HPE Zerto constrói sistema agente de troubleshooting on-premises com base no Amazon Bedrock

A HPE Zerto construiu um sistema de troubleshooting agente que opera dentro do ambiente on-premises de um cliente enquanto usa o Amazon Bedrock para alimentar sua camada de raciocínio. O sistema conecta uma interface em linguagem natural a dados de recuperação de desastres ao vivo, documentação do produto e ferramentas operacionais, com o objetivo de ajudar equipes de resiliência a investigar problemas sem alternar manualmente entre painéis e materiais de suporte.

A arquitetura, detalhada em uma publicação do AWS Machine Learning Blog, reflete uma restrição prática para IA empresarial: o serviço de modelo pode estar na nuvem, mas o contexto operacional sensível e a execução de ferramentas precisam permanecer próximos da infraestrutura do cliente. A HPE Zerto afirma que seu sistema é implantado como um pod dentro do produto Zerto e acessado pela interface operacional existente.

Para construtores de IA e equipes de tecnologia empresarial, o desenvolvimento importante é menos um novo chatbot do que a fronteira que a HPE Zerto desenhou ao seu redor. Os agentes podem raciocinar sobre o estado atual do ambiente e recuperar conhecimento relevante, mas seu acesso é mediado por APIs locais, sistemas de recuperação e controles de segurança. Esse design pretende tornar um assistente de IA útil durante interrupções e problemas de configuração sem transformar um modelo de uso geral em um operador sem restrições.

Uma camada multiagente conectada a dados de recuperação ao vivo

De acordo com o AWS Machine Learning Blog, o sistema usa agentes construídos com Strands Agents. Esses agentes são executados como um pod on-premises e podem recorrer a três principais fontes de informação: histórico de conversas armazenado localmente, ferramentas internas e recuperação de conhecimento externo.

O caminho de ferramentas internas é exposto por meio de um servidor local Model Context Protocol. Esse servidor fornece acesso estruturado às APIs do Zerto Manager, permitindo que o agente inspecione informações ao vivo do ambiente do cliente em vez de depender apenas de documentação estática ou da descrição de um incidente por um usuário.

O caminho externo usa o Amazon Bedrock Knowledge Bases para recuperar documentação pública, runbooks e outro material operacional. Essa combinação é significativa porque o troubleshooting de sistemas de recuperação de desastres normalmente exige tanto o estado atual quanto o contexto procedural. Um alerta pode mostrar o que está falhando, enquanto um runbook ou guia do produto explica a sequência segura para investigar ou corrigir o problema.

A interface está integrada à experiência de usuário existente do Zerto. A HPE Zerto diz que usa Server-Sent Events para transmitir o progresso da investigação ao usuário, expondo a atividade intermediária em vez de esperar uma única resposta final. Os casos de uso declarados incluem responder a perguntas de configuração, ajudar a mitigar problemas de saúde, auxiliar na configuração e adoção de recursos e resumir risco, exposição ao acordo de nível de serviço ou prontidão de recuperação.

Isso não significa que o modelo controla de forma independente todo o ambiente de recuperação. A fonte descreve um sistema projetado para raciocinar, agir e responder por meio das ferramentas disponibilizadas a ele. A segurança prática da implantação, portanto, depende das permissões, da lógica de validação e dos limites de ação implementados em torno dessas ferramentas — detalhes que a publicação da AWS discute em nível arquitetural, mas não quantifica totalmente como um relatório de desempenho em produção.

Por que o modelo de implantação on-premises importa

Os usuários-alvo da HPE Zerto gerenciam resiliência cibernética, proteção contínua de dados e recuperação de desastres em ambientes híbridos ou multicloud. Nesses cenários, os dados operacionais podem incluir a integridade de workloads protegidas, status de replicação, alertas, eventos, relações entre sites e prontidão para recuperação. O desafio declarado pela empresa é que essas informações estão fragmentadas entre interfaces e documentação, o que desacelera decisões durante interrupções ou incidentes cibernéticos.

Executar a camada agente dentro do ambiente do cliente resolve parte desse problema. O assistente pode ser colocado ao lado dos sistemas que precisa inspecionar, enquanto o histórico de sessão é armazenado localmente e o produto permanece acessível pela interface administrativa familiar. Para as empresas, isso pode simplificar a implantação e reduzir a necessidade de mover o contexto operacional para um aplicativo externo separado.

A camada de modelo ainda depende do Amazon Bedrock. A AWS diz que a HPE Zerto selecionou o serviço por seu acesso controlado a modelos fundamentais, pela capacidade de avaliar diferentes modelos e pela integração com guardrails, observabilidade e serviços de recuperação. A HPE Zerto também usa o Amazon Bedrock Guardrails para aplicar controles de política, conformidade e segurança a prompts e saídas geradas.

Esse arranjo híbrido ilustra um padrão de implantação cada vez mais relevante para IA empresarial: manter o acesso a dados e a execução próximos ao sistema de registro, enquanto se usa uma plataforma de modelo gerenciada para inferência e escolha de modelo. Isso pode oferecer flexibilidade, mas também cria dependências entre o produto local, o caminho de rede até os serviços de modelo, a qualidade da recuperação e as permissões concedidas a cada agente.

