AIOps
La próxima generación de AIOps pide contexto operacional
El conocimiento puede compartirse. El contexto debe construirse.
A lo largo de los últimos meses, construimos una línea de razonamiento sobre la evolución de las operaciones modernas de TI. En la primera serie de artículos, discutimos cómo la creciente complejidad de los entornos distribuidos alteró profundamente la forma de monitorear sistemas, investigar incidentes y reducir el tiempo de respuesta.
Mostramos que monitorear más no significa comprender mejor, que la observabilidad representa una nueva forma de operar y que reducir el MTTR depende, ante todo, de la capacidad de construir rápidamente una comprensión compartida del incidente.
En la segunda serie, volvimos nuestra atención a la Inteligencia Artificial. Primero, reflexionamos sobre el hecho de que los agentes especializados no resuelven, por sí solos, el principal desafío de las operaciones de TI, en “Los agentes de IA no resuelven el principal problema de las operaciones de TI”. Luego, argumentamos que cualquier agente depende de un elemento anterior a la propia Inteligencia Artificial: un contexto operacional compartido, capaz de reunir información proveniente de múltiples fuentes, en “Antes de los agentes, existe el contexto operacional”. En el artículo más reciente, mostramos que la especialización sigue siendo extremadamente valiosa, pero que un agente puede conocer profundamente una tecnología y, aun así, no comprender un incidente que atraviesa toda la arquitectura, en “Un agente puede conocer todo sobre una herramienta. Aun así, no comprender el incidente.”.
Estas reflexiones conducen naturalmente a la pregunta que pretendemos responder ahora.
Si todos los agentes dependerán de un contexto común para producir decisiones consistentes, ¿cómo se construirá ese contexto? ¿Y por qué se convertirá en uno de los activos más importantes de las operaciones modernas?
Responder a estas preguntas exige distinguir dos conceptos que con frecuencia aparecen mezclados en las discusiones sobre Inteligencia Artificial, aunque representen desafíos completamente distintos.
De un lado está el conocimiento especializado. Del otro, el contexto operacional.
A primera vista, ambos parecen formar parte del mismo problema. Al fin y al cabo, tanto uno como el otro proporcionan información para que personas y agentes tomen decisiones. Sin embargo, cuando analizamos cómo operan las grandes organizaciones, percibimos que tienen naturalezas completamente distintas y, justamente por eso, exigen estrategias igualmente diferentes.
Comprender esta diferencia quizás sea el paso más importante para entender por qué la próxima generación de AIOps no se definirá solo por la evolución de los modelos de Inteligencia Artificial, sino por la capacidad de las organizaciones de construir y mantener una representación consistente de su propia operación.
El conocimiento especializado puede reutilizarse
Uno de los grandes avances que aporta la Inteligencia Artificial es la capacidad de incorporar grandes volúmenes de conocimiento especializado y ponerlos a disposición de forma extremadamente accesible. Hoy ya existen agentes capaces de explicar el funcionamiento de una base de datos Oracle, sugerir buenas prácticas para entornos Kubernetes, interpretar métricas producidas por plataformas de observabilidad, apoyar investigaciones en entornos AWS u orientar la configuración de herramientas como ServiceNow y Dynatrace.
Este movimiento tiende a intensificarse.
A medida que se entrenen nuevos modelos y se incorporen nuevas bases de conocimiento, veremos agentes cada vez más competentes para responder preguntas técnicas, ejecutar análisis especializados y apoyar decisiones en prácticamente todas las disciplinas de las operaciones de TI.
La razón es simple: el conocimiento especializado tiene una característica extremadamente importante, que es el hecho de ser ampliamente reutilizable.
Las mejores prácticas para administrar una base Oracle no cambian porque la empresa pertenezca al sector financiero o al retail. Los conceptos fundamentales de Kubernetes siguen siendo los mismos independientemente del país en que opere la organización. La documentación oficial de un servicio de AWS sigue siendo válida para miles de clientes en todo el mundo, así como los procedimientos recomendados para plataformas de observabilidad, redes o ITSM.
Naturalmente, cada organización hará adaptaciones, adoptará versiones diferentes o establecerá estándares propios de utilización. Aun así, el núcleo de ese conocimiento sigue siendo esencialmente el mismo.
Es justamente esa característica la que vuelve a la especialización tan compatible con la Inteligencia Artificial.
Cuando el conocimiento puede documentarse, organizarse y reaprovecharse en distintos contextos, se vuelve posible entrenar agentes capaces de reproducir ese aprendizaje con enorme eficiencia. La inversión realizada para construir ese conocimiento beneficia a miles de organizaciones simultáneamente.
Este quizás sea uno de los mayores méritos de los agentes especializados: democratizan el acceso al conocimiento técnico acumulado a lo largo de décadas de evolución de las tecnologías que sustentan las operaciones modernas.
Sin embargo, es exactamente en este punto donde surge una limitación importante. Porque lo que hace tan poderoso al conocimiento especializado, es decir, su capacidad de ser reutilizado, es justamente lo que lo diferencia del contexto operacional.
El contexto operacional no puede reutilizarse
Si el conocimiento especializado puede compartirse entre miles de organizaciones, ¿por qué no ocurre lo mismo con el contexto operacional?
La respuesta está en la propia naturaleza de ese contexto, pues ninguna empresa opera exactamente de la misma forma que otra.
Incluso organizaciones del mismo sector, utilizando tecnologías semejantes y enfrentando desafíos de negocio parecidos, construyen arquitecturas diferentes con el tiempo. Se incorporan nuevas aplicaciones, se desarrollan integraciones, los procesos evolucionan, los servicios se sustituyen, las dependencias surgen y desaparecen, los cambios se realizan continuamente y el entorno pasa a reflejar la historia de esa organización.
Es justamente esa historia la que convierte al contexto operacional en un activo único.
Considere dos empresas que utilizan exactamente la misma base de datos Oracle, ejecutan sus aplicaciones sobre Kubernetes, almacenan parte de la infraestructura en AWS y utilizan la misma plataforma de ITSM. A primera vista, podríamos imaginar que un agente entrenado para ese conjunto de tecnologías sería suficiente para comprender los incidentes que enfrentan ambas, pero en la práctica, eso difícilmente ocurre.
En una de ellas, determinada aplicación puede depender directamente de una base Oracle centralizada. En la otra, la misma aplicación quizás utilice un conjunto de microservicios distribuidos y distintos mecanismos de sincronización de datos.
Un cambio en un servicio de autenticación puede afectar procesos completamente distintos en cada entorno. Una misma alerta de observabilidad puede representar riesgos muy diferentes según las integraciones existentes, las prioridades del negocio o las dependencias establecidas a lo largo de la evolución de esa arquitectura.
El conocimiento sobre Oracle sigue siendo exactamente el mismo, pero el contexto operacional, sin embargo, pasa a ser completamente diferente.
Esta distinción ayuda a comprender por qué tantas organizaciones descubren que la adopción de agentes especializados no elimina la necesidad de construir una visión integrada de la operación. Los agentes pueden dominar profundamente las tecnologías utilizadas. Lo que no conocen, por definición, es la forma específica en que esas tecnologías se combinaron para sustentar el negocio de esa empresa.
En otras palabras, conocen los componentes, pero no conocen la operación.
Esta diferencia es decisiva porque desplaza la discusión sobre la Inteligencia Artificial a un plano más estratégico.
El principal activo deja de ser solo la capacidad de responder preguntas sobre tecnologías conocidas y pasa a ser la capacidad de representar fielmente la realidad operacional de una organización específica.
Es esa representación la que permitirá transformar conocimiento especializado en decisiones realmente contextualizadas.
El contexto pasa a ser un patrimonio de la organización
Este cambio de perspectiva lleva a una consecuencia importante.
Durante muchos años, tratamos el conocimiento técnico como el principal patrimonio de las operaciones de TI. Invertimos en la formación de especialistas, documentamos procedimientos, creamos bases de conocimiento y desarrollamos procesos para preservar la experiencia acumulada por los equipos.
Todo ese esfuerzo sigue siendo indispensable, pero la evolución de la Inteligencia Artificial introduce un nuevo elemento en esta ecuación. Si los agentes especializados pasan a incorporar buena parte del conocimiento técnico reutilizable, ¿cuál será el verdadero diferencial competitivo entre dos organizaciones que utilizan tecnologías semejantes y disponen de agentes igualmente capaces?
La respuesta difícilmente estará en el conocimiento sobre Oracle, Kubernetes, AWS o cualquier otra plataforma ampliamente utilizada por el mercado. Ese conocimiento podrá adquirirse, entrenarse y distribuirse a gran escala.
El diferencial pasará a estar en lo que ninguna otra organización posee: la representación de su propio entorno operacional. Esa representación reúne información que no aparece en la documentación de los proveedores, no está disponible en manuales técnicos y no puede obtenerse solo consultando una base de conocimiento. Incorpora las relaciones entre aplicaciones, servicios, infraestructura, procesos, cambios, integraciones, dependencias y prioridades de negocio construidas a lo largo de la evolución de esa organización.
En otras palabras, representa la forma en que la empresa realmente funciona, y es justamente por eso que el contexto operacional comienza a asumir características de un patrimonio estratégico.
Así como los datos de clientes, la propiedad intelectual o los procesos de negocio, pasa a representar un activo que pertenece exclusivamente a la organización. Cuanto más completo, actualizado y consistente esté ese contexto, mayor será la capacidad de personas y agentes de comprender rápidamente lo que ocurre durante un incidente, reduciendo incertidumbres y apoyando decisiones más seguras.
Esta percepción cambia profundamente la forma en que debemos pensar las inversiones en AIOps, y quizás la pregunta más importante deje de ser “¿qué agentes debemos adoptar?” y pase a ser “¿cómo construiremos y mantendremos el contexto operacional que permitirá que todos ellos trabajen sobre la misma comprensión de la operación?”
La próxima generación de AIOps se construirá sobre plataformas de contexto
Si el conocimiento especializado puede aprenderse, compartirse y reutilizarse en prácticamente cualquier organización, mientras que el contexto operacional debe construirse continuamente para reflejar la realidad específica de cada entorno, una consecuencia empieza a hacerse evidente: las operaciones modernas pasan a exigir una nueva capa arquitectónica.
Durante mucho tiempo, invertimos en plataformas responsables de monitorear infraestructura, recolectar métricas, registrar logs, seguir transacciones, gestionar cambios y controlar incidentes. Cada una de estas soluciones aportó ganancias importantes de visibilidad y amplió nuestra capacidad de comprender distintos aspectos de la operación. Sin embargo, fueron concebidas para cumplir funciones específicas y, por eso, siguen produciendo visiones parciales del entorno. En los últimos artículos discutimos exactamente este fenómeno.
El desafío de las operaciones dejó de ser simplemente recolectar información. También dejó de ser solo ampliar la observabilidad o desarrollar agentes cada vez más especializados. El verdadero desafío pasó a ser construir una comprensión integrada de la operación, conectando información que permanece distribuida entre distintas plataformas.
Es justamente de esa necesidad de donde nace una nueva capa de la arquitectura, cuya función no es sustituir las herramientas ya existentes ni competir con los agentes de Inteligencia Artificial. Al contrario. Existe para conectar esos dos mundos.
Esa capa pasa a organizar el contexto operacional de la organización, preservando la representación de las relaciones entre aplicaciones, infraestructura, servicios, integraciones, dependencias, cambios y procesos de negocio. Más que almacenar información, mantiene actualizado un modelo vivo de la operación, capaz de reflejar continuamente las transformaciones por las que pasa el entorno.
Cuando ese contexto está disponible, los agentes especializados dejan de trabajar sobre interpretaciones aisladas y pasan a compartir una misma comprensión de la realidad operacional. Un agente responsable de la observabilidad sigue analizando métricas. Otro permanece interpretando logs. Un tercero sigue acompañando cambios o apoyando procesos de ITSM. La diferencia es que todos pasan a desarrollar sus análisis sobre una representación común de la operación.
Este detalle altera profundamente la calidad de las decisiones. En lugar de múltiples interpretaciones independientes intentando explicar un mismo incidente, pasa a existir un contexto compartido que permite relacionar esas interpretaciones y transformarlas en una comprensión única del problema.
Quizás sea justamente esa la principal evolución de la próxima generación de AIOps. No una generación definida solo por modelos de Inteligencia Artificial más sofisticados, sino por arquitecturas capaces de construir, mantener y poner a disposición continuamente el contexto operacional sobre el cual esos modelos trabajarán.
Cuando esos agentes dejan los experimentos aislados y pasan a operar en producción sobre el mismo contexto, surge otra pregunta complementaria: ¿quién operará los agentes cuando lleguen a producción?
Un nuevo patrimonio para las operaciones
A lo largo de esta serie, acompañamos la transformación de las operaciones de TI bajo distintas perspectivas. Comenzamos discutiendo la dificultad de reducir la complejidad operacional solo con nuevas herramientas. Luego mostramos que monitorear más no significa comprender mejor, que la observabilidad representa una nueva forma de operar, que reducir el MTTR depende de la velocidad con que construimos entendimiento y que los agentes especializados, aunque extremadamente valiosos, siguen limitados por la visión parcial de cada dominio tecnológico.
Este artículo añade una nueva pieza a ese mismo razonamiento. El conocimiento especializado seguirá siendo indispensable. Seguiremos formando especialistas y utilizando agentes cada vez más capaces de interpretar tecnologías específicas. Este movimiento tiende a acelerarse y a producir ganancias significativas de productividad para las operaciones.
Pero el verdadero diferencial competitivo de las organizaciones no estará solo en la calidad de esos especialistas, humanos o artificiales. Estará en la calidad del contexto operacional que logren construir. Porque es ese contexto el que transforma conocimiento en comprensión. Es él quien permite conectar información proveniente de múltiples fuentes, preservar las relaciones entre componentes de la arquitectura y ofrecer una visión compartida de la operación a personas y agentes de Inteligencia Artificial.
Quizás, dentro de algunos años, pasemos a mirar el contexto operacional de la misma forma en que hoy miramos datos estratégicos, propiedad intelectual o procesos de negocio.
No solo como un conjunto de información, sino como un patrimonio de la propia organización. Y, si eso realmente ocurre, una nueva pregunta surgirá naturalmente.
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.