IA Agêntica
Antes de los agentes, existe el contexto operacional
Una nueva pregunta para una nueva fase de las operaciones
A lo largo de la serie de artículos llamada “Operaciones Modernas de TI”, intentamos comprender cómo la creciente complejidad de los entornos tecnológicos transformó el trabajo de los equipos de operaciones.
Empezamos discutiendo por qué tantas organizaciones siguen apagando incendios incluso después de años de inversión en nuevas tecnologías. Luego reflexionamos sobre la paradoja de monitorear prácticamente todo y, aun así, convivir con un volumen creciente de alertas.
Esa discusión nos llevó naturalmente al verdadero desafío de las operaciones modernas:
Darnos cuenta de que detectar un incidente suele ser relativamente simple, pero construir el contexto necesario para identificar su causa raíz sigue siendo una de las actividades más difíciles de la operación.
A partir de esa constatación, mostramos que la observabilidad dejó de ser solo una herramienta para convertirse en una nueva forma de operar y concluimos la primera serie demostrando que reducir el MTTR depende mucho más de la velocidad con que comprendemos un incidente que de la velocidad con que ejecutamos su recuperación.
En el primer artículo de esta segunda serie, volvimos nuestra atención hacia otro movimiento que viene transformando rápidamente el mercado: la adopción creciente de agentes de Inteligencia Artificial.
La principal reflexión propuesta fue que esos agentes representan una evolución importante, pero no resuelven, por sí solos, el principal desafío de las operaciones modernas. Cerramos aquel artículo dejando una pregunta abierta.
Si cada agente conoce a fondo solo una parte de la operación, ¿cómo lograrán todos construir una comprensión común cuando un incidente involucre al mismo tiempo aplicaciones, infraestructura, observabilidad, redes, servicios en la nube y plataformas de ITSM?
Responder a esa pregunta exige cambiar de nuevo la perspectiva.
En los últimos meses, el mercado concentró gran parte de su atención en la evolución de los modelos de lenguaje, de los agentes especializados y de las tareas que podrán ejecutar. Es una discusión sumamente relevante. Sin embargo, existe un aspecto mucho más fundamental que suele quedar en segundo plano.
Antes de que cualquier Inteligencia Artificial pueda interpretar un incidente, recomendar una acción o ejecutar una automatización, necesita comprender el contexto en el que ese incidente está ocurriendo.
Este artículo trata justamente de ese contexto y del papel que desempeñará en la próxima generación de las operaciones de TI.
El contexto no nace dentro del agente
La pregunta con la que cerramos la introducción puede parecer simple, pero cambia por completo la forma en que vemos la Inteligencia Artificial aplicada a las operaciones de TI.
Si los agentes especializados dependen del contexto para interpretar un incidente, ¿de dónde vendrá ese contexto?
A primera vista, la respuesta parece obvia. Muchos imaginan que lo construirá el propio agente a medida que analice logs, consulte métricas o interprete eventos producidos por las herramientas de la operación. Esa percepción es comprensible, sobre todo porque las demostraciones de soluciones basadas en Inteligencia Artificial suelen enfatizar justamente esa capacidad de análisis.
Sin embargo, cuando observamos el funcionamiento de las operaciones en entornos corporativos complejos, percibimos que esa expectativa difícilmente se sostiene.
Imagine una organización que utiliza una plataforma de observabilidad para seguir las aplicaciones, una herramienta de monitoreo para la infraestructura, soluciones específicas para redes, servicios en la nube de distintos proveedores, un sistema de ITSM para la gestión de incidentes, además de una CMDB y una base de conocimiento construida a lo largo de los años.
Cada una de esas plataformas tiene una visión legítima de la operación. Cada una registra eventos importantes. Cada una produce información que puede ser decisiva durante una investigación.
El problema es que ninguna de ellas conoce, por sí sola, toda la historia.
