• Dom. Nov 8th, 2026

Operaciones autónomas: la IA que repara infraestructuras antes de que fallen

En un análisis publicado recientemente por IT Sitio, se detalla cómo la inteligencia artificial está redefiniendo la administración de las infraestructuras digitales. Durante el evento Cisco Connect Latam, Cory Minton, Global Field CTO de Splunk, presentó la visión de la compañía para lo que denomina Agentic Operations (operaciones agénticas), un paradigma orientado a detectar anomalías tecnológicas antes de que afecten a los usuarios y conviertan el tiempo de inactividad (downtime) en pérdidas millonarias para los directorios.

El cambio de paradigma: “¿Qué pasaría si la caída nunca hubiera ocurrido?”

En la actualidad, las organizaciones operan sobre arquitecturas híbridas y distribuidas que integran datacenters, entornos multinube, servicios SaaS, redes móviles y dispositivos IoT. Esta «explosión de complejidad» vuelve insuficientes los esquemas de monitoreo reactivo.

Frente a pérdidas millonarias por interrupciones que afectan la reputación y el valor de mercado, el objetivo ya no es responder rápido a los incidentes, sino predecir las fallas.

Fases del modelo de Operaciones Agénticas de Splunk y Cisco

1. La base fundamental: Datos de telemetría y observabilidad

Antes de desplegar cualquier agente, es indispensable ordenar la información. Splunk propone unificar métricas, eventos, logs y trazas de toda la infraestructura dentro del Splunk Machine Data Lake para alimentar los modelos predictivos con datos operativos debidamente contextualizados.

2. Modelos predictivos y análisis en tiempo real

Combinando el Splunk AI Toolkit con el Cisco Deep Time Series Model, el sistema analiza cerca de 100.000 métricas en tiempo real. Esto permite:

  • Establecer el comportamiento normal de la red y las aplicaciones.

  • Detectar desviaciones previstas antes de alcanzar umbrales críticos.

  • Notificar a los equipos técnicos sobre posibles fallas antes de que ocurran.

3. Agentes que investigan, humanos que deciden

Una vez identificada la anomalía, los agentes de IA correlacionan la telemetría, formulan hipótesis sobre las causas raíz y estructuran un plan de remediación paso a paso.

No obstante, el pilar central del enfoque es claro: “Los agentes investigan. Los humanos deciden”. El especialista de SRE (Site Reliability Engineering) o del SOC (Security Operations Center) revisa el razonamiento del agente antes de autorizar cualquier ajuste en la infraestructura, garantizando procesos explicables y auditables.

Hacia una infraestructura con capacidad de autocuración

A través del espacio colaborativo Cisco AI Canvas, los equipos de SRE, SecOps, NetOps e ITOps interactúan con los agentes sobre una misma investigación.

Para gestionar con éxito esta transición, Splunk establece tres ejes clave:

  • Agent Observability: Monitorear y gobernar el comportamiento de la propia IA.

  • Telemetría confiable: Conectar agentes con fuentes de datos estructuradas.

  • Contexto mediante MCP: Permitir que las herramientas ejecuten acciones con conexiones y contexto seguros.

El camino hacia operaciones autónomas requiere construir primero una base sólida de datos, observabilidad y gobernanza para evitar que la automatización se traduzca en una nueva fuente de riesgo.

Para complementar la arquitectura de operaciones agénticas, la interoperabilidad entre observabilidad y gobernanza de IA resulta crítica. A medida que las organizaciones escalan sus entornos híbridos, la gestión proactiva requiere que los agentes no solo analicen eventos aislados, sino que interpreten dependencias cruzadas entre aplicaciones, API y microservicios.

Al adoptar el estándar MCP (Model Context Protocol), la IA obtiene el acceso estructurado necesario para ejecutar diagnósticos avanzados sin comprometer la seguridad de la red. De este modo, la transición hacia infraestructuras con autocuración no solo reduce los costos por inactividad operativa, sino que transforma la gestión de IT en un motor estratégico, resiliente y de alto rendimiento.