¿Qué es AIOps? La evolución de las operaciones de TI en la era de la IA

¿Qué es AIOps? AIOps, definido

AIOps, abreviatura de IA para operaciones de TI, es una práctica operativa emergente que utiliza el aprendizaje automático y la automatización para ayudar a las organizaciones a supervisar, gestionar y resolver problemas en sistemas digitales complejos. Las empresas que lo implementan utilizan herramientas basadas en IA para combinar datos de registros, métricas y eventos de toda la infraestructura y las aplicaciones con el fin de detectar problemas de forma temprana, identificar las causas fundamentales y activar respuestas antes incluso de que los usuarios se den cuenta de que hay un problema.

Su existencias data antes de la actual ola de IA generativa y toma su nombre del sentido de IA/ML más común en la última década. Monika Malik, ingeniera jefe de datos/IA en AT&T, describe el modelo de esa época como sencillo: “Ingestión → correlaciones → detección de eventos anecdóticos → predicción de la causa probable → organización de algunas medidas correctivas”.

Esta especialista admite que ese flujo de trabajo sigue siendo la columna vertebral de AIOps en la actualidad, pero los grandes modelos de lenguaje añaden una nueva capa de inteligencia. De ahí que afirme que “IA generativa es un complemento, no un sustituto”, y añade: “Los LLM se sitúan por encima del razonamiento/resumen, los copilotos de operaciones y la recuperación de conocimientos, pero los datos, las reglas y el ML siguen siendo necesarios”.

En resumen, AIOps comenzó como una forma de automatizar las operaciones de TI mediante el análisis y el aprendizaje automático. Hoy en día, la IA generativa ya mejora esa base con interfaces conversacionales y razonamiento contextual, lo que ayuda a los equipos a trabajar más rápido y potencia las operaciones de la nube y de TI.

AIOps frente a DevOps: ¿cuál es la diferencia?

Ambas comparten cierto ADN filosófico, ya que tratan de aportar automatización, bucles de retroalimentación y capacidad de respuesta a los sistemas tecnológicos, pero operan en diferentes niveles de la pila.

Kostas Pardalis, ingeniero de infraestructura de datos y cofundador de Typedef, considera que “DevOps trata de automatizar y optimizar el ciclo de vida del desarrollo de software. AIOps extiende esa filosofía a las operaciones aplicando el aprendizaje automático y la inferencia como operaciones de primer orden”. En otras palabras: DevOps ayuda a enviar y desplegar de forma fiable y rápida; AIOps lo que hace es ayudar a supervisar, detectar y remediar en producción de forma más inteligente.

Greg Ingino, director técnico de Litera, los considera conceptos complementarios: DevOps gobierna cómo construimos y entregamos los sistemas, mientras que “AIOps gobierna cómo operamos y optimizamos esos sistemas en producción. DevOps impulsa la velocidad, mientras que AIOps garantiza la estabilidad”.

En la práctica, DevOps puede ser considerado como la base de la entrega continua y la automatización de la infraestructura, y AIOps como una capa adicional de supervisión inteligente y operaciones autónomas. A medida que los sistemas se vuelven cada vez más complejos, esa inteligencia añadida resulta más esencial si cabe para mantener la resiliencia de los entornos, especialmente a gran escala.

¿Cuáles son los componentes de una plataforma AIOps?

Pardalis, de Typedef, explica que una plataforma AIOps necesita tres capas. La primera es “la recopilación y normalización de datos a través de registros, métricas, trazas y eventos no estructurados”. A continuación vienen “los procesos de inferencia que pueden clasificar, enriquecer y correlacionar señales de forma probabilística, no sólo determinista”. Por último, se necesita “observabilidad y gobernanza, para que los equipos puedan confiar en los resultados de la IA: linaje, evaluaciones y controles de costes. Sin ellos, o te ahogas en datos o acabas con una caja negra en la que nadie confía”.

Milankumar Rana, asesor de ingeniería de software e ingeniero sénior de nube en FedEx, trae aquí una arquitectura más detallada que combina la observabilidad tradicional con la inteligencia generativa. En este sentido, señala que muchas implementaciones se basan en pilas de código abierto como ELK, Prometheus y OpenTelemetry, mientras que herramientas comerciales como Splunk, Elastic Observability, LogicMonitor y la suite AIOps de IBM añaden “IA generativa para consultas en lenguaje natural, resumen de incidentes y corrección autónoma”. Los proveedores de nube también se han sumado a esta tendencia, con AWS y Azure incorporando información sobre incidentes y detección de anomalías impulsadas por AIOps.

