El contexto operacional protege su inversión en IA

Cuando la tecnología cambia más rápido de lo que la inversión logra madurar

En el artículo “Su empresa ya invirtió en IA. ¿Pero está obteniendo todo el retorno posible?”, discutimos un cambio importante en la agenda de las organizaciones. Después de una primera fase marcada por la experimentación, la adopción de nuevos modelos y el desarrollo de agentes especializados, la cuestión empieza a dejar de ser simplemente cuánto invertir en Inteligencia Artificial.

Para muchas empresas, el desafío ahora es comprender cómo ampliar continuamente el retorno de las inversiones ya realizadas y transformar iniciativas inicialmente independientes en una capacidad operacional permanente.

Esta preocupación se vuelve aún más relevante cuando consideramos una característica particular del ciclo tecnológico actual: la velocidad con que evoluciona la propia Inteligencia Artificial. Modelos que hace poco representaban el estado del arte son superados rápidamente, nuevas arquitecturas ganan espacio, los agentes incorporan capacidades antes inexistentes y los proveedores tradicionales incluyen funciones de IA en prácticamente todas las capas de sus productos.

Para las empresas, seguir esa evolución es inevitable, pero también plantea una cuestión estratégica que no siempre recibe la misma atención que la elección de las nuevas tecnologías.

¿Cuánto de la inversión realizada hoy seguirá produciendo valor cuando cambie la tecnología utilizada para construirla?

La pregunta es especialmente importante porque un proyecto corporativo de IA involucra mucho más que el costo de un modelo o de una licencia.

Hay inversión en la integración con sistemas existentes, la preparación y organización de la información, el desarrollo de agentes, la construcción de mecanismos de recuperación de conocimiento, las automatizaciones, la definición de procesos, la capacitación de los equipos y la incorporación de la solución a las rutinas operacionales.

Con el tiempo, la organización acumula también conocimiento sobre cómo esa IA debe interpretar su entorno y actuar dentro de él. Una parte relevante de la inversión, por lo tanto, está en la construcción de todo lo que permite transformar una tecnología genérica en una solución capaz de producir valor dentro de una empresa específica.

Es justamente ahí donde surge un riesgo poco evidente. Si esa comprensión de la organización está excesivamente incorporada a un determinado agente, modelo o proveedor, un futuro cambio tecnológico podrá exigir no solo sustituir una herramienta, sino reconstruir parte del conocimiento que se había estructurado a su alrededor.

En ese escenario, la rápida evolución de la IA deja de representar solo una oportunidad y pasa a crear también un problema de preservación de la inversión.

Esta preocupación empieza a aparecer en las investigaciones sobre generación de valor con IA. El estudio The State of AI: How Organizations Are Rewiring to Capture Value, de McKinsey, muestra que la adopción de la tecnología ya se ha difundido ampliamente, mientras que la captura de impacto económico a escala sigue mucho más concentrada.

El estudio llama la atención, entre otros factores, sobre la necesidad de rediseñar procesos, establecer mecanismos de gobernanza y acompañar indicadores capaces de relacionar las iniciativas de IA con los resultados del negocio. En otras palabras, la distancia entre adoptar IA y transformarla en valor sostenible sigue siendo relevante.

Esa diferencia ayuda a ampliar nuestra comprensión del retorno de la inversión. Evaluar el ROI solo por el resultado inmediato de un agente o de un determinado caso de uso puede ser insuficiente. En entornos donde la tecnología cambia rápidamente, también debemos considerar cuánto del conocimiento, de las integraciones y de la capacidad operacional construidos durante ese proyecto podrá seguir aprovechándose cuando se incorporen nuevos modelos, nuevos agentes o nuevas plataformas.

Desde esta perspectiva, proteger la inversión en IA no significa impedir que la tecnología sea sustituida. Significa justamente lo contrario: la idea es construir una arquitectura en la que se pueda evolucionar la tecnología sin perder el conocimiento operacional acumulado por la organización. Ese conocimiento constituye el patrimonio que la próxima generación de AIOps asocia a las plataformas de contexto operacional.

No todo el conocimiento construido con IA pertenece a la IA

Esta distinción se vuelve más clara cuando observamos lo que ocurre durante el desarrollo de un agente especializado. Una parte importante de su capacidad puede venir del propio modelo y del conocimiento técnico que ya posee.

Un agente dedicado a bases de datos, por ejemplo, puede conocer a fondo Oracle o PostgreSQL, otro puede dominar Kubernetes, un tercero puede tener gran capacidad para interpretar logs, métricas o traces.

Ese conocimiento especializado puede ser sumamente sofisticado, pero sigue siendo, en gran medida, reutilizable entre distintas organizaciones. Lo que transforma ese conocimiento genérico en capacidad operacional específica es lo que la empresa le añade.

Para investigar un incidente real, no basta con conocer Kubernetes. Es necesario comprender qué aplicaciones se ejecutan en ese clúster, de qué servicios dependen, qué cambios ocurrieron recientemente, qué componentes sostienen determinado proceso de negocio y qué señales provenientes de otras plataformas ayudan a explicar el comportamiento observado. Esa comprensión no pertenece a Kubernetes, al modelo de lenguaje ni al proveedor del agente. Pertenece a la organización.

Esta distinción ya apareció en artículos anteriores, cuando discutimos que un agente puede conocer a fondo una herramienta y, aun así, no comprender el incidente. Ahora, sin embargo, gana una dimensión económica.

Cada vez que una organización estructura esas relaciones para hacer más eficientes a sus agentes, está construyendo un activo. Si ese activo permanece fuertemente acoplado a cada iniciativa individual de IA, parte de la inversión tendrá que reconstruirse cada vez que cambie la arquitectura. Cuando se preserva de manera independiente y compartible, el mismo conocimiento puede seguir produciendo valor para distintos agentes y futuras generaciones de tecnología.

Es en este punto donde el contexto operacional deja de ser solo un requisito para mejorar los diagnósticos y pasa a formar parte de la discusión sobre la protección de la inversión en Inteligencia Artificial. El valor acumulado deja de estar exclusivamente en el agente que la empresa utiliza hoy y pasa a residir también en la representación que construyó sobre su propia operación, una representación que puede sobrevivir a las tecnologías que ayudaron a utilizarla.

Esto cambia la pregunta que debemos hacernos al evaluar una iniciativa de IA. Además de preguntar cuánto cuesta y qué resultado logra producir hoy, quizá sea igualmente importante preguntar cuánto del conocimiento que estamos construyendo con esa inversión seguirá perteneciendo a la empresa y podrá reutilizarse cuando llegue la próxima generación de IA.

Esa pregunta será fundamental para comprender por qué el contexto operacional puede funcionar no solo como infraestructura para agentes, sino como un mecanismo de preservación y multiplicación del capital tecnológico ya invertido por la organización.

Proteger la inversión no significa proteger la tecnología

Existe una tendencia natural a asociar la protección de una inversión tecnológica con la longevidad de la solución elegida. Durante muchos años, esa lógica tuvo sentido. Las grandes plataformas corporativas se adquirían con horizontes de uso relativamente largos, y las decisiones de arquitectura frecuentemente consideraban ciclos de cinco, diez o incluso más años.

En ese entorno, proteger una inversión significaba, en gran medida, elegir una tecnología lo bastante sólida para seguir siendo relevante durante buena parte de ese período.

La Inteligencia Artificial introdujo una dinámica diferente. La velocidad de evolución de modelos, agentes y plataformas hace cada vez más difícil imaginar que las tecnologías utilizadas hoy permanecerán inalteradas durante todo el período necesario para que las empresas capturen el retorno esperado de sus inversiones.

Esto no significa que las elecciones actuales sean erróneas ni que deban tratarse como temporales. Significa solo que una estrategia de largo plazo debe considerar, desde el inicio, la posibilidad de sustituir componentes de la arquitectura sin reconstruir todo el valor acumulado a su alrededor.