Cuando ocurre un incidente, la información relevante pasa a existir simultáneamente en varios lugares. Un cambio registrado en la plataforma de gestión de cambios puede explicar una degradación percibida por la observabilidad. Un aumento de latencia observado en las aplicaciones puede estar relacionado con un comportamiento registrado por la infraestructura algunos minutos antes. Un ticket abierto por el Service Desk puede representar solo la consecuencia de un problema cuyo origen está en un componente completamente distinto.
Esas relaciones difícilmente aparecen de forma explícita en una única herramienta.
En la práctica, hay que construirlas.
Es exactamente ese trabajo el que hoy realizan los profesionales más experimentados de las operaciones. Al investigar un incidente, no analizan solo métricas, logs o tickets. Buscan relacionar información proveniente de diferentes plataformas, reconstruyendo una secuencia lógica de acontecimientos hasta que el comportamiento del entorno empieza a tener sentido.
Esa actividad exige mucho más que capacidad de interpretación: exige contexto.
Note que esta constatación altera la propia forma en que debemos comprender el papel de los agentes de Inteligencia Artificial.
Ellos no comienzan su análisis a partir de una visión completa de la operación. Comienzan a partir de la información que se les puso a disposición.
Cuanto mejor sea ese conjunto de información, mayor será la probabilidad de que produzcan análisis consistentes. Del mismo modo, cuando ese contexto esté incompleto, fragmentado o distribuido entre distintas plataformas sin ninguna relación explícita entre ellas, incluso agentes extremadamente sofisticados tendrán dificultades para llegar a las mejores conclusiones.
Por eso, quizá la pregunta más importante ya no sea “¿qué tan inteligente es el agente?”. Quizá deberíamos preguntar “¿qué tan completo es el contexto que recibió para trabajar?”
La diferencia entre información y contexto
Esta distinción parece una mera cuestión de terminología, pero tiene consecuencias profundas para la arquitectura de las operaciones de TI.
Durante muchos años invertimos para aumentar nuestra capacidad de producir información. Instrumentamos aplicaciones, ampliamos la recolección de métricas, centralizamos logs, implantamos plataformas de observabilidad y creamos mecanismos cada vez más sofisticados para registrar el comportamiento de los entornos.
Hoy pocas organizaciones sufren por la ausencia de datos, pero el desafío cambió.
Pasamos a convivir con una enorme cantidad de información distribuida entre decenas de plataformas, cada una organizada según su propia lógica, sus propios identificadores y su propia visión de la realidad operacional.
La información, por lo tanto, dejó de ser un recurso escaso. El recurso verdaderamente escaso pasó a ser la capacidad de conectar esa información de forma coherente. Esa conexión es lo que transforma la información en contexto.
Considere, por ejemplo, una degradación percibida por los usuarios de un sistema de comercio electrónico. Por separado, un aumento en el uso de CPU, un cambio reciente en un servicio de autenticación, un crecimiento en el tiempo de respuesta de las APIs y un aumento en el número de tickets registrados por el Service Desk son solo informaciones independientes. Cada una describe un aspecto del entorno.
Cuando logramos establecer las relaciones entre esos eventos, identificando su secuencia temporal, sus dependencias y sus impactos sobre el negocio, dejamos de observar un conjunto de síntomas desconectados y pasamos a comprender un único incidente.
Esa transformación no ocurre porque hayan surgido nuevos datos. Ocurre porque los datos existentes empezaron a tener sentido cuando se observan en conjunto.
Es exactamente ese tipo de comprensión la que cualquier agente de Inteligencia Artificial necesitará recibir para producir análisis realmente útiles en operaciones modernas.
El contexto se construye, no se encuentra
Hay una idea que aparece con frecuencia cuando discutimos la Inteligencia Artificial aplicada a las operaciones de TI. Muchos imaginan que el contexto operacional ya existe y que basta permitir que un agente lo consulte para obtener mejores respuestas.
En la práctica, las operaciones modernas funcionan de manera bastante diferente. El contexto rara vez está listo.
En la mayoría de las organizaciones, hay que construirlo continuamente a partir de información producida por decenas de plataformas independientes, cada una de las cuales registra solo una parte del comportamiento del entorno. Métricas de infraestructura, logs de aplicaciones, traces distribuidos, eventos de seguridad, cambios registrados en la gestión de cambios, tickets del Service Desk, información de la CMDB, topologías de red, dependencias entre servicios e indicadores de negocio coexisten, pero normalmente permanecen almacenados en repositorios distintos y organizados según modelos completamente diferentes.
Individualmente, cada una de esas fuentes describe apenas una pequeña parcela de la realidad operacional.
El contexto surge cuando esa información pasa a relacionarse entre sí. Esa distinción puede parecer sutil, pero cambia por completo la forma en que debemos pensar la arquitectura de las operaciones.
Considere una empresa que acaba de recibir cientos de alertas que indican degradación en diferentes aplicaciones críticas. Un agente especializado en observabilidad podrá identificar cambios importantes en los tiempos de respuesta. Otro agente, responsable de la infraestructura, percibirá un aumento expresivo en el uso de determinados recursos computacionales. Un tercero encontrará registros de error en los logs de autenticación. Al mismo tiempo, el ITSM mostrará un crecimiento repentino en el número de tickets, mientras que la plataforma de cambios registrará una actualización realizada pocos minutos antes del inicio de la degradación.
Ninguna de esas informaciones explica el incidente por sí sola. La explicación empieza a surgir cuando logramos establecer las relaciones entre ellas.
Es en ese momento cuando los datos dejan de representar solo eventos independientes y pasan a formar una narrativa coherente sobre el comportamiento de la operación.
Note que esa narrativa no estaba almacenada en ninguna herramienta específica. En realidad, hubo que construirla.
Es justamente ese proceso de construcción el que transforma un conjunto de información dispersa en conocimiento operacional capaz de apoyar decisiones.
Esa característica diferencia profundamente las operaciones de TI de otros escenarios en los que también se aplican modelos de Inteligencia Artificial.
Las operaciones no trabajan solo con documentos. Trabajan con relaciones.
Cuando pensamos en aplicaciones tradicionales de IA, es común imaginar un agente que consulta documentos, políticas internas, manuales técnicos o bases de conocimiento para responder preguntas específicas. En esos casos, la calidad de las respuestas depende, en gran medida, de la capacidad de recuperar los documentos más relevantes y utilizarlos durante la generación de la respuesta.
En las operaciones de TI, sin embargo, el desafío suele ser diferente.
El incidente que el equipo intenta comprender normalmente no está descrito en ningún lugar. Está ocurriendo en ese preciso momento.
Más que recuperar información existente, la operación necesita reconstruir una secuencia de acontecimientos que aún se está desarrollando. Eso exige correlacionar eventos producidos en instantes diferentes, comprender dependencias entre componentes, identificar relaciones de causa y efecto y distinguir los síntomas de lo que realmente originó el problema.
En otras palabras, el conocimiento que orientará la decisión todavía no existe de forma explícita. Hay que producirlo.
Esta quizá sea una de las diferencias más importantes entre utilizar Inteligencia Artificial para responder preguntas sobre una base de documentos y utilizarla para apoyar operaciones críticas en tiempo real. En el primer caso, el principal desafío consiste en recuperar correctamente información ya organizada. En el segundo, el desafío pasa a ser construir, de forma continua, un contexto operacional capaz de representar la realidad dinámica del entorno.
Es justamente por eso que el contexto no puede tratarse como un detalle de la arquitectura.
Pasa a ser la propia infraestructura sobre la cual agentes, operadores y modelos de Inteligencia Artificial logran construir una comprensión común del incidente.
El contexto pasa a ser la infraestructura de la Inteligencia Artificial
A lo largo de los últimos años, nos acostumbramos a pensar en las operaciones de TI como un conjunto de herramientas especializadas. Cada plataforma pasó a desempeñar un papel específico, observando una parte de la infraestructura, de las aplicaciones o de los servicios de negocio. Esa evolución trajo avances importantes en visibilidad, automatización y capacidad analítica, pero también dejó en evidencia un nuevo desafío: comprender entornos distribuidos exige mucho más que analizar información producida por sistemas aislados.
La llegada de los agentes de Inteligencia Artificial no altera esa realidad. Al contrario, la hace aún más evidente.
Cuanto más capaces se vuelven esos agentes de interpretar información y apoyar decisiones, mayor es la importancia del contexto que se les pone a disposición. Al fin y al cabo, la calidad de sus conclusiones seguirá estando directamente relacionada con la calidad de la comprensión que logren construir sobre el entorno operacional.
Es justamente por eso que el contexto no debe verse como un recurso complementario de la Inteligencia Artificial. Pasa a representar una nueva capa de la arquitectura de las operaciones modernas.
Esa capa es responsable de integrar información proveniente de diferentes plataformas, establecer relaciones entre eventos, preservar dependencias entre servicios y ofrecer una representación coherente de la realidad operacional. Sobre ella, operadores, especialistas y agentes de Inteligencia Artificial construyen sus análisis, formulan hipótesis y toman decisiones.
Cuando observamos la evolución reciente de las operaciones desde esa perspectiva, percibimos que la discusión deja de ser tecnológica y pasa a ser arquitectónica.
La cuestión más importante ya no es cuántos agentes podrá desarrollar o contratar una organización.
La pregunta pasa a ser otra.
¿Cómo garantizar que todos trabajen sobre la misma comprensión de la operación?
Este cambio de foco altera profundamente la forma en que debemos planificar el futuro de las operaciones de TI. En lugar de imaginar un conjunto de inteligencias independientes compitiendo por interpretar el mismo incidente, empezamos a visualizar un entorno en el que distintos agentes colaboran porque comparten una base común de conocimiento sobre lo que está ocurriendo.
Esta quizá sea la principal transformación que veremos en los próximos años.
No una evolución basada solo en modelos cada vez más sofisticados, sino en la capacidad de construir y mantener un contexto operacional compartido, lo bastante rico para permitir que personas e Inteligencias Artificiales trabajen sobre la misma realidad. Cuando la autonomía avanza, otra pregunta complementaria es quién operará los agentes de IA en producción.
El próximo desafío
Si el contexto operacional pasa a ocupar esa posición central en la arquitectura de las operaciones, surge naturalmente una nueva pregunta.
Hasta aquí, discutimos por qué los agentes especializados dependen de ese contexto para producir análisis consistentes y mostramos que no nace espontáneamente dentro de los modelos de Inteligencia Artificial. También vimos que ese contexto debe construirse continuamente a partir de la integración y la correlación de información proveniente de múltiples fuentes.
Falta comprender cómo ocurre esto en la práctica.
¿Cómo transformar datos distribuidos entre plataformas independientes en una representación única y coherente de la operación? ¿Cómo preservar las relaciones entre aplicaciones, infraestructura, servicios, cambios y procesos de negocio para que distintos agentes puedan trabajar sobre la misma comprensión del entorno?
Esas preguntas nos conducen al siguiente paso de esta serie.
En el próximo artículo, discutiremos por qué un agente especialista conoce a fondo una herramienta, pero sigue siendo incapaz de comprender por sí solo un incidente que atraviesa toda la arquitectura. Veremos que la especialización, aunque indispensable, no elimina la necesidad de una visión transversal de la operación. Por el contrario, cuanto mayor es el número de especialistas, humanos o artificiales, mayor es la importancia de un contexto operacional compartido que permita conectar todas esas perspectivas.
Sobre el autor
Paulo Florêncio de Menezes es emprendedor, socio y cofundador de empresas como Target Solutions, BiPTT y ARGUS.
Es graduado en Procesamiento de Datos por la Universidad Federal de Amazonas (UFAM), tiene MBA en Gestión Empresarial por la Fundación Dom Cabral (FDC) y Máster Profesional en Economía por la Fundación Getulio Vargas (FGV).
En su investigación de máster desarrolló el IBEOP-IA (Índice Brasileño de Exposición Ocupacional Potencial a la Inteligencia Artificial), investigando la exposición potencial de las ocupaciones brasileñas a las capacidades de la IA mediante la combinación de datos ocupacionales, patentes de inteligencia artificial y técnicas de procesamiento de lenguaje natural.