Si bien muchas plataformas AIOps prometen automatización e inteligencia, la mayoría todavía depende de lógica condicional, flujos de trabajo programados, paneles o resúmenes estilo Copilot. Estos enfoques pueden mejorar la visibilidad, pero a menudo no logran proporcionar una autonomía real.
La razón es simple: carecen de memoria empresarial, lógica entre dominios y ejecución controlada.
Fundador y director ejecutivo de Grokstream, LLC.
Al mismo tiempo, existe un creciente entusiasmo en torno a los agentes impulsados por modelos de lenguaje grande (LLM). Aunque potente, el LLM por sí solo no es suficiente para proporcionar actividades autónomas.
El artículo continúa a continuación.
Los verdaderos sistemas agentes requieren una combinación de aprendizaje automático clásico e IA generativa, trabajando juntos para ofrecer inteligencia causal predictiva y resultados confiables.
Agentic AI representa la próxima evolución de las operaciones de TI. Pero llegar allí requiere algo más que adoptar nuevos equipos. Esto requiere construir las bases adecuadas. Hay cinco pasos críticos que las organizaciones deben tomar para avanzar hacia operaciones seguras, escalables y autónomas.
1. Comience con una base de datos unificada
El entorno de TI moderno es complejo y fragmentado. Los datos se distribuyen entre herramientas de monitoreo, registros, métricas, sistemas de gestión de servicios de TI y más. Cada sistema ofrece una vista parcial, pero ninguno proporciona la imagen completa.
Para que la IA funcione eficazmente, necesita acceso a una capa de datos unificada y continuamente refinada. Esto significa tomar datos de distintos entornos, normalizarlos, enriquecerlos con contexto y hacerlos procesables en tiempo real.
Sin esta base, los sistemas de IA sólo pueden funcionar en silos, lo que genera conocimientos incompletos y decisiones inconsistentes. Con él, las organizaciones pueden crear una visión única y confiable de las operaciones que permita una comprensión más profunda y una acción más rápida.
2. Vaya más allá del LLM con IA híbrida
La IA generativa ha transformado la forma en que los equipos interactúan con los datos, facilitando resumir incidentes, crear informes y brindar soporte a los operadores. Pero el resumen no es como un argumento.
Para permitir una verdadera autonomía, las organizaciones necesitan un enfoque híbrido que combine el aprendizaje automático clásico para detectar patrones y predecir problemas, un análisis causal para comprender por qué ocurren los problemas y una IA generativa para traducir los conocimientos en resultados y recomendaciones amigables para los humanos.
Esta combinación permite a los sistemas ir más allá de describir lo que está sucediendo y predecir lo que sucederá y qué hacer al respecto. Sin inteligencia predictiva y causal, la automatización sigue siendo reactiva. Con esto, las operaciones pueden avanzar hacia la prevención.
3. Construya sistemas que aprendan con el tiempo
Una característica definitoria de la IA agente es su capacidad para mejorar continuamente. Requiere más que modelos estáticos: requiere memoria. La memoria empresarial permite a los sistemas retener el conocimiento de eventos, resoluciones y patrones pasados.
Con el tiempo, esto permite a la IA identificar problemas recurrentes más rápidamente, aplicar resoluciones probadas con mayor precisión y adaptarse a los cambios en el entorno.
Sin memoria, los sistemas empiezan desde cero con cada nuevo evento. Con la memoria, desarrollan inteligencia operativa que se agrava con el tiempo, lo que los hace más efectivos en cada interacción.
4. Incorpore reglas y barandillas rápidamente
A medida que los sistemas de IA asuman más responsabilidad, siga creciendo. Las operaciones autónomas, si no se gestionan adecuadamente, pueden introducir riesgos en todos los sistemas y equipos. Es por eso que la gobernanza debe integrarse en los sistemas agentes desde el principio.
Estos incluyen qué acciones puede tomar la IA y bajo qué circunstancias, implementar flujos de trabajo de autorización en situaciones de alto riesgo, garantizar que el acceso a los datos sea seguro y tenga el alcance adecuado, y brindar transparencia en cómo se toman las decisiones.
Las vallas fuertes no limitan la IA; Lo encienden. Proporcionan el marco que las organizaciones necesitan para confiar en las decisiones automatizadas y escalar de forma segura.
5. Progreso gradual hacia la autonomía
Las operaciones de TI autónomas no se producirán de la noche a la mañana. Las organizaciones más exitosas adoptan un enfoque por etapas. Por lo general, comienza con la IA que aumenta los flujos de trabajo humanos al proporcionar información, resúmenes y recomendaciones.
A medida que crece la confianza, las herramientas de inteligencia artificial pueden comenzar a realizar tareas supervisadas. Con el tiempo, los sistemas pueden operar de manera más independiente dentro de límites definidos.
Una progresión práctica se ve así:
- Operaciones de asistencia: la IA proporciona visibilidad y recomendaciones
- Automatización guiada: la IA recomienda acciones con aprobación humana
- Autonomía controlada: la IA se ejecuta dentro de rieles predeterminados
- Operaciones autónomas: la IA observa, predice y actúa constantemente
Este enfoque permite a los equipos generar confianza, validar resultados y perfeccionar la gobernanza antes de ampliar la autonomía.
Por qué fracasan muchos intentos de AIOps
A pesar de una inversión significativa, muchas iniciativas AIOps no han logrado resultados significativos. El problema general no es la falta de equipamiento sino la falta de cimientos.
Los desafíos clave incluyen datos fragmentados e inconsistentes, dependencia excesiva de reglas y correlaciones fijas, capacidad limitada para predecir o interpretar resultados, aprendizaje continuo y falta de memoria, y una gobernanza insuficiente para las operaciones automatizadas.
Abordar estas brechas es esencial para ir más allá de las mejoras incrementales y avanzar hacia una verdadera transformación.
Carretera de operación autónoma
Agentic AI ofrece una visión convincente: sistemas de TI que pueden anticipar problemas, comprender sus causas y tomar medidas antes de que los usuarios se vean afectados. Pero lograr esta visión requiere más que adoptar las últimas tendencias en IA. Esto requiere un enfoque deliberado combinado con un camino claro hacia la madurez de los datos, la inteligencia y la gestión.
Las organizaciones que inviertan en estas bases estarán bien posicionadas para pasar de operaciones reactivas a sistemas predictivos, inteligentes y, en última instancia, autónomos.
Y al hacerlo, no sólo mejorarán sus habilidades. Cambiarán fundamentalmente la forma en que funciona la TI, permitiendo a los equipos centrarse menos en apagar incendios y más en impulsar la innovación y el valor empresarial.
Hemos presentado los mejores modelos de lenguaje a gran escala (LLM) para codificación.
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