Esta cuestión gana importancia porque la inversión corporativa en IA sigue creciendo rápidamente.

Según IDC, en el artículo A Deep Dive Into IDC’s Global AI and Generative AI Spending, la inversión global en Inteligencia Artificial se proyectó en aproximadamente 235.000 millones de dólares en 2024 y se espera que supere los 630.000 millones de dólares hasta 2028.

Más importante que el número absoluto es lo que representa: a medida que la IA deja la fase predominantemente experimental y pasa a recibir porciones cada vez mayores de los presupuestos corporativos, crece también la responsabilidad de los ejecutivos de tecnología de transformar esas inversiones en resultados medibles y preservar el valor construido con el tiempo.

En ese escenario, proteger la inversión no debería significar preservar indefinidamente el agente, el modelo o la plataforma elegidos hoy. Una estrategia más resiliente consiste en identificar qué componentes representan capacidades sustituibles y cuáles representan conocimiento que debe permanecer bajo dominio de la organización.

Los modelos pueden sustituirse por versiones más eficientes, los agentes pueden evolucionar y los proveedores pueden cambiar, mientras que las relaciones entre aplicaciones, infraestructura, servicios, eventos, cambios y procesos de negocio siguen representando una realidad propia de la empresa.

Es justamente esa separación la que permite tratar el contexto operacional como un activo. Cuanto menos atado esté ese contexto a una tecnología específica, mayor será la posibilidad de reutilizarlo en nuevas iniciativas.

Un agente desarrollado hoy puede utilizarlo para investigar incidentes. Otro, en el futuro, podrá emplearlo para prever riesgos, recomendar acciones o ejecutar automatizaciones. La tecnología responsable del razonamiento podrá cambiar sustancialmente, mientras que gran parte de la comprensión necesaria para que ese razonamiento tenga sentido seguirá siendo la misma.

Este enfoque también cambia la forma en que evaluamos el retorno de los proyectos de IA. Parte del retorno seguirá midiéndose por las ganancias directas de productividad, la reducción de costos, el aumento de la calidad o la aceleración de ciertos procesos.

Sin embargo, a medida que la adopción madura, otra dimensión se vuelve relevante. ¿Cuánto de la capacidad construida en cada proyecto podrá reaprovecharse en los proyectos siguientes?

Cuanto mayor sea esa reutilización, menor será la necesidad de reconstruir integraciones, relaciones y conocimiento contextual en cada nueva iniciativa y, en consecuencia, mayor tiende a ser el retorno acumulado del portafolio de IA.

Esta discusión está directamente relacionada con un problema que empieza a aparecer con mayor claridad en las investigaciones sobre IA corporativa. En el estudio The GenAI Divide: State of AI in Business 2025, del MIT, los investigadores destacan una diferencia expresiva entre la experimentación y la generación de impacto económico, y llaman la atención sobre las dificultades de las organizaciones para transformar pilotos de IA generativa en resultados medibles a escala.

Entre los factores discutidos está justamente la necesidad de sistemas capaces de aprender con contexto, adaptarse a los procesos específicos de la organización e integrarse adecuadamente a los flujos de trabajo existentes.

Esta constatación refuerza una diferencia fundamental entre simplemente financiar proyectos de IA y construir una capacidad corporativa de IA. En el primer caso, cada iniciativa debe justificar individualmente su inversión y con frecuencia reconstruye parte de la infraestructura que necesita para funcionar. En el segundo, las inversiones empiezan a acumularse sobre una base común, lo que permite que lo construido en un proyecto reduzca el esfuerzo necesario y aumente el potencial de retorno de los proyectos siguientes.

En este sentido, proteger la inversión en IA deja de ser una discusión sobre longevidad tecnológica y pasa a ser una discusión sobre la reutilización del valor construido.

Cuanto mayor sea la capacidad de separar el conocimiento específico de la organización de las tecnologías que lo utilizan en determinado momento, mayor será la libertad para incorporar nuevos modelos, agentes y proveedores sin abandonar lo que ya se construyó.

El contexto operacional crea una base reutilizable para distintos agentes

Esta lógica se vuelve particularmente relevante en las operaciones de TI porque el contexto necesario para comprender un incidente es, por definición, multifuente. La información proveniente de herramientas de monitoreo, plataformas de observabilidad, sistemas de ITSM, inventarios, entornos de nube, aplicaciones y distintos componentes de infraestructura debe relacionarse para que un evento aislado pueda interpretarse dentro de la realidad más amplia de la operación.

Cuando cada agente debe construir individualmente esas integraciones y reconstruir su propia comprensión del entorno, la organización multiplica esfuerzos similares. La inversión realizada para hacer más eficiente a un agente difícilmente beneficia a los demás en la misma proporción, y cada nueva iniciativa tiende a cargar con parte de los mismos costos de integración, contextualización y mantenimiento.

Incluso cuando los agentes son técnicamente excelentes, la arquitectura sigue fragmentando la inversión. A medida que llegan a producción, su operación pasa a exigir capacidades como las discutidas en AgentOps: ¿quién operará los agentes de IA en producción?.

Una capa compartida de contexto operacional altera esa dinámica. En lugar de que cada agente reconstruya individualmente la comprensión de la operación, distintas soluciones pueden consumir una representación común de las relaciones existentes entre eventos, recursos, aplicaciones, servicios y demás elementos relevantes.

Esto no elimina la especialización de los agentes. Al contrario, permite que cada uno siga haciendo lo que mejor sabe hacer, pero sobre una base contextual que no necesita recrearse en cada nueva implementación.

Este punto es particularmente importante porque especialización y contexto tienen naturalezas económicas diferentes. El conocimiento de un agente sobre Oracle, Kubernetes, redes o seguridad puede ser desarrollado por un proveedor y utilizado por miles de empresas.

El contexto que explica cómo se relacionan esos componentes dentro de una organización específica, en cambio, debe construirse a partir de esa propia operación. Justamente por ser específico, acumulativo y reutilizable, ese contexto puede convertirse en un patrimonio tecnológico de la empresa.

Cuando esa separación se preserva en la arquitectura, un cambio de agente deja de significar necesariamente una reconstrucción completa del conocimiento operacional. La organización puede incorporar una tecnología más eficiente, sustituir a un determinado proveedor o probar una nueva generación de modelos manteniendo disponible una parte importante de lo que ya se construyó.

La inversión anterior no desaparece con la tecnología que la utilizaba, porque parte relevante de su valor permanece en la capa de contexto.

Esa es una diferencia fundamental entre una arquitectura orientada solo al despliegue de agentes y una arquitectura orientada a la construcción de capacidad operacional.

En la primera, el valor tiende a acompañar a cada solución individual. En la segunda, una parte creciente de ese valor pasa a pertenecer a la propia organización y puede reutilizarse por distintas soluciones con el tiempo.

Es también en este punto donde retorno, gobernanza y arquitectura empiezan a converger. Cuantos más recursos destinen las empresas a la Inteligencia Artificial, más importante será saber no solo qué proyectos están produciendo resultados, sino también qué activos se están construyendo, quién los controla y cuánto de esa inversión podrá reutilizarse en las próximas iniciativas.

El contexto operacional pasa así a participar en una discusión mucho mayor que la simple mejora del diagnóstico de incidentes. Eso incluye la forma en que la inteligencia artificial reduce incertidumbres antes de la decisión operacional. De esta manera, el contexto pasa a formar parte de la propia estrategia de preservación y evolución de las inversiones corporativas en IA.

El retorno aumenta cuando el próximo proyecto no necesita empezar de cero

Existe una consecuencia económica importante cuando el contexto operacional pasa a tratarse como un activo compartido. Cada nueva iniciativa de Inteligencia Artificial deja de necesitar reconstruir íntegramente lo que los proyectos anteriores ya aprendieron sobre la organización.

