Observabilidad en la era agéntica: qué es lo que está fallando y cómo los equipos lo están arreglando

Menos de 1 de cada 10 aplicaciones empresariales son completamente observables, según un informe de 2026 de la consultora Neurones IT. Esta estadística apunta a un problema de larga data: los procesos tradicionales de observabilidad no fueron diseñados para la complejidad de los flujos de trabajo actuales impulsados por IA.

Considere un asistente de viaje impulsado por IA donde los tiempos de respuesta aumentan repentinamente. Las herramientas de observabilidad tradicionales pueden detectar un aumento de la latencia a nivel de servicio, lo que obliga a los equipos a revisar manualmente los registros, los rastros y los paneles para determinar si el problema se debe al propio modelo, a una API posterior o a un agente que realiza llamadas ineficientes a las herramientas. Este enfoque reactivo puede dejar a los equipos con dudas, especialmente en entornos de TI modernos fragmentados y dinámicos.

“Cada vez son más los clientes que no quieren un panel. No quieren que algo les diga: 'Así es como se está comportando su sistema'”, dijo Vikram Murali, vicepresidente de desarrollo de productos de IBM Automation, en el podcast AI in Action de IBM. En cambio, quieren saber: “¿Qué acciones puedo tomar para que el sistema funcione mejor?”

Más allá de las recomendaciones estáticas, los equipos de ITOps necesitan soluciones que puedan autopredecir y autoajustar, anticipando errores y tiempo de inactividad por adelantado y respondiendo de forma autónoma a ellos. Dado que la IA agéntica puede evaluar continuamente el comportamiento, el rendimiento y el contexto del sistema, los equipos pueden ir más allá de las señales superficiales para entender las causas principales, investigar síntomas e identificar dependencias con supervisión humana limitada. En conjunto, estas capacidades pueden reducir los costos de ITOps hasta en un 35 % debido a la reducción del esfuerzo humano, los tiempos de inactividad y la sobrecarga operativa, según el estudio de Neurones.

Sin embargo, la integración de IA también presenta nuevos desafíos operacionales, y existe una brecha cada vez mayor entre las capacidades impulsadas por IA y la capacidad de los equipos para monitorear y dar forma a los comportamientos de los agentes.

En respuesta, los equipos de ITOps están rediseñando sus procesos de observabilidad desde cero, desplegando agentes para optimizar el uso de recursos, automatizar tareas y detectar errores de forma proactiva, todo mientras se enfrentan a los distintos desafíos de gobernanza, interpretabilidad y datos de la IA. Las herramientas de monitoreo impulsadas por IA pueden acelerar los procesos agénticos, mientras que los agentes, a su vez, pueden mejorar la observabilidad, contribuyendo a un entorno de TI más ágil, eficiente y seguro.

Los equipos de seguridad reciben en promedio 4500 alertas cada día, pero solo son capaces de responder a aproximadamente un tercio, dejando a las organizaciones vulnerables a ataques y desalineaciones, según un informe de la plataforma de ciberseguridad Vectra.

Pero las alertas excesivas pueden ser un síntoma de un problema mayor. Los microservicios, las arquitecturas híbridas y los sistemas distribuidos pueden abrumar a los mecanismos de monitoreo tradicionales, y muchas organizaciones tienen dificultades para separar la señal del ruido. Los agentes exacerban este desafío al introducir conjuntos de datos completamente nuevos (como árboles de decisión de extremo a extremo, registros de interacción de herramientas y métricas de uso de memoria) que los equipos deben recopilar y analizar.

Para complicar aún más los esfuerzos de observabilidad, los datos procedentes de fuentes de IA suelen ser más difíciles de descifrar: los modelos de IA pueden generar datos incoherentes o inexactos (alucinaciones) u ocultar los resultados detrás de árboles de decisión opacos (el problema de la caja negra). Los modelos también pueden revelar involuntariamente información confidencial (fuga de datos), lo que puede ser una preocupación para las empresas en industrias altamente reguladas, como la atención médica y las finanzas. Como resultado, un estudio del IBM Institute for Business Value (IBV) de 2025 encontró que el 45 % de los ejecutivos cita la falta de visibilidad como un obstáculo importante para la integración agéntica.

Estas brechas de visibilidad pueden derivar en riesgos de incumplimiento, dejando a los equipos incapaces de mantener un registro detallado y auditable del comportamiento de los agentes. Casi el 70 % de los ejecutivos espera que su empresa se enfrente a una multa normativa relacionada con la integración de IA generativa, según el IBV, lo que sugiere que la infraestructura de gobernanza interna no ha seguido el ritmo de los flujos de trabajo de múltiples agentes.

Los LLM y otras herramientas de IA también pueden ejercer presión sobre los presupuestos. El uso de tokens por parte de los equipos puede variar mucho de un mes a otro, lo que dificulta que las herramientas de observabilidad anticipen la demanda. Y dado que los proveedores de IA actualizan, reentrenan y vuelven a desplegar modelos de forma habitual, los equipos de TI deben reconfigurar repetidamente los flujos de observabilidad y los entornos de desarrollo para adaptarse a las nuevas versiones.

Si bien los LLM agregan complejidad a los procesos de observabilidad, también pueden ser parte de la solución. Al equipar las plataformas de observabilidad con capacidades agénticas, las organizaciones no solo pueden responder a los desafíos de la adopción de la IA empresarial, sino que también pueden avanzar en sus capacidades de monitoreo más allá de lo posible con las herramientas tradicionales de observabilidad. Las herramientas de observabilidad agéntica pueden apoyar y mejorar el rendimiento, la resiliencia y la seguridad de TI mediante:

• Las herramientas tradicionales de observabilidad envían alertas basadas en umbrales predefinidos de tráfico, memoria, latencia y tasa de error.
  
  
• Este enfoque a menudo resulta en fatiga alerta, donde los equipos de TI y seguridad son bombardeados con notificaciones y ya no pueden distinguir el ruido de las amenazas urgentes.
  
  
• Al analizar datos históricos y evaluar el contexto que rodea un evento, la IA puede revelar eventos relevantes y de alta prioridad mientras suprime las notificaciones no urgentes.

• Las herramientas de observabilidad impulsadas por IA pueden proporcionar análisis de causa principal ricos en contexto que detallan por qué ocurrió un incidente, cómo afectó a los servicios dependientes y cómo prevenir interrupciones similares en el futuro.
  
  
• Las soluciones impulsadas por IA pueden sugerir dinámicamente automatizaciones y correcciones en función de las condiciones en tiempo real, mientras que los desarrolladores humanos se encargan de establecer los límites y supervisar el proceso.
  
  
• En conjunto, estas características reducen la carga operativa y llevan a un tiempo medio de reparación (MTTR) más rápido.

• Las herramientas de observabilidad tradicionales pueden tener dificultades en los entornos de TI modernos, donde los errores rara vez se deben a un único fallo y, en cambio, pueden implicar interacciones complejas entre múltiples servicios y automatizaciones.
  
  
• Debido a que las plataformas agénticas están diseñadas para detectar patrones y razonar en arquitecturas dispares, a menudo son más adecuadas para interpretar métricas específicas del modelo, como la desviación del modelo, la calidad de la respuesta y el uso de tokens.
  
  
• La visibilidad de extremo a extremo también permite que las herramientas de observabilidad impulsadas por IA anticipen el impacto en las fases posteriores y adapten dinámicamente los recursos.

• Las herramientas de observabilidad habilitadas por IA pueden mejorar el rendimiento de extremo a extremo y optimizar el uso de recursos contextualizando el enrutamiento del tráfico, la disponibilidad de la CPU, el rendimiento y otras variables.
  
  
• Las plataformas avanzadas también pueden llevar a cabo correcciones automatizadas, lo que reduce la carga operativa y acelera los plazos de resolución de problemas.
  
  
• Las plataformas de observabilidad impulsadas por IA pueden rastrear picos de tokens, llamadas a herramientas y otras métricas específicas de IA para garantizar que los LLM sigan siendo eficaces y utilizables tanto para los clientes como para los equipos internos.

El futuro de la observabilidad podría definirse tanto por un cambio estratégico como por uno tecnológico. A medida que las responsabilidades de observabilidad cambian de la mera recopilación de datos al apoyo a la toma de decisiones y, finalmente, a la acción preventiva, las organizaciones responden de la siguiente manera:

La observabilidad de la IA puede contribuir a una experiencia de usuario de mayor calidad, en la que los clientes puedan confiar en que los servicios funcionarán según lo previsto, con una latencia mínima, comportamientos predecibles y una resolución de errores rápida y transparente.

Los equipos de TI y los desarrolladores, a su vez, pueden dedicar más tiempo a la innovación de productos y a la optimización de alto nivel. En lugar de participar menos en el proceso de observabilidad, los seres humanos adquieren una comprensión más profunda del comportamiento de los sistemas y están en condiciones de tomar decisiones más acertadas para mejorar la seguridad, el tiempo de actividad y el rendimiento.

Regístrese para el seminario web “Observabilidad para la IA e IA para la observabilidad: del revuelo a la experiencia práctica”