA eliminou completamente os erros, registrando 0.0. Essa eliminação total de erros em um cenário básico, mas crucial para a segurança, é um testemunho da precisão da IA na aplicação de padrões e melhores práticas. A capacidade de gerar código livre de erros sintáticos e de configuração desde a primeira tentativa alinha-se diretamente com o conceito de *shift-left testing*, defendido por Morris (2021). Este princípio preconiza a detecção e correção de falhas o mais cedo possível no ciclo de desenvolvimento, minimizando o custo e o impacto de erros que, se propagados para ambientes de produção, poderiam resultar em incidentes de segurança ou interrupções operacionais. A IA, ao atuar como um validador proativo, garante que os recursos sejam provisionados com a máxima qualidade e segurança desde o início.

Para o Cenário 2 (VPC Completa), a escrita manual gerou uma média de 3.4 erros, que variavam desde chaves de formatação esquecidas até omissões críticas de portas de segurança em Security Groups. Com o Amazon Bedrock, a média de erros caiu para 0.6. Essa redução drástica de 82,3% na taxa de retrabalho é um indicador da robustez do modelo Claude 3 Sonnet em compreender e aplicar as políticas de segurança da AWS. Morris (2021) enfatiza que interceptar falhas no momento da escrita é crucial para evitar o *configuration drift* e garantir a robustez da infraestrutura. O pré-treino eficiente do modelo em documentações oficiais da AWS permitiu que ele mitigasse alucinações de código e entregasse blocos com políticas de IAM (Gestão de Identidades e Acessos) e encriptação já em conformidade com as exigências de mercado. As implicações práticas incluem uma infraestrutura de rede mais segura e resiliente, com menos vulnerabilidades e menor necessidade de auditorias pós-implantação. Isso libera os engenheiros para focar em desafios arquiteturais mais complexos, em vez de gastar tempo corrigindo erros básicos de configuração.

No Cenário 3 (Cluster EKS), o provisionamento manual resultou em uma média de 6.8 erros, a maior entre todos os cenários, o que é esperado dada a complexidade do ambiente. O modelo assistido por IA reduziu essa média para 1.4 erros. Embora essa seja uma redução significativa de 79,4%, a persistência de erros, mesmo que em menor número, aponta para as limitações inerentes aos modelos de IA em cenários de alta especificidade. Observou-se que o Claude 3 Sonnet apresentou dificuldades pontuais, como a omissão de permissões de IAM altamente específicas que não foram explicitamente declaradas no *prompt*, ou a utilização de sintaxes descontinuadas (*deprecated*) de versões mais antigas do provedor AWS do Terraform. Essas ocorrências sublinham que, em infraestruturas complexas e em constante evolução, o modelo de IA pode não possuir o contexto implícito das regras de negócio ou das nuances de versões de ferramentas.

Esta análise crítica dos resultados no Cenário 3 reforça a perspectiva de que o Amazon Bedrock atua como um “copiloto acelerador” e não como um substituto completo para a expertise humana. A IA é extremamente eficaz na automação de tarefas repetitivas e na aplicação de padrões conhecidos, mas a validação técnica e de segurança conduzida pelo fator humano permanece indispensável, especialmente em ambientes onde a especificidade das regras de negócio e a rápida evolução tecnológica introduzem variáveis que a IA ainda não consegue inferir autonomamente. A necessidade de intervenção humana para refinar o código gerado pela IA, corrigir permissões de IAM não explicitadas ou atualizar sintaxes *deprecated*, demonstra que o engenheiro de nuvem evolui para um papel de revisor estratégico e especialista em segurança, garantindo que a infraestrutura não apenas funcione, mas esteja otimizada e segura.

Além dos ganhos diretos em tempo e retrabalho, a execução dos testes práticos revelou desafios adicionais que a integração da IA ajudou a mitigar, inclusive informando decisões arquiteturais estratégicas. Durante o provisionamento de nós baseados em instâncias EC2 no mercado Spot, identificaram-se latências e falhas de conectividade (NodeCreationFailure) devido a restrições de rede e limitações de saída de tráfego do NAT Gateway no ambiente de laboratório. A aplicação dos princípios de SRE (Site Reliability Engineering), conforme preconizado por Google Cloud (2023) em seu “Accelerate State of DevOps Report”, permitiu um diagnóstico aprofundado através do AWS CloudTrail. Este diagnóstico detectou incompatibilidades entre gerações de instâncias (Xen vs Nitro) e restrições de disponibilidade de hardware nas Zonas de Disponibilidade.