Según Rana, “cualquier plataforma AIOps tiene partes interconectadas”: ingestión y normalización de datos; almacenes de análisis escalables; modelos de aprendizaje automático que predicen y correlacionan incidentes; y capas generativas más recientes que resumen eventos y sugieren las siguientes acciones. La reducción de ruido, los bucles de retroalimentación, los paneles de visualización y una gobernanza sólida completan el panorama. Pocas organizaciones implementan todos los componentes, pero estos elementos en conjunto definen cómo es un sistema AIOps fiable.

Estrategias de implementación de AIOps

Una implementación de AIOps planificada con cuidado no suele comenzar con un gran cambio; el éxito proviene de pasos incrementales, logros medibles y la creación de confianza. Malik, de AT&T, recomienda los siguientes pasos:

· Comience poco a poco: elija dos o tres servicios con ruido crónico y defina criterios de éxito, por ejemplo, un 30% menos de ruido y un 20% de reducción en el MTTR.

Detección híbrida: combinar reglas estrictas para las infracciones de SLO con detección de anomalías basada en ML. Evite pasar a un enfoque “puramente ML” demasiado pronto.

· Haga visible la explicabilidad: cada panel o aviso debe mostrar por qué se llama la atención del usuario sobre algo: incidentes similares en el pasado, referencias de la base de conocimientos, etc.

· Implemente la automatización por fases: comience con información de solo lectura, luego permita que el sistema empiece a sugerir acciones con aprobación humana y, finalmente, pase a la ejecución automática limitada (con protección de reversión).

· Mida y publique semanalmente: realice un seguimiento de métricas como MTTA/MTTR, falsos positivos, desviación L1 y horas de guardia ahorradas.

Rana, de FedEx, destaca que muchos de quienes ya han adoptado con éxito esta tecnología lo que suelen hacer es realizar primero un “examen de preparación de datos” para detectar problemas como el exceso de falsos positivos, que la automatización inteligente puede ayudar a mitigar. Aboga por una prueba de concepto específica para cada dominio que aumente la confianza, ponga de manifiesto las deficiencias en la calidad de los datos y permita la evolución incremental de los servicios, la telemetría y la automatización. También advierte que “los sistemas autónomos sin registros de auditoría ni reversión necesitan seguridad y gobernanza”, y subraya que formar a los usuarios de IA y a los equipos de operaciones es tan esencial como implementar nuevas herramientas.

Ingino, de Litera, se hace eco del lema “empezar poco a poco, demostrar el valor”: su equipo comenzó con una única línea de productos para reducir el ruido de las alertas y mejorar el MTTR, logró una aceptación temprana y, a continuación, expandió AIOps a todos los entornos. Así lo explica: “Nuestros ingenieros vieron los primeros resultados positivos, y eso generó confianza”. Y señala que la clave es la confianza: hacer de AIOps un socio fiable, no un experimento.

Ventajas y retos de la implantación de AIOps

Cuando AIOps funciona, sus ventajas son inmediatas y cuantificables. Ingino explica cuáles han sido los beneficios para Litera: “Una detección más rápida de incidentes, menos falsas alarmas y una mayor fiabilidad del sistema”. Más allá de mejorar el tiempo de actividad, la compañía apostilla que “AIOps ha reducido significativamente la carga cognitiva de nuestros equipos de operaciones, permitiéndoles centrarse en trabajos de ingeniería de mayor valor”.

Nagmani Lnu, director de ingeniería de calidad en SWBC, coincide en que las mayores ventajas provienen de una detección y resolución más tempranas y precisas. Cuando AIOps se implementa con éxito, cree que “la empresa realmente verá las ventajas de detectar los problemas de forma proactiva y abordarlos en tiempo real, mejorando el MTTR y, por tanto, la experiencia de TI para el negocio”. Pardalis, de Typedef, añade que AIOps ofrece “la capacidad de manejar una escala que los humanos simplemente no pueden”, lo que convierte montañas de telemetría en información útil.

Sin embargo, los retos pueden ser tan grandes como las recompensas. Ingino sostiene que los problemas más difíciles son “la calidad de los datos y el cambio cultural”. AIOps “es tan inteligente como los datos que ve”, explica, por lo que resulta fundamental garantizar una ingestión coherente y contextual. A lo que hay que añadir otro tema recurrente como es la confianza. “Los equipos deben confiar en la IA”, advierte Pardalis, y añade: “Eso implica transparencia, linaje y capacidad de depuración”. También menciona obstáculos prácticos: “Los modelos son probabilísticos, por lo que se necesitan barreras de protección”, y “los costes pueden dispararse si no se optimiza la inferencia”. Lnu agrega que una mala selección de casos de uso puede descarrilar toda la implementación: “Una elección equivocada puede minar la confianza de la dirección y poner en riesgo cualquier innovación futura”.

Las mejores herramientas de AIOps

El mercado actual de AIOps abarca tanto las plataformas de observabilidad heredadas como los marcos nativos de IA diseñados para cargas de trabajo basadas en la inferencia. Pardalis, de Typedef, lo explica así: “Los proveedores de observabilidad heredados, como Datadog, Splunk y New Relic, ya incorporan la IA a sus plataformas. Luego están los marcos nativos de IA, como Typedef o pilas de código abierto como Ray y Polars, que permiten operativizar la inferencia directamente dentro de los canales de datos”.

A esto apostilla que la elección adecuada depende de si una empresa desea añadir IA de manera incremental a su supervisión existente o construir una arquitectura basada en la inferencia desde cero. Lnu señala que “la mayoría de las plataformas AIOps ofrecen capacidades muy similares”, pero cita a “Dynatrace, Splunk, Datadog, New Relic y BigPanda” como líderes constantes. Es más, afirma que la mejor elección depende de “las necesidades y el presupuesto”, así como del nivel de madurez de la IA y la preparación de la infraestructura.

Las mejores herramientas de AIOps

El mercado actual de AIOps abarca tanto plataformas de observabilidad heredadas como marcos nativos de IA creados para cargas de trabajo basadas en la inferencia. Pardalis, de Typedef, lo explica de esta manera: “Los proveedores de observabilidad heredados, como Datadog, Splunk y New Relic, están incorporando la IA a sus plataformas. Luego están los marcos nativos de IA, como Typedef o pilas de código abierto como Ray y Polars, que permiten operacionalizar la inferencia directamente dentro de los canales de datos”. La elección correcta, añade, depende de si una empresa quiere añadir IA incremental a la supervisión existente o una arquitectura desde cero basada en la inferencia. Lnu, de SWBC, señala que “la mayoría de las plataformas de AIOps tienen capacidades muy similares”, pero cita a “Dynatrace, Splunk, Datadog, New Relic [y] BigPanda” como líderes constantes. Afirma que la mejor elección depende de “las necesidades y el presupuesto”, así como de la madurez de la IA y la preparación de la infraestructura.

¿Cuál es la función de un ingeniero de AIOps?

Un ingeniero de AIOps asume una función interdisciplinaria, lo que supone combinar las habilidades de un ingeniero de fiabilidad del sitio, un científico de datos y un especialista en automatización. Pardalis describe el puesto como “una evolución del ingeniero de fiabilidad del sitio”. En su opinión, “un ingeniero de AIOps no se limita a automatizar guías de procedimientos. Diseña procesos en los que la inferencia forma parte del ciclo. Esto incluye seleccionar datos para la observabilidad, entrenar o ajustar modelos para la detección de anomalías e implementar flujos de trabajo basados en la inferencia que den sentido a los registros, las trazas y las métricas en tiempo real”.

En opinión de Chirag Agrawal, ingeniero jefe y experto en tecnología, aunque algunos creen que un ingeniero de AIOps no es más que un técnico de configuración de herramientas, su verdadero impacto radica en comprender, gestionar y seleccionar los datos que utilizan dichas herramientas. Y afirma: “Cuando se ingieren datos de mala calidad, se obtienen malos resultados”, por lo que considera que los mejores ingenieros de AIOps son aquellos que poseen “un profundo conocimiento de los registros, las métricas y las dependencias específicas de sus entornos”, sin necesidad de una formación formal en IA.

Lnu, de SWBC, define el rol de manera más sistemática. Según él, las responsabilidades de un ingeniero de AIOps incluyen:

· Definir los objetivos y el alcance, identificar los puntos débiles, tales como la fatiga por alertas o los cuellos de botella de rendimiento, y establecer métricas de éxito, como la reducción del MTTR.

· Evaluar el entorno informático actual, desde servidores y contenedores hasta herramientas de supervisión como CloudWatch, Prometheus y Grafana.

· Crear una estrategia de datos que garantice telemetría estandarizada, enriquecida y centralizada.

· Seleccionar la plataforma AIOps adecuada, evaluando las capacidades de integración y las funciones de IA/ML.

· Desarrollar guías de automatización, desde reiniciar instancias hasta activar tickets de servicio o escalar cargas de trabajo mediante herramientas de orquestación.

El ingeniero de AIOps actúa como un puente entre los operadores humanos y los sistemas inteligentes: no sólo crea automatización, sino que también infunde confianza, establece gobernanza y ofrece visibilidad sobre cómo la IA toma decisiones operativas.

Ejemplos reales de AIOps

AIOps demuestra cada vez más su valor en entornos de producción de todos los sectores, desde la infraestructura nativa de la nube hasta la edición y la ciberseguridad. Lnu, de SWBC, afirma que las implementaciones en el mundo real varían según el entorno. En contextos nativos de la nube, las organizaciones utilizan AIOps para “supervisar el estado de los contenedores, detectar uso anómalo de CPU, memoria o red en todos los contenedores” y “predecir los periodos de alto tráfico para precalentar las funciones Lambda y evitar la latencia del arranque en frío”. Otros casos de uso incluyen “el autoescalado de tareas ECS basado en la carga histórica, el control de costes mediante la limitación de contenedores sobreaprovisionados y la predicción de fallos en instancias EC2 antes de que se produzcan”. Los mismos sistemas pueden “reiniciar, sustituir o redimensionar automáticamente las instancias afectadas”, lo que ayuda a reducir el tiempo de inactividad y optimizar el gasto.

Chirag Agrawal ofrece un ejemplo centrado en las personas: su equipo desarrolló “un agente de IA que identificaba los tickets que se reasignaban entre equipos y los redirigía automáticamente al destino correcto, sin intervención humana”. El resultado: cientos de horas ahorradas por trimestre y un claro retorno de la inversión. Agrawal atribuye ese éxito al trabajo previo —“años de estudio, limpieza y etiquetado minucioso de los datos históricos”, en su opinión— y subraya que “el modelo no se ejecutó con datos sin procesar, sino que se entrenó bajo supervisión humana”.

Pardalis, de Typedef, ha observado avances similares en otros sectores. “Las empresas de medios de comunicación utilizan canales de IA para clasificar y enriquecer miles de documentos al día”, señala, mientras que, a su juicio, los equipos de ciberseguridad “emplean la inferencia para extraer estructura de registros no estructurados, lo que permite una detección más rápida de amenazas sin abrumar a los analistas con alertas”.

Ingino, de Litera, relata un caso en el que las herramientas de AIOps detectaron “una sutil desviación del rendimiento en un servicio que, de otro modo, habría pasado desapercibida para la supervisión estándar”. Según explica, la plataforma “correlacionó anomalías en varios microservicios, localizó el origen y activó una respuesta antes de que los usuarios experimentaran degradación alguna”. Ese único evento, afirma, “validó toda la inversión”. Desde entonces, Litera ha experimentado “una reducción superior al 70% en los tiempos de resolución de incidentes”, gracias a la automatización de PagerDuty, que garantiza la intervención inmediata de los ingenieros adecuados.

¿Sigue siendo necesaria la intervención humana en un mundo AIOps?

A pesar de que AIOps es cada vez más capaz, ya que correlaciona eventos, resume incidentes y recomienda soluciones, la experiencia humana sigue siendo esencial. Chirag Agrawal lo dice con claridad: “La IA puede automatizar el reconocimiento de patrones, pero el contexto y la intención deben ser proporcionados por personas que entienden cómo se comportan esos sistemas en entornos reales”.

AIOps destaca la detección de anomalías y la aceleración del análisis de causas raíz en el análisis de datos telemétricos, pero sigue dependiendo del criterio humano para interpretar el significado, verificar el impacto y decidir cómo debe evolucionar la automatización. “AIOps funciona mejor cuando la inteligencia humana y la artificial se desarrollan en paralelo, no cuando una sustituye a la otra”, afirma este especialista.

Esa colaboración también impulsa el progreso a largo plazo. Cada incidente resuelto refuerza la base de conocimientos del sistema, mejora las respuestas futuras y reduce el esfuerzo. “La verdadera promesa de AIOps”, concluye Agrawal, para añadir: “No se encuentra solo en la automatización, sino en la memoria colectiva que se construye”.

En ese sentido, AIOps no convierte a los humanos en obsoletos, sino que los amplifica. Cuanto más contexto comparten los ingenieros con estos sistemas, mejor se transforman los datos brutos en inteligencia operativa.