Evidências e alegações ainda são relatadas pelo fornecedor

A evidência disponível é um estudo de caso do AWS Machine Learning Blog escrito em torno da arquitetura da HPE Zerto. Ele confirma os componentes descritos e a abordagem de implantação, mas não fornece validação independente da precisão do troubleshooting, da latência de resposta, da adoção pelos clientes, da redução no volume de tickets de suporte ou de melhorias mensuráveis no tempo de recuperação.

As alegações sobre decisões de recuperação mais rápidas e informadas, e sobre menor carga operacional, devem portanto ser lidas como resultados pretendidos do sistema, e não como resultados verificados de forma independente. A fonte também não especifica quais modelos fundamentais são usados em produção, como o roteamento de modelos é gerenciado ou com que frequência os agentes têm permissão para tomar ações diretas em vez de retornar recomendações a um operador.

Um segundo post do AWS Machine Learning Blog sobre o Intuit EWOK Agent da Intuit oferece um ponto de referência relacionado, não evidência adicional sobre a HPE Zerto. A Intuit descreve um agente que traduz solicitações de failover em linguagem simples em fluxos de trabalho validados, enquanto um sistema de execução determinístico realiza as mudanças de infraestrutura. A Intuit diz que as equipes usaram esse sistema por oito meses e relata que os fluxos de recuperação suportados podem ser concluídos em cerca de 20 minutos, mas essas são afirmações próprias da Intuit sobre sua plataforma separada.

Os dois casos compartilham um princípio de design mais amplo: permitir que um modelo de IA interprete a intenção e selecione entre capacidades limitadas, enquanto sistemas determinísticos fazem cumprir políticas e executam operações de alto impacto. Esse padrão é mais transferível do que qualquer benchmark específico, mas as organizações ainda devem testá-lo em relação às suas próprias exigências de qualidade de dados, modos de falha e controle de mudanças.

Implicações para construtores e compradores corporativos

Para os construtores, a abordagem da HPE Zerto destaca grounding como um problema de integração, e não como um exercício de escrita de prompts. O agente precisa de acesso confiável ao estado atual do produto, um esquema de ferramentas definido, documentação relevante e contexto de sessão suficiente para evitar pedir repetidamente informações que já estão disponíveis na conversa. Um servidor MCP local pode fornecer uma interface estruturada, mas também se torna um ponto crítico de controle para autenticação, autorização, registro e compatibilidade de API.

Para os compradores corporativos, as principais perguntas de avaliação são operacionais. O sistema consegue distinguir um alerta obsoleto de uma condição atual? Ele cita ou expõe a fonte de uma recomendação? Os administradores podem limitar ferramentas por função e ambiente? O que acontece quando o modelo está indisponível, o resultado da recuperação é incompleto ou a remediação solicitada pode aumentar o risco de perda de dados? A publicação da AWS estabelece a arquitetura, mas não responde a todas essas questões de aquisição e governança.

O valor do sistema provavelmente será maior onde as equipes enfrentam alta densidade de informação e experiência desigual dos operadores. Uma camada em linguagem natural pode reduzir o tempo necessário para reunir contexto e explicar sintomas, especialmente para administradores menos experientes. Mas, em recuperação de desastres, explicação útil não é a mesma coisa que execução segura. Qualquer passagem do diagnóstico para a remediação precisa de permissões explícitas, etapas de confirmação, trilhas de auditoria e um fallback confiável para operadores humanos.

O que observar a seguir

Os próximos sinais significativos serão evidências de implantação além da descrição arquitetural. A HPE Zerto pode esclarecer se o assistente está geralmente disponível, quais edições do produto e ambientes o suportam e se os clientes podem configurar a escolha do modelo ou permissões de ferramentas.

Os construtores também devem observar métricas publicadas sobre precisão das respostas, qualidade da recuperação, recomendações incorretas, tempo economizado durante a investigação de incidentes e a taxa de aceitação ou rejeição das ações sugeridas pelos usuários. Essas métricas mostrariam se o sistema melhora o trabalho operacional em vez de apenas adicionar uma interface conversacional.

No lado da plataforma, a flexibilidade de modelos continuará sendo um teste importante. A HPE Zerto diz que o Amazon Bedrock permite avaliar modelos fundamentais com base em qualidade, latência e custo. Comparações do mundo real, orientações de implantação e detalhes mais claros sobre residência de dados e comportamento em caso de falha de rede ajudariam as empresas a avaliar se essa flexibilidade traz uma vantagem prática.

Perspectiva da Creati.ai

O sistema da HPE Zerto é um exemplo útil de onde a IA agente empresarial está se tornando concreta: dentro de um produto operacional existente, conectada ao estado ao vivo e limitada pelas APIs e controles que já governam o ambiente. A parte mais forte do design é a separação entre uma camada de raciocínio conversacional e as interfaces operacionais subjacentes do produto.

A pergunta mais difícil é a prova. Em recuperação de desastres, um agente deve ser julgado não apenas por conseguir explicar um alerta, mas por a sua orientação ser atual, auditável e segura sob pressão. Até que a HPE Zerto ou seus clientes publiquem dados de resultados, o anúncio é melhor entendido como um padrão de implantação confiável e uma arquitetura a ser avaliada — ainda não como evidência de que agentes resolveram as operações de recuperação.