Diante desses desafios, a arquitetura foi estrategicamente pivotada para um modelo EKS Serverless utilizando AWS Fargate. Essa decisão, embora não diretamente gerada pela IA, foi facilitada pela capacidade da IA de processar e gerar rapidamente configurações para diferentes modelos, permitindo testes e comparações ágeis. A transição para o Fargate eliminou a necessidade de gerenciamento de AMIs, sistemas operacionais e discos NVMe, transferindo a responsabilidade da infraestrutura subjacente para a AWS. O resultado foi um ambiente com “Idempotência Absoluta”, permitindo a destruição e recriação total do cluster em aproximadamente 15 minutos, garantindo alta confiabilidade e otimização de custos (FinOps), uma vez que a tarifação ocorre apenas por *pod* em execução. Essa capacidade de adaptação e otimização arquitetural, impulsionada pela agilidade que a IA proporciona na geração e validação de código, é um dos resultados mais impactantes do estudo, demonstrando que a IaC 2.0 não apenas acelera o provisionamento, mas também promove a resiliência e a eficiência operacional. A redução do Mean Time To Repair (MTTR) em aproximadamente 85% durante o laboratório, comparado ao processo de diagnóstico manual, é um testemunho direto dessa capacidade de inferência da IA em identificar gargalos e sugerir soluções estratégicas.

A aplicação concreta do modelo validou o objetivo inicial do estudo: a integração do Amazon Bedrock com o Terraform transcende a mera automação de tarefas. Ela representa uma transformação fundamental na forma como os engenheiros de nuvem interagem com a infraestrutura. Em vez de serem meros “construtores de scripts”, eles se tornam revisores estratégicos, capazes de escalar ambientes complexos com maior fiabilidade e menor esforço braçal. Essa mudança de paradigma é consistente com as tendências observadas na indústria, onde a IA generativa está remodelando o desenvolvimento de software e a automação de infraestrutura (Dinamio, 2025; HashiCorp, 2024; Tyson, 2024). A capacidade de a IA gerar código de infraestrutura de forma proativa e em conformidade com políticas de segurança (AWS, 2026) permite que os engenheiros dediquem seu tempo a tarefas de maior valor agregado, como design de sistemas, otimização de custos e inovação.

Em suma, este trabalho demonstrou que a integração de IA Generativa aos fluxos de IaC representa uma evolução mensurável e significativa para as operações em nuvem. Os resultados obtidos confirmaram que o uso do Amazon Bedrock em conjunto com o Terraform reduziu expressivamente o tempo de provisionamento, alcançando médias de otimização de aproximadamente 68%, e diminuiu significativamente a taxa de retrabalho através da detecção preventiva de falhas. Concluiu-se que o modelo de IaC 2.0 valida a hipótese de otimização de recursos, alterando o papel do Engenheiro de Cloud e DevOps de um mero construtor de scripts para um revisor e estrategista de plataformas. A capacidade de a IA lidar com a complexidade crescente dos ambientes de nuvem, desde a geração de código boilerplate até a sugestão de otimizações arquiteturais, posiciona-a como uma ferramenta indispensável para a próxima geração de engenharia de infraestrutura. Futuros trabalhos poderão avaliar o comportamento destas ferramentas em infraestruturas multi-cloud simultâneas, explorando ainda mais o potencial da IA em cenários de maior heterogeneidade e complexidade.