Las integraciones, las relaciones entre componentes, las dependencias entre servicios, el historial de eventos y otra información necesaria para interpretar la operación pueden formar una base progresivamente reutilizable. En ese escenario, parte de la inversión realizada en un proyecto pasa a contribuir también a los proyectos siguientes.

Esta lógica es bastante diferente de la que se encuentra en entornos en los que cada iniciativa de IA evoluciona de forma independiente.

Cuando distintos agentes construyen sus propias integraciones, mantienen bases de conocimiento aisladas y desarrollan individualmente mecanismos para comprender el entorno, la empresa puede terminar financiando repetidamente esfuerzos similares. Cada proyecto puede presentar un retorno positivo cuando se analiza de forma aislada, pero el portafolio en su conjunto acumula redundancias que dificultan la captura de valor a escala.

El problema se vuelve más relevante a medida que crece el número de iniciativas. Una organización puede tener agentes especializados en distintas tecnologías, recursos de IA incorporados a las plataformas de observabilidad, automatizaciones desarrolladas internamente y soluciones generativas utilizadas por distintos equipos.

Cada una de esas iniciativas puede cumplir adecuadamente su función, pero eso no significa necesariamente que la inversión realizada en una de ellas esté aumentando la capacidad de las demás. Sin una arquitectura que favorezca el intercambio y la reutilización del conocimiento, el crecimiento del portafolio puede significar también el crecimiento de la fragmentación.

Es en este punto donde la discusión sobre el retorno debe ir más allá del análisis individual de los casos de uso.

La pregunta sigue siendo cuánto ahorra determinado agente, cuánto reduce el tiempo de una actividad o cuánto aumenta la productividad de un equipo, pero pasa a incluir otra dimensión: ¿cuánto de la capacidad construida con esa inversión podrá utilizar de nuevo la organización?

Cuanto mayor sea la respuesta a esta segunda pregunta, mayor tiende a ser el efecto acumulado de las inversiones a lo largo del tiempo.

El desafío de transformar la adopción de IA en retorno

Esta preocupación aparece de forma clara en el estudio The State of AI in 2025: Agents, Innovation, and Transformation, de McKinsey. La investigación muestra una amplia adopción de IA en las organizaciones, pero también una distancia significativa entre el uso y la generación de impacto empresarial a escala.

Entre las empresas que reportan mayor impacto aparecen con más frecuencia prácticas relacionadas con el rediseño de procesos, la definición de mecanismos de gobernanza y la integración de la IA a los flujos de trabajo, lo que refuerza la idea de que el retorno depende de cambios más amplios que la simple disponibilidad de nuevos recursos tecnológicos.

Esta perspectiva ayuda a explicar por qué la arquitectura ejerce una influencia creciente sobre el retorno.

Cuando una nueva iniciativa logra aprovechar integraciones, relaciones y conocimiento contextual construidos previamente, la inversión anterior sigue produciendo valor incluso fuera del caso de uso que originalmente la justificó. En lugar de una sucesión de proyectos independientes, empieza a surgir una infraestructura acumulativa en la que cada nueva capacidad puede beneficiarse de lo que la organización ya desarrolló.

El efecto puede ser especialmente relevante en las operaciones de TI. Una relación identificada entre una aplicación, un servicio de negocio y determinados componentes de infraestructura puede ser útil para un agente responsable de la investigación de incidentes, pero no necesita permanecer restringida a él.

La misma relación podrá apoyar a otro agente en el análisis de cambios, la evaluación de impacto, la recomendación de acciones o futuras formas de automatización que ni siquiera estaban previstas cuando esa información se estructuró inicialmente.

En este sentido, el contexto operacional produce una característica particularmente importante para el retorno de la inversión: la reutilización. El valor deja de estar limitado al resultado producido por una determinada tecnología y pasa a incluir la posibilidad de aprovechar continuamente el conocimiento construido en nuevas aplicaciones.

