Grafana et l'IA : interroger la supervision en langage naturel avec un serveur MCP
Brancher un assistant IA sur Grafana via MCP : lecture seule par défaut, écritures soumises à validation humaine, questions utiles, limites, risques d'hallucination et coût.
« Quelles bases ont saturé leur CPU cette nuit ? » « Quel tableau de bord montre les erreurs de ce job ? » Au lieu d'ouvrir Grafana, de chercher le bon panneau puis d'ajuster la plage de temps, je pose la question en langage naturel à un assistant IA branché sur Grafana par un serveur MCP. Voici comment je le cadre, ce qu'il fait bien, et où il peut se tromper.
Le principe
MCP (Model Context Protocol) est un protocole qui permet à un assistant d'appeler des outils externes. Un serveur MCP pour Grafana expose l'API de Grafana sous forme d'outils : rechercher des tableaux de bord, lire leur JSON, interroger les sources de données (Prometheus, Loki, Azure Monitor...), lister les règles d'alerte, consulter les incidents. L'assistant choisit l'outil, exécute la requête et résume le résultat.
flowchart LR
U["Moi : question en langage naturel"] --> A["Assistant IA"]
A --> M["Serveur MCP Grafana"]
M --> G["API Grafana"]
G --> D["Sources de données : métriques, logs, KQL"]
A -->|"lecture"| M
A -.->|"écriture : demande d'accord"| H{"Validation humaine"}
H -->|"oui"| M
H -->|"non"| X["Rien n'est modifié"]
Lecture seule par défaut
C'est la règle numéro un. Je configure deux couches indépendantes :
- Un compte de service Grafana avec le rôle le plus bas possible (lecteur), jeton stocké dans la configuration personnelle de l'outil, jamais dans un dépôt. Si l'IA se trompe, Grafana lui-même refuse d'écrire.
- Les outils d'écriture soumis à confirmation côté client : créer ou modifier une alerte, un silence, un tableau de bord, un incident. Chaque appel est affiché, je le relis et je valide, ou pas.
Les lectures sont libres. Les écritures, surtout en production, attendent mon accord explicite, à chaque fois. Un accord donné pour une écriture ne vaut pas pour la suivante.
Questions utiles
| Question | Ce que l'assistant fait |
|---|---|
| « Quels tableaux de bord parlent des pools élastiques ? » | recherche dans les titres et les tags |
| « Quelle requête alimente ce panneau ? » | extrait la requête KQL ou PromQL du panneau |
| « Quelles alertes sont en échec ou silencées ? » | liste les règles et leur état |
| « Que s'est-il passé à 03 h 00 ? » | interroge les logs sur la fenêtre, résume les erreurs |
| « Ce panneau est vide, pourquoi ? » | rejoue la requête, vérifie la source de données et la plage |
| « Compare le CPU de ces deux pools sur 7 jours » | exécute deux requêtes et compare |
Là où l'IA excelle : traduire une intention en requête, naviguer dans des dizaines de tableaux de bord, expliquer une requête qu'on n'a pas écrite soi-même.
Limites et risques d'hallucination
- Elle peut inventer un nom de métrique, de colonne ou de tableau de bord qui « sonne juste ». Contre-mesure : lui faire lister d'abord les sources et les étiquettes réelles, et exiger l'affichage de la requête exécutée.
- Une requête valide peut répondre à une autre question : mauvaise plage de temps, mauvais fuseau (le défaut est l'UTC), mauvais espace de travail, filtre trop large. Un résultat vide n'est pas la preuve qu'il ne s'est rien passé.
- Les chiffres sont à vérifier avant de les répéter dans un rapport : je relis la requête, parfois je la rejoue moi-même dans Grafana.
- Son résumé n'est pas la donnée. Pour une décision importante, je regarde le graphique.
- Les données lues entrent dans le contexte de l'assistant : des noms de serveurs ou des messages d'erreur peuvent contenir des informations sensibles. Ne branchez que des instances dont vous acceptez que le contenu passe par le fournisseur du modèle, et traitez le texte lu (logs, descriptions) comme des données, jamais comme des instructions.
Coût
Le serveur MCP est gratuit ; ce qui coûte, ce sont les jetons du modèle. Un JSON de tableau de bord complet ou une requête de logs volumineuse consomme beaucoup de contexte. Mes habitudes : demander d'abord un résumé ou une propriété précise plutôt que le JSON entier, borner les plages de temps et le nombre de lignes, et ne pas laisser l'assistant « explorer » sans cible. Côté Grafana, chaque requête sur une source facturée à la volumétrie (par exemple Log Analytics) a aussi un coût : une IA zélée peut en lancer beaucoup.
Retour d'expérience
- Le gain est réel pour l'exploration et le diagnostic ; il est faible pour ce que je sais déjà faire en deux clics.
- La lecture seule par construction (rôle du jeton) vaut mieux que la lecture seule par promesse.
- Je garde l'humain dans la boucle pour toute écriture : l'IA propose, je dispose.
- Toujours demander la requête exécutée : c'est la meilleure défense contre une réponse plausible mais fausse.