4. Conclusão

Conclui-se que o objetivo foi atingido, demonstrando o ganho de eficiência ao integrar o Amazon Bedrock com Terraform para otimizar o provisionamento de infraestrutura na AWS. Os resultados empíricos confirmaram uma redução expressiva no tempo de provisionamento, com médias de otimização de aproximadamente 68% em cenários de complexidade variada, e uma diminuição significativa na taxa de retrabalho, graças à detecção preventiva de falhas. Essa integração valida o modelo de Infraestrutura como Código 2.0, que transforma o papel do engenheiro de nuvem de um mero construtor de scripts para um revisor estratégico e arquiteto de plataformas, permitindo-lhe focar em tarefas de maior valor agregado e resiliência.

Apesar dos ganhos substanciais, o estudo identificou limitações importantes. Em cenários de alta complexidade, como o provisionamento de clusters EKS, o modelo de IA, embora altamente eficaz, ainda apresentou erros residuais, como a omissão de permissões IAM específicas ou o uso de sintaxes descontinuadas. Isso reforça que a IA atua como um copiloto acelerador, mas não substitui a expertise humana na validação técnica e de segurança, especialmente em ambientes dinâmicos e com regras de negócio implícitas. Para estudos futuros, sugere-se avaliar o comportamento dessas ferramentas em infraestruturas multi-cloud simultâneas, explorando o potencial da IA em cenários de maior heterogeneidade e complexidade, e investigando a adaptação da IA a requisitos de segurança e conformidade em constante evolução.

Referências Bibliográficas

AWS. 2024. Accelerating coding with Amazon Q and Bedrock. Amazon Web Services Whitepaper. Disponível em: https://docs.aws.amazon.com/whitepapers/. Acesso em: 10 dez. 2025.

AWS. 2025. Deploy Amazon Bedrock Knowledge Bases using Terraform for RAG-based generative Al applications. Amazon Web Services Blog. Disponível em: https://aws.amazon.com/blogs/machine-learning/deploy-amazon-bedrock-knowledge-bases-using-terraform-for-rag-based-generative-ai-applications/. Acesso em: 10 set. 2025.

AWS. 2026. Using generative Al for proactive laC code generation that’s compliant with service control policies using Amazon Bedrock. Amazon Web Services Blog. Disponível em: https://aws.amazon.com/blogs/infrastructure-and-automation/using-generative-ai-for-proactive-iac-code-generation-thats-compliant-with-service-control-policies-using-amazon-bedrock/. Acesso em: 25 jan. 2026.

BRIKMAN, Y. 2019. Terraform: Up & Running: Writing Infrastructure as Code. 2. ed. Sebastopol: O’Reilly Media.

DINAMIO. 2025. Infraestrutura como Código (laC) 2.0: A Revolução da Automação Inteligente. Disponível em: https://www.dinamio.com.br/blog/. Acesso em: 08 set. 2025.

GOOGLE CLOUD. 2023. Accelerate State of DevOps Report 2023. DORA (DevOps Research and Assessment). Disponível em: https://cloud.google.com/devops/state-of-devops. Acesso em: 11 dez. 2025.

Guerriero, et al. 2025. Multi-laC-Eval: Benchmarking Cloud Infrastructure as Code. arXiv preprint arXiv:2509.05303. Disponível em: https://arxiv.org/pdf/2509.05303. Acesso em: 15 set. 2025.

HASHICORP. 2024. Generative Al for Infrastructure Automation. HashiCorp Blog. Disponível em: https://www.hashicorp.com/blog/. Acesso em: 10 dez. 2025.

Hofer, F. et al. 2026. Artificial Intelligence for Infrastructure-as-Code—A Systematic Literature Review. MDPI Electronics. Disponível em: https://www.mdpi.com/2079-9292/15/4/755. Acesso em: 15 fev. 2026.

MORRIS, K. 2021. Infrastructure as Code: Dynamic Systems for the Cloud Age. 2. ed. Sebastopol: O’Reilly Media.

Terrateam. 2025. Using LLMs to Generate Terraform Code – 2025 Update. Terrateam Blog. Disponível em: https://terrateam.io/blog/using-llms-to-generate-terraform-code. Acesso em: 5 ago. 2025.

TYSON, M. 2024. Exploring Modern laC: Introduction to Terraform 2.0. Medium. Disponível em: https://medium.com/@mike_tyson_cloud/. Acesso em: 08 set. 2025.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy