El problema que el monitoreo clásico no ve
Una plataforma puede estar completamente en verde —CPU normal, servicios respondiendo, cero errores en los logs— y aun así no estar dando servicio: pagos que no salen, archivos que no llegan, un flujo de negocio detenido. Las señales clásicas de infraestructura miden si los componentes viven, no si el negocio fluye. La observabilidad empresarial cierra esa brecha: conecta métricas, logs y trazas con las señales del flujo de negocio.
El lugar correcto de la IA
La propuesta de moda es entregarle el diagnóstico a un modelo. La propuesta correcta es más aburrida y más segura: la IA interpreta la evidencia; no la produce. Herramientas deterministas —consultas, verificaciones, extractores— generan hechos verificables con identificador propio; el modelo los lee, los correlaciona y redacta una hipótesis que cualquier ingeniero puede auditar hecho por hecho. Si el modelo produce la evidencia, el diagnóstico deja de ser verificable, y un diagnóstico no verificable en una plataforma crítica es un riesgo, no una ayuda.
Esto también cambia cómo se consume: el equipo de operaciones no redacta prompts. Consume capacidades versionadas, autorizadas y auditables — "verifica el flujo X", "investiga el retraso Y" — con permisos y registro, como cualquier otra operación sobre producción.
Dónde está la inversión real
Lo difícil no es el modelo; se reemplaza con una línea de configuración. Lo difícil es lo que lo rodea:
- Herramientas deterministas confiables, con contratos claros y dueños.
- Un punto único de gobierno del consumo de IA (modelos, costos, permisos, auditoría).
- Normalización de la evidencia, para que sistemas distintos hablen un formato común.
- Trazabilidad completa: qué se preguntó, qué evidencia se usó, qué concluyó.
Hay además una trampa silenciosa: la recuperación semántica de documentación también es probabilística — puede traer el runbook parecido pero obsoleto. Esa capa necesita el mismo rigor de versionado que el resto.
Costos: tokens como decisión de arquitectura
El consumo de IA se gobierna como cualquier otro recurso: por diseño, no por sorpresa. Estrategia de modelos por complejidad (no todo incidente necesita el modelo más caro), presupuestos por capacidad y una métrica de negocio: costo por incidente diagnosticado correctamente, comparado contra el costo de la hora de un equipo investigando a mano — y contra el costo del downtime que se evita.
Por dónde empezar (y cuándo no)
Si tuviera que construirlo hoy, empezaría por las herramientas deterministas y su catálogo: generan valor inmediato —diagnóstico manual más rápido, evidencia consistente— aunque la IA nunca llegue. La IA se añade cuando la base existe. Y si tu operación es pequeña, con pocos incidentes y flujos simples, esta arquitectura completa es sobreingeniería: un buen runbook y alertas bien puestas rinden más.
