IA Agêntica
Conocer la herramienta no es comprender el incidente
Cuando la especialización deja de ser suficiente
A lo largo de la primera serie de artículos, discutimos cómo las operaciones de TI se volvieron progresivamente más complejas a medida que aplicaciones, servicios, plataformas en la nube e infraestructuras pasaron a funcionar como ecosistemas altamente distribuidos e interdependientes. Esa transformación nos llevó a concluir que comprender rápidamente un incidente depende mucho más de la capacidad de construir contexto que de la simple disponibilidad de herramientas de monitoreo u observabilidad.
En los dos primeros artículos de esta segunda serie, ampliamos esa discusión al universo de la Inteligencia Artificial. Primero, cuestionamos la idea de que los agentes especializados, por sí solos, resolverán los principales desafíos de las operaciones modernas en el artículo “Los agentes de IA no resuelven el principal problema de las operaciones de TI”. Luego, mostramos que cualquier agente depende de un elemento anterior a la propia Inteligencia Artificial: un contexto operacional compartido, capaz de reunir y organizar información proveniente de múltiples fuentes, en “Antes de los agentes, existe el contexto operacional”.
Estas dos reflexiones conducen naturalmente a una nueva pregunta.
Si el contexto operacional es tan importante, ¿por qué un agente especializado no podría construirlo por sí solo?
La respuesta pasa por una característica que, paradójicamente, representa al mismo tiempo la mayor fortaleza y la principal limitación de esos agentes.
Fueron concebidos para ser especialistas.
La fuerza de la especialización
Siempre que observamos demostraciones de agentes de Inteligencia Artificial, es natural que nos impresione su capacidad de ejecutar tareas altamente específicas. Algunos analizan miles de líneas de logs en pocos segundos. Otros identifican comportamientos anómalos en plataformas de observabilidad, interpretan métricas de infraestructura, sugieren procedimientos de recuperación, consultan bases de conocimiento o automatizan actividades dentro de sistemas de ITSM.
Esta especialización representa un avance extraordinario. Durante muchos años, gran parte de esas actividades dependía exclusivamente de la experiencia acumulada por los profesionales responsables de la operación. Hoy, buena parte de ese conocimiento puede incorporarse a agentes capaces de ejecutar análisis con rapidez, consistencia y disponibilidad prácticamente continua.
Es difícil imaginar que este movimiento no seguirá acelerándose.
Muy probablemente veremos surgir agentes cada vez más especializados. Algunos conocerán a fondo los entornos Kubernetes. Otros serán entrenados para plataformas específicas de observabilidad, seguridad, bases de datos, redes, computación en la nube o aplicaciones corporativas.
En poco tiempo, será común encontrar organizaciones que operan decenas de agentes diferentes, cada uno responsable de un dominio específico de la infraestructura. Sin contexto compartido, este patrón refuerza el riesgo de silos de inteligencia entre especialistas artificiales.
Desde la perspectiva de la productividad, este escenario es extremadamente positivo. Los especialistas, sean humanos o artificiales, tienden a producir análisis más precisos cuando actúan dentro del dominio para el cual fueron preparados.
El desafío comienza cuando el incidente deja de respetar esos mismos límites. Quien trabaja en operaciones sabe que los problemas más críticos rara vez permanecen confinados a una única tecnología.
Un comportamiento aparentemente observado en la aplicación puede originarse en un cambio realizado en la infraestructura. Una degradación percibida por los usuarios puede resultar de cambios en políticas de seguridad, de un servicio en la nube, de una cola de mensajes o de una dependencia externa que ninguna herramienta, por sí sola, logra ver por completo.
En estas situaciones, el conocimiento profundo sobre una única plataforma sigue siendo extremadamente valioso, pero deja de ser suficiente, porque el incidente no ocurre dentro de la herramienta. Ocurre en la operación.
El incidente no respeta fronteras tecnológicas
La principal virtud de un especialista siempre fue conocer a fondo el dominio en el que actúa. En las operaciones de TI, eso nunca fue diferente. A lo largo de las últimas décadas, la creciente sofisticación de las tecnologías llevó a las organizaciones a formar equipos cada vez más especializados. Surgieron profesionales dedicados exclusivamente a infraestructura, redes, bases de datos, seguridad, computación en la nube, plataformas de observabilidad y aplicaciones.
Esta especialización aumentó significativamente la calidad técnica de las operaciones y permitió acompañar la velocidad con que nuevos servicios y arquitecturas pasaron a incorporarse a los entornos corporativos.
Con los agentes de Inteligencia Artificial, estamos observando un movimiento semejante.
En lugar de un único modelo responsable de todas las actividades, empieza a surgir un ecosistema de agentes especializados, cada uno entrenado para interpretar un determinado conjunto de información, ejecutar tareas específicas o apoyar decisiones en un dominio muy bien definido. Es una evolución natural y, en la mayoría de los casos, extremadamente deseable.
El desafío aparece cuando miramos la naturaleza de los incidentes que esas organizaciones necesitan enfrentar.
Los incidentes más críticos rara vez siguen la división organizacional de los equipos o de las herramientas. Un cambio aparentemente simple en un servicio de autenticación puede provocar aumento de latencia en aplicaciones, desencadenar fallas de comunicación entre microservicios, generar colas en sistemas de mensajería, aumentar la utilización de recursos en la nube y, pocos minutos después, producir una avalancha de tickets en el Service Desk. Cada una de esas manifestaciones será percibida por una herramienta diferente y, en consecuencia, por un agente diferente.
Ninguno de ellos estará equivocado. Cada agente estará describiendo, con precisión, lo que logra observar. El problema es que el incidente nunca estuvo restringido a ninguna de esas perspectivas. Surgió justamente de las relaciones entre ellas.
Esta distinción parece sutil, pero ayuda a explicar por qué las operaciones modernas siguen invirtiendo tanto esfuerzo en la correlación de eventos y en la construcción de una visión integrada del entorno. El objetivo nunca fue solo reunir información en un único lugar. El verdadero desafío consiste en comprender cómo acontecimientos aparentemente independientes pasan a formar parte de la misma cadena causal cuando se observan en conjunto.
Es justamente en este punto donde percibimos que la especialización, aunque indispensable, tiene un límite natural. Amplía profundamente la capacidad de comprender una parte de la operación.
Pero comprender el incidente exige comprender las conexiones entre todas esas partes.
El verdadero desafío no es interpretar información. Es conectar perspectivas.
Cuando un gran incidente moviliza a una operación, rara vez falta información. Al contrario. En pocos minutos, los dashboards empiezan a registrar degradaciones, las plataformas de observabilidad presentan cambios de comportamiento, las herramientas de monitoreo disparan alertas, los sistemas de ITSM reciben nuevos tickets y distintos equipos inician sus propias investigaciones.
Cada profesional observa el problema desde el área de la que es responsable. Cada herramienta presenta una representación coherente de la realidad. Cada agente especializado, del mismo modo, tiende a producir análisis consistentes dentro del universo de información que recibió.
Aun así, quien ya participó en una war room sabe que, durante buena parte de la investigación, nadie puede afirmar con seguridad lo que realmente está ocurriendo.
Esta aparente contradicción merece atención. El problema no está en la calidad de los análisis individuales. Tampoco en la competencia de los equipos ni en la capacidad de los agentes de Inteligencia Artificial.
El verdadero desafío está en conectar todas esas interpretaciones para construir una comprensión común del incidente, y es justamente en este momento cuando percibimos una diferencia importante entre responder preguntas y comprender situaciones complejas.
Responder preguntas suele exigir conocimiento. Comprender un incidente exige relacionar conocimientos provenientes de distintas perspectivas. Esta diferencia puede parecer solo conceptual, pero altera profundamente la arquitectura de las operaciones modernas.
Imagine un equipo reunido para investigar una degradación significativa en una plataforma de servicios financieros. El especialista en bases de datos demuestra que no hay consultas lentas ni bloqueos relevantes. El equipo de infraestructura confirma que servidores, almacenamiento y recursos computacionales permanecen dentro de los límites previstos.
La observabilidad señala un aumento expresivo en el tiempo de respuesta de las aplicaciones. El equipo responsable de la red identifica un crecimiento inusual en la latencia entre dos entornos. En paralelo, el ITSM registra un aumento continuo de reclamos de los usuarios.
Todos esos diagnósticos pueden ser absolutamente correctos, pero aun así ninguno de ellos explica, por sí solo, el incidente.
La comprensión empieza a surgir solo cuando esa información deja de analizarse de forma independiente y pasa a interpretarse como partes de una misma historia.
Este cambio de perspectiva ayuda a explicar por qué las organizaciones más maduras suelen resolver los grandes incidentes con más rapidez, incluso utilizando herramientas semejantes a las disponibles en otras empresas.
El diferencial rara vez está en la cantidad de datos recolectados o en la sofisticación de las plataformas empleadas, sino en la capacidad de transformar múltiples perspectivas en una visión compartida de la realidad operacional.
Es exactamente esa visión compartida la que permite eliminar hipótesis incorrectas más temprano, coordinar mejor el trabajo de los equipos y reducir el tiempo necesario para identificar la causa más probable del problema.
