Las operaciones de tecnología de la información (TI) en las empresas han alcanzado un nivel notable de madurez organizativa, donde las aplicaciones empresariales distribuidas y el middleware intensivo en datos operan bajo estrictas regulaciones en entornos críticos para la misión. Sin embargo, a pesar de mejoras en herramientas de observabilidad y monitoreo, persisten desafíos en la estabilidad operacional. Estos obstáculos se deben principalmente a la incapacidad de transformar la telemetría de alto volumen en salidas operativas confiables o explicables, sin que esto dependa exclusivamente de la falta de datos.

La inteligencia artificial aplicada ha generado lo que los expertos denominan crisis de explicabilidad. Aunque los modelos de máquina son capaces de detectar anomalías y correlaciones a gran escala, a menudo no logran comprender o explicar por qué se debe ejecutar una operación particular. En este contexto, la automatización opaca resulta inaceptable, especialmente en entornos estructurados, lo que lleva a las industrias a enfrentarse continuamente al dilema entre la opacidad algorítmica y las limitaciones cognitivas humanas.

Históricamente, los modelos de TI se basaban en la automatización heurística, fundamentada en reglas y umbrales derivados de ocurrencias anteriores. Aunque esta metodología funcionaba bien en sistemas predecibles, se vuelve ineficaz en operaciones dinámicas donde los modos de falla son emergentes y no determinísticos. Esta situación ha llevado a la extensión del tiempo medio de resolución (MTTR) y al agotamiento por alertas, cuestiones que ahora se consideran sistémicas en lugar de accidentales.

La transformación actual se caracteriza por un cambio de la automatización heurística hacia operaciones autónomas impulsadas por inteligencia artificial, lo que representa un riesgo si se aplica autonomía sin la disciplina arquitectónica adecuada. Es crucial implementar un modelo de madurez governado capaz de manejar la autonomía como un producto de ingeniería y no solo como una característica experimental.

Un caso representativo se dio en una organización global que, presionada por costos y operativa, decidió adoptar iniciativas de automatización a gran escala. Sin embargo, el entorno de trabajo, compuesto por aplicaciones de monitoreo fragmentadas y cargas de trabajo en la nube en etapas iniciales, continuó enfrentando incidentes críticos que notorizaron riesgos regulatorios. Al enfrentarse a la inestabilidad operativa y a la falta de confianza en la automatización, comprendieron que la baja transparencia y las limitaciones presupuestarias impactaban negativamente sus esfuerzos.

La solución adoptada involucró la implementación de un modelo de referencia para AIOps, que buscaba transformar la resolución autónoma y controlar las restricciones. Los resultados fueron significativos: más de 130,000 tickets de TI fueron gestionados automáticamente, con una reducción del 79% en el MTTR a lo largo de los servicios críticos, y un descenso en los incidentes empresariales críticos a solo dos por mes.

En otro ejemplo, una compañía global con una infraestructura heredada enfrentó dificultades significativas debido a la fragmentación del monitoreo y a las cargas de trabajo manuales. Para equilibrar la transformación a largo plazo con la estabilidad, esta empresa adoptó un roadmap de madurez en tres etapas, que va desde operaciones proactivas hasta operaciones dinámicas, demostrando que la implementación gradual de la automatización y la inteligencia puede resultar en mejoras sustanciales en disponibilidad y reducción de incidentes.

En conclusión, la transformación hacia plataformas autónomas presenta un desafío tanto en ingeniería de sistemas como en gobernanza. Los modelos de referencia que integran inteligencia de máquina con supervisión humana y razonamiento cognitivo son fundamentales para la aparición de AI de grado de producción. La experiencia acumulada sugiere que la autonomía en las operaciones se logra con un enfoque gradual, fusionando la evolución impulsada por AI con la operación asistida por humanos, lo que no solo asegura la estabilidad, sino que expande las capacidades y fortalece la resiliencia en la era digital.
vía: AI Accelerator Institute