Cuanto más evolucione esa base, mayor tiende a ser la capacidad de incorporar nuevas tecnologías sin repetir íntegramente las inversiones realizadas en las etapas anteriores.

Este cambio también altera la forma en que debemos interpretar la idea de protección de la inversión. Proteger no significa garantizar que una determinada solución seguirá en uso durante muchos años. En un mercado con la velocidad de transformación actual, esa probablemente sería una expectativa poco realista.

Proteger la inversión realizada significa aumentar la parte de la inversión que sigue generando valor incluso cuando los componentes tecnológicos de la arquitectura se sustituyen. Y el contexto operacional se vuelve particularmente relevante porque representa justamente lo que tiende a permanecer.

Los modelos pueden cambiar, los agentes pueden evolucionar y los proveedores pueden sustituirse, pero la necesidad de comprender cómo se relacionan aplicaciones, servicios, infraestructura, eventos, cambios y procesos seguirá existiendo. Cuando ese conocimiento se construye como patrimonio reutilizable de la organización, la evolución tecnológica deja de amenazar la inversión anterior y puede, por el contrario, ampliar su valor.

Proteger la inversión también exige saber qué se está construyendo

Esta discusión conduce a una segunda dimensión que no puede separarse del retorno: la gobernanza. A medida que las empresas multiplican sus iniciativas de Inteligencia Artificial, se vuelve más difícil comprender no solo cuánto se está invirtiendo, sino también qué capacidades se están construyendo, qué información se está utilizando, qué integraciones se están repitiendo y cuánto del conocimiento generado sigue disponible para otras iniciativas.

Gobernar las inversiones en IA, por lo tanto, no debería significar solo controlar el presupuesto, los proveedores o el consumo de modelos. Esta discusión también abarca situaciones en las que el gasto en IA crece más rápido que el retorno. Esos elementos son importantes, pero ofrecen una visión incompleta del patrimonio que se está creando.

Una organización puede conocer con precisión el costo de determinado agente y aun así tener poca visibilidad sobre cuánto del conocimiento construido para hacerlo funcionar podrá reaprovecharse en otros proyectos.

Esta perspectiva acerca gobernanza y arquitectura. Cuanto más fragmentado esté el contexto utilizado por las distintas iniciativas, más difícil será evaluar redundancias, identificar capacidades reutilizables y comprender la dependencia existente respecto de tecnologías específicas.

Por otro lado, cuando una parte relevante de ese contexto se trata como una capacidad compartida, resulta más fácil separar lo que pertenece a la organización de lo que pertenece al agente, al modelo o al proveedor utilizado en determinado momento.

Esa separación tiende a ganar importancia a medida que aumentan las inversiones. La cuestión ya no será solo elegir qué proyectos financiar, sino comprender qué patrimonio tecnológico deja cada proyecto a la organización después de realizada la inversión.

Una iniciativa capaz de producir resultados inmediatos y, al mismo tiempo, ampliar una base reutilizable de conocimiento puede generar un retorno estructural mucho mayor que otro proyecto cuyo valor permanezca restringido a la solución que lo originó.

Es en este punto donde retorno, protección y gobernanza empiezan a formar partes de una misma estrategia. El retorno muestra cuánto valor se está produciendo, la gobernanza permite comprender y controlar cómo se está construyendo ese valor, mientras que la arquitectura determina cuánto de él podrá seguir disponible cuando las tecnologías inevitablemente evolucionen.

Para las empresas que ya tienen distintas iniciativas de Inteligencia Artificial, esta quizá sea una de las preguntas más importantes de la próxima etapa de adopción: ¿estamos solo financiando nuevos proyectos de IA o estamos, con cada nuevo proyecto, aumentando una capacidad que seguirá perteneciendo a la organización?

Quizá el activo más duradero no sea la propia IA

La velocidad de evolución de la Inteligencia Artificial hace arriesgado intentar predecir qué modelos, agentes o plataformas ocuparán una posición dominante en los próximos años.

Algunas tecnologías utilizadas hoy ciertamente seguirán evolucionando, otras serán sustituidas y surgirán nuevas alternativas con capacidades que todavía no logramos anticipar.

Para las organizaciones, esta transformación no debería interpretarse solo como un riesgo. Representa también la posibilidad de incorporar continuamente mejores tecnologías, siempre que la arquitectura permita hacerlo sin abandonar una parte significativa del valor construido anteriormente.

Por esa razón, la discusión sobre la protección de la inversión debe ir más allá de la elección de la tecnología. Cuanto mayor sea el volumen de recursos destinados a la Inteligencia Artificial, más importante se vuelve identificar qué activos deben permanecer bajo el control de la organización y seguir produciendo valor independientemente de los cambios que ocurran en el mercado.

En las operaciones de TI, una parte importante de ese patrimonio está en el conocimiento acumulado sobre el propio entorno y, sobre todo, en las relaciones que permiten interpretar información proveniente de distintos dominios como partes de una misma realidad operacional.

Ese conocimiento no nace listo en un modelo de lenguaje. Tampoco puede adquirirse íntegramente de un proveedor, porque cada organización tiene una combinación particular de aplicaciones, infraestructura, servicios, procesos, integraciones, equipos y reglas de negocio.

Un agente puede conocer a fondo Oracle, Kubernetes, AWS o una plataforma de observabilidad, pero solo la propia empresa puede construir y preservar la comprensión de cómo se relacionan esas tecnologías dentro de su operación y de qué manera esas relaciones afectan a los servicios entregados al negocio.

Cuando esa comprensión permanece distribuida entre herramientas, agentes y bases de conocimiento independientes, una parte relevante de la inversión necesaria para construirla tiende a permanecer igualmente fragmentada.

Cada nueva iniciativa debe descubrir de nuevo una parcela de la operación, reconstruir relaciones o desarrollar integraciones similares a las que ya se habían implementado antes. El costo de esa fragmentación no aparece necesariamente como una línea específica del presupuesto de IA, pero se manifiesta en la repetición de esfuerzos, en el aumento de la complejidad y en el tiempo necesario para que cada nueva iniciativa alcance resultados relevantes.

Una arquitectura basada en contexto operacional compartido busca invertir esa lógica. El conocimiento construido deja de servir exclusivamente al agente o al caso de uso que originalmente justificó su creación y pasa a componer una base que puede enriquecerse y reutilizarse continuamente.

De la visión a la práctica

Las inversiones en inteligencia artificial no deberían depender exclusivamente del modelo o del agente elegido en determinado momento. Existe un conocimiento sobre la operación, construido con el tiempo, que sigue siendo valioso incluso cuando la organización adopta nuevas tecnologías.

Es en este punto donde la propuesta de ARGUS se conecta con la protección de esas inversiones. Mediante sus capacidades de AIOps, la plataforma integra información proveniente de distintas herramientas, correlaciona eventos y construye un contexto operacional compartido, que pueden aprovechar personas, automatizaciones y distintos agentes de IA.

Esa base permite que nuevos casos de uso aprovechen el conocimiento operacional existente, y reduce la necesidad de reconstruir integraciones y relaciones entre sistemas en cada iniciativa.

Con la incorporación de AgentOps y AI Gateway, ARGUS amplía esa arquitectura para contemplar también la orquestación, la observabilidad y la gobernanza de los agentes, lo que permite acompañar su actuación a medida que crece la adopción de IA.

La oportunidad está en tratar el contexto operacional como un activo de la organización, capaz de sostener distintas aplicaciones y generaciones de inteligencia artificial. De esa forma, el valor de las inversiones no queda restringido a la tecnología utilizada hoy, sino que también contribuye a las iniciativas que vendrán.

Conozca ARGUS y vea cómo funciona en la práctica.

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.