Cuando observamos este proceso desde la óptica de la Inteligencia Artificial, la conclusión se vuelve prácticamente inevitable.
Si las personas especialistas necesitan compartir contexto para comprender un incidente distribuido, ¿por qué esperaríamos que agentes especializados lograran llegar a esa comprensión trabajando de forma aislada?
La inteligencia de la operación se medirá por la capacidad de compartir contexto
En los últimos años, se volvió común asociar la evolución de las operaciones de TI con el avance de la Inteligencia Artificial. Esta percepción es comprensible. Los modelos evolucionaron rápidamente, los agentes especializados pasaron a ejecutar tareas cada vez más sofisticadas y la expectativa de automatización creció de forma significativa.
Sin embargo, al analizar la arquitectura de las operaciones modernas, percibimos que esa transformación no depende solo de la evolución de los agentes.
Depende, principalmente, de la forma en que esos agentes logran comprender el entorno en el que están insertos.
La especialización sigue siendo un enorme diferencial. Un agente entrenado para interpretar logs, analizar métricas de observabilidad, acompañar cambios de infraestructura o apoyar procesos de ITSM puede producir resultados extraordinarios dentro de su dominio de actuación. Cuanto mayor es el conocimiento especializado, mayor tiende a ser la calidad de los análisis producidos.
El problema es que los incidentes críticos rara vez permanecen confinados a un único dominio. Surgen de las relaciones entre aplicaciones, infraestructura, redes, servicios en la nube, seguridad, integraciones y procesos de negocio.
Son justamente esas relaciones las que hacen que la investigación sea tan desafiante y explican por qué los equipos experimentados necesitan reunir a distintos especialistas para construir una comprensión única del problema.
Con los agentes de Inteligencia Artificial, esa lógica permanece exactamente igual.
Tendremos agentes cada vez más preparados para analizar partes específicas de la operación. Algunos serán especialistas en observabilidad. Otros dominarán plataformas de nube, bases de datos, seguridad o infraestructura. Todos podrán contribuir de forma significativa a acelerar investigaciones y apoyar decisiones.
Pero ninguno de ellos, por sí solo, logrará representar toda la complejidad de un entorno distribuido. La diferencia entre una colección de agentes especializados y una operación verdaderamente inteligente no estará, por lo tanto, en la cantidad de agentes disponibles. Estará en la capacidad de lograr que todos trabajen sobre la misma comprensión de la realidad operacional. Este quizá sea el principal cambio de paradigma que empezaremos a observar en los próximos años.
Durante mucho tiempo, invertimos para construir plataformas capaces de monitorear sistemas, recolectar métricas, registrar logs y ampliar la observabilidad. Ahora, pasamos a enfrentar un nuevo desafío: crear una arquitectura que permita transformar toda esa información en un contexto operacional compartido, suficientemente consistente para orientar a personas e Inteligencias Artificiales al mismo tiempo.
Cuando eso ocurre, los agentes dejan de actuar como especialistas aislados y pasan a colaborar sobre una misma representación de la operación. Cada uno sigue utilizando su conocimiento específico, pero sus conclusiones dejan de competir entre sí y pasan a complementarse.
Esta es una diferencia sutil que, al mismo tiempo, puede representar una de las mayores transformaciones que han vivido las operaciones de TI.
El próximo paso de esta evolución
Si los agentes especializados dependen de un contexto común para comprender incidentes complejos, surge naturalmente una nueva pregunta.
¿Quién será responsable de construir y mantener ese contexto?
Responder a esta cuestión exige mirar un nuevo componente de la arquitectura de las operaciones modernas. No una herramienta adicional, ni un nuevo agente especializado, sino una capa capaz de integrar información proveniente de múltiples fuentes, preservar las relaciones entre ellas y poner a disposición de todos los participantes de la operación una representación única de la realidad operacional.
Es justamente esa arquitectura la que empezaremos a explorar en el próximo artículo.
Discutiremos por qué la próxima generación de AIOps dejará de verse como un conjunto de herramientas independientes y pasará a construirse sobre plataformas de contexto, capaces de conectar datos, personas y agentes en torno a una misma comprensión de los incidentes.
En la práctica, quizá esa sea la diferencia entre utilizar Inteligencia Artificial en las operaciones y construir operaciones verdaderamente orientadas por Inteligencia Artificial.
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 del Amazonas (UFAM), tiene un MBA en Gestión Empresarial por la Fundação Dom Cabral (FDC) y una Maestría Profesional en Economía por la Fundação Getulio Vargas (FGV).
En su investigación de Maestría, 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.