TL;DR
|
Los equipos de ingeniería modernos no están fallando por falta de herramientas; tienen dificultades porque sus operaciones se han vuelto demasiado complejas para gestionarlas manualmente.
A medida que los sistemas escalan, la infraestructura crece y las arquitecturas de software se vuelven más distribuidas, las cargas de trabajo operativas aumentan drásticamente. Los ingenieros pasan más tiempo respondiendo a alertas, solucionando problemas de despliegue y gestionando la infraestructura que construyendo nuevas capacidades.
El resultado es una carga operativa creciente en los equipos de ingeniería y DevOps.
Los ingenieros dedican del 30 al 40 % de su tiempo a tareas operativas tediosas, como la depuración, la monitorización y la respuesta a incidentes. El desperdicio en la nube representa casi el 30 % del gasto en infraestructura debido a recursos inactivos o sobredimensionados.
Estas ineficiencias hacen más que aumentar los costes operativos. Ralentizan la innovación, reducen la productividad de la ingeniería y dificultan que los equipos mantengan sistemas fiables a escala.
Aunque la automatización se diseñó para abordar algunos de estos problemas, presenta limitaciones claras. La mayor parte de la automatización se basa en scripts estáticos y flujos de trabajo predefinidos, que siguen requiriendo intervención humana cada vez que cambian las condiciones.
Aquí es donde la IA agéntica está empezando a remodelar los entornos de ingeniería y operativos.
La IA agéntica introduce sistemas que pueden detectar problemas, analizar el comportamiento del sistema, tomar decisiones y ejecutar tareas operativas de forma autónoma. En lugar de depender de que los ingenieros investiguen manualmente las alertas o coordinen flujos de trabajo en múltiples herramientas, los agentes de IA pueden gestionar muchos de estos procesos de forma independiente.
En este blog, explorará cómo la IA agéntica reduce los costes operativos en ingeniería y operaciones, los mecanismos principales tras este cambio y las formas prácticas en que las organizaciones están comenzando a adoptar sistemas operativos autónomos.
Comprensión de la IA agéntica y su papel en las operaciones de ingeniería modernas
Si gestiona sistemas de ingeniería, canales de DevOps o infraestructura operativa, ya confía en la automatización. Los scripts activan compilaciones, las alertas notifican a los equipos y los flujos de trabajo gestionan tareas rutinarias. Pero la mayor parte de esta automatización todavía depende de reglas predefinidas e intervención humana cuando ocurre algo inesperado.
Aquí es donde la IA agéntica introduce un cambio fundamental.
La IA agéntica se refiere a sistemas de IA que pueden razonar, planificar y ejecutar tareas de forma independiente con una supervisión humana mínima. En lugar de simplemente seguir instrucciones fijas, estos sistemas trabajan hacia un objetivo. Analizan situaciones, deciden acciones y ejecutan flujos de trabajo de varios pasos a través de múltiples herramientas y sistemas.
Para los equipos de ingeniería y operaciones, este cambio transforma la forma de trabajar. En lugar de escribir más scripts o investigar alertas manualmente, puede desplegar sistemas que:
- Investiguen incidentes automáticamente.
- Coordinen acciones de remediación entre herramientas.
- Optimicen las decisiones de infraestructura en tiempo real.
- Reduzcan la necesidad de una supervisión manual constante.
En otras palabras, se pasa de una automatización que ejecuta tareas a agentes de IA que gestionan resultados operativos. Esta distinción es lo que convierte a la IA agéntica en una capacidad fundamental para los entornos modernos de ingeniería y operaciones.
De dónde provienen los costes operativos en ingeniería y operaciones
Si usted es responsable de sistemas de ingeniería, flujos de trabajo de DevOps u operaciones de plataforma, ya sabe que los costes operativos rara vez provienen de una sola fuente. La mayor parte del gasto proviene de pequeñas ineficiencias que se acumulan en la infraestructura, las herramientas y el trabajo de ingeniería diario. A continuación se presentan los factores de coste más comunes en los entornos de ingeniería y operaciones.
1. Respuesta a incidentes y gestión de crisis
Los incidentes operativos son uno de los mayores factores de coste ocultos para los equipos de ingeniería. Cada problema de producción requiere que los ingenieros investiguen alertas, analicen registros, coordinen respuestas y restauren la estabilidad del sistema.
En muchas organizaciones, este proceso sigue siendo altamente manual. Los ingenieros a menudo pasan horas revisando registros, rastreando dependencias de servicios e identificando la causa raíz de los fallos.
Un tiempo medio de resolución (MTTR) elevado aumenta los costes operativos porque los incidentes consumen horas de ingeniería y también pueden afectar a la experiencia del cliente o a la disponibilidad del servicio. Al mismo tiempo, las alertas de monitorización constante crean fatiga por alertas, lo que dificulta que los equipos identifiquen los problemas que realmente requieren atención.
Con el tiempo, la gestión constante de crisis reduce la eficiencia de la ingeniería y aumenta la sobrecarga operativa.
2. Ineficiencias de la infraestructura
La infraestructura es otro contribuyente importante al gasto operativo, especialmente en entornos basados en la nube.
Para evitar problemas de rendimiento, los equipos a menudo sobredimensionan los recursos de computación, almacenamiento y red. Aunque este enfoque reduce el riesgo de interrupciones, con frecuencia conduce a una infraestructura infrautilizada.
Las cargas de trabajo inactivas, las instancias no utilizadas y la asignación ineficiente de recursos pueden aumentar silenciosamente los costes de la nube mes tras mes. Sin una optimización continua, los gastos de infraestructura crecen incluso cuando el uso del sistema permanece estable. Para muchas organizaciones, esto se traduce en pagar por una capacidad que rara vez se utiliza.
3. Flujos de trabajo de DevOps manuales
Las prácticas de DevOps tienen como objetivo agilizar la entrega de software, pero muchos flujos de trabajo aún requieren intervención humana. Los equipos de ingeniería dedican tiempo con frecuencia a solucionar problemas de canales de CI/CD fallidos, investigar errores de compilación y resolver conflictos de despliegue. La deriva de configuración entre entornos también puede introducir complejidad operativa, requiriendo que los equipos verifiquen y corrijan repetidamente las configuraciones del sistema.
Estas actividades manuales de DevOps pueden parecer pequeñas individualmente, pero colectivamente consumen una parte significativa del tiempo de ingeniería. A medida que los sistemas escalan, el mantenimiento de los canales y las configuraciones de infraestructura se convierte en una carga operativa continua.
4. Fragmentación operativa
Los entornos de ingeniería modernos dependen de un gran número de herramientas. Las plataformas de monitorización, los sistemas de observabilidad, las soluciones de registro, las herramientas de gestión de incidentes y las plataformas de tickets a menudo funcionan de forma independiente.
Aunque cada herramienta resuelve un problema específico, la falta de integración entre ellas crea fragmentación operativa. Los ingenieros deben cambiar entre múltiples paneles, correlacionar datos manualmente y reunir información de diferentes sistemas.
Los silos de datos en las herramientas de observabilidad, monitorización y gestión de incidentes ralentizan y complican la resolución de problemas. Como resultado, los equipos pasan más tiempo recopilando información antes de poder tomar medidas. Esta fragmentación aumenta tanto la complejidad como el coste operativo.
5. Pérdida de productividad en ingeniería
Los desarrolladores y los ingenieros de plataformas altamente cualificados suelen dedicar gran parte de su tiempo a tareas operativas como investigar alertas, revisar registros, responder a incidentes o mantener la infraestructura.
Aunque estas tareas son necesarias, a menudo impiden que los ingenieros se centren en trabajos de mayor valor, como la creación de funciones, la mejora del rendimiento del producto o el desarrollo de nuevas capacidades.
Con el tiempo, este cambio de la innovación al mantenimiento ralentiza la velocidad de desarrollo y aumenta el coste total de las operaciones de ingeniería.
El marco de reducción de costes de la IA agéntica para ingeniería y operaciones
La IA agéntica introduce un enfoque estructurado para reducir esta sobrecarga. En lugar de simplemente automatizar tareas, permite que los sistemas detecten problemas, investiguen dificultades, ejecuten remediaciones y optimicen las operaciones de forma autónoma. He aquí el marco detallado que el equipo de ingeniería y operaciones puede seguir:
1. El modelo de eficiencia agéntica
En su esencia, el modelo se centra en desplazar progresivamente las operaciones del trabajo humano reactivo a la gestión de sistemas autónomos. La detección autónoma garantiza que los sistemas monitoricen continuamente la infraestructura y los servicios sin esperar a que los ingenieros revisen las alertas.
El diagnóstico inteligente permite que los agentes de IA investiguen automáticamente los incidentes y determinen las causas raíz probables. La remediación de autorreparación permite que los sistemas resuelvan fallos operativos comunes sin intervención humana.
La orquestación del flujo de trabajo conecta las herramientas en todo el ecosistema de DevOps, permitiendo que las tareas operativas se ejecuten de extremo a extremo automáticamente. La optimización continua garantiza que la infraestructura y los procesos operativos mejoren con el tiempo basándose en datos reales del sistema.
Para simplificar el marco, piénselo como una capacidad operativa por capas:
- Detectar problemas automáticamente.
- Diagnosticar problemas sin investigación manual.
- Resolver incidentes mediante remediación automatizada.
- Coordinar flujos de trabajo entre sistemas.
- Mejorar continuamente la eficiencia operativa.
Cuando estas capas funcionan juntas, el resultado es un menor número de intervenciones manuales, una respuesta a incidentes más rápida y menores costes operativos.
2. Monitorización autónoma y detección de incidentes
Una de las primeras mejoras operativas de la IA agéntica proviene de una monitorización más inteligente.
Los sistemas de monitorización habituales generan miles de alertas en infraestructuras, aplicaciones y servicios. Los ingenieros deben revisar constantemente estas alertas para determinar cuáles representan problemas reales. Con el tiempo, esto conduce a la fatiga por alertas y a una respuesta a incidentes más lenta.
La IA agéntica cambia el funcionamiento de la monitorización. En lugar de depender de umbrales estáticos, los agentes de IA analizan continuamente los datos de telemetría, correlacionan señales entre sistemas y detectan patrones de comportamiento inusuales. Esto permite que sus sistemas identifiquen problemas antes de que escalen a incidentes de producción.
Los agentes de monitorización de IA realizan tareas como:
- Analizar la telemetría en infraestructuras y aplicaciones.
- Correlacionar señales a través de múltiples herramientas de observabilidad.
- Detectar anomalías en tiempo real.
- Identificar señales de advertencia temprana de inestabilidad del sistema.
Como resultado, la monitorización se vuelve más proactiva y mucho menos ruidosa. Los beneficios operativos incluyen la detección temprana de problemas del sistema, menos alertas falsas que llegan a los ingenieros y ciclos de resolución de incidentes más rápidos. Esto se traduce en una reducción del tiempo de inactividad del sistema y una menor sobrecarga en la gestión de incidentes.
3. Diagnóstico automatizado de incidentes y análisis de causa raíz
Una vez que ocurre un incidente, el siguiente gran coste operativo proviene de la investigación.
Los ingenieros suelen pasar horas analizando registros, rastreando dