Las operaciones de tecnología de la información (TI) en el ámbito empresarial han alcanzado un alto nivel de sofisticación. Hoy en día, las aplicaciones empresariales distribuidas junto con el middleware intensivo en datos se operan bajo estrictos marcos regulatorios, particularmente en ambientes críticos para la misión. A pesar de los avances en herramientas de observabilidad y monitoreo, la estabilidad operacional sigue siendo un desafío. Un obstáculo significativo es la dificultad para convertir la telemetría de alto volumen en resultados operativos confiables y explicables, una falla que trasciende la mera escasez de datos.
La inteligencia artificial aplicada ha conducido a una situación que los especialistas denominan «crisis de explicabilidad». Aunque los modelos de máquina pueden identificar anomalías y correlaciones a gran escala, frecuentemente no proporcionan claridad sobre la necesidad de ejecutar una operación específica. Esta automatización opaca es inaceptable en entornos estructurados, generando un dilema constante entre la opacidad algorítmica y las limitaciones cognitivas humanas.
Tradicionalmente, los modelos de TI han dependido de la automatización heurística, basada en reglas y umbrales informados por experiencias pasadas. Pese a su efectividad en sistemas predecibles, esta estrategia es ineficaz en operaciones donde los modos de fallo son emergentes y no determinísticos. Esta circunstancia ha incrementado el tiempo medio de resolución (MTTR) y agotamiento por alertas, ahora considerados problemas sistémicos más que incidentales.
La era actual marca un cambio de automatizaciones heurísticas hacia operaciones autónomas impulsadas por inteligencia artificial. Esto, sin embargo, entraña riesgos si se implementa sin la disciplina arquitectónica adecuada. Es imprescindible desarrollar un modelo de madurez que maneje la autonomía como un producto de ingeniería, por encima de una simple característica experimental.
Un ejemplo ilustrativo se observa en una organización global que, presionada por cuestiones de costos y operativas, decidió implementar amplias iniciativas de automatización. Sin embargo, su entorno de trabajo, caracterizado por aplicaciones de monitoreo fragmentadas y cargas de trabajo en la nube incipientes, continuó experimentando incidentes críticos que expusieron riesgos regulatorios. La inestabilidad operativa y la falta de confianza en la automatización evidenciaron que la baja transparencia y las restricciones presupuestarias eran obstáculos significativos.
La solución fue la adopción de un modelo de referencia para AIOps, que perseguía la resolución autónoma y el control de las restricciones. Los resultados fueron claros: la automatización gestionó más de 130,000 tickets de TI, reduciendo el MTTR en un 79% y disminuyendo los incidentes críticos a solamente dos mensuales.
En otro caso, una empresa con infraestructura heredada lidió con problemas notables debido al monitoreo fragmentado y cargas laborales manuales. Para equilibrar la transformación a largo plazo con la estabilidad, adoptaron un roadmap de madurez en tres etapas, desde operaciones proactivas hasta dinámicas. Este enfoque gradual en la implementación de la automatización y la inteligencia resultó en mejoras significativas en la disponibilidad y reducción de incidentes.
En conclusión, la transición hacia plataformas autónomas presenta retos en la ingeniería de sistemas y la gobernanza. Los modelos de referencia que combinan la inteligencia de máquina con la supervisión humana y el razonamiento cognitivo son esenciales para la inteligencia artificial de grado de producción. La experiencia muestra que la autonomía operacional es alcanzable mediante un enfoque gradual, integrando la evolución impulsada por AI con operaciones asistidas por humanos, asegurando así estabilidad y ampliando capacidades en la era digital.
