En torno al funcionamiento del software se ha establecido una nueva etiqueta: «AI SRE». Se refiere a herramientas que detectan fallos, acotan las causas y, en el mejor de los casos, actúan por sí mismas para contrarrestarlos. En un artículo reciente, Severin Neumann critica precisamente esta palabra de moda y aboga, en su lugar, por un modelo de la Cloud Native Computing Foundation (CNCF), la fundación que alberga proyectos como Kubernetes y Prometheus. El núcleo de su argumento: lo que debe automatizarse son las tareas de reliability, no las personas.

Qué hay detrás de las siglas

SRE significa Site Reliability Engineering, es decir, la disciplina que garantiza el funcionamiento fiable de las aplicaciones con métodos de ingeniería: objetivos medibles de disponibilidad, reacciones automatizadas ante errores recurrentes, guardias claramente reguladas y una revisión posterior de los incidentes orientada a las causas y no a los culpables.

«AI SRE» promete ocupar este rol con sistemas de IA. Y ahí es precisamente donde surge la crítica: una etiqueta en un producto aún no dice nada sobre qué tarea concreta asume ni con qué fiabilidad lo hace.

Por qué la distinción es relevante en la práctica

Para quienes operan sitios web, portales y aplicaciones especializadas, la diferencia no es un juego de palabras, sino una cuestión de adquisición. Quien compra un rol, compra una promesa. Quien automatiza una tarea, puede comprobar si el resultado es correcto.

Las tareas concretas se pueden nombrar y evaluar:

  • agrupar alarmas en lugar de enviar treinta notificaciones individuales ante una caída
  • recopilar automáticamente los logs, las métricas y los últimos despliegues relevantes ante un incidente
  • activar medidas estándar como revertir una versión o reiniciar un servicio
  • convertir tareas recurrentes del día a día operativo en flujos ejecutables

Para cada una de estas tareas cabe preguntarse: ¿con qué frecuencia se produce? ¿cuánto tiempo cuesta hoy? ¿y cómo se reconoce que la automatización ha actuado correctamente? Estas preguntas son mucho más difíciles de responder con un producto que promete simplemente «IA para la operación».

La IA es un ingrediente, no un fundamento

Los modelos de lenguaje son buenos condensando información no estructurada, por ejemplo, resumir largas salidas de logs en un texto legible o derivar de un historial de incidentes una propuesta para la siguiente comprobación. En la guardia a las tres de la madrugada, esto es una ganancia real.

Lo que los modelos de lenguaje no aportan: una base de datos fiable. Si una aplicación no proporciona métricas limpias, no tiene un historial de despliegues trazable y las configuraciones no están versionadas, un modelo tampoco puede hacer más que adivinar. El esfuerzo no reside entonces en la IA, sino en el trabajo previo: la observability, es decir, la capacidad de evaluar el estado de un sistema desde fuera a partir de métricas, logs y trazas, es el requisito, no el subproducto.

A ello se suma la cuestión de la autoridad para actuar. Un sistema que hace propuestas no es crítico. Un sistema que interviene de forma autónoma en producción necesita los mismos mecanismos de protección que una persona: permisos limitados, registros trazables y vías de retorno definidas.

Qué significa esto para evaluar ofertas

Cuando un proveedor ofrece operación asistida por IA, merece la pena plantear algunas preguntas sobrias:

  1. Qué tarea exactamente se automatiza, y qué ocurre con todas las demás?
  2. Qué datos necesita el sistema, y ¿están disponibles en la propia operación con la calidad suficiente?
  3. ¿Puede el sistema actuar o solo proponer? Si puede actuar: ¿en qué medida y cómo se registra?
  4. ¿Cómo es el modo de repliegue si la automatización falla o decide incorrectamente?
  5. ¿Quién asume la responsabilidad de una decisión errónea, tanto contractual como organizativamente?

Las respuestas a estas preguntas dicen más sobre la utilidad de una herramienta que cualquier sigla en el nombre del producto.

La parte poco espectacular sigue siendo la más importante

La operación fiable rara vez surge de una única herramienta. Surge de despliegues repetibles, de un monitoreo que mide las cosas correctas, de procedimientos documentados para el caso de incidente y de la disposición a analizar de verdad lo ocurrido tras un incidente. Esto vale tanto para un portal TYPO3 con sistemas especializados conectados como para una arquitectura de microservicios distribuida.

Estos fundamentos tienen poco glamour y resultan difíciles de plasmar en una diapositiva. Pero son la base sobre la que la automatización, con o sin IA, puede siquiera surtir efecto. Un modelo que aborda tareas de reliability en lugar de sustituir roles hace explícita esta relación: la persona sigue siendo responsable, la máquina asume la repetición.

Para proyectos web y de software esto significa: antes de decidir sobre herramientas de operación asistidas por IA, debería aclararse qué tareas operativas se realizan hoy de forma manual y recurrente y si los datos necesarios para ello están disponibles de forma limpia. Quien realiza este trabajo previo puede emplear la IA de forma específica allí donde realmente ahorra tiempo y, al mismo tiempo, mantener una operación que funciona incluso cuando la herramienta se equivoca.

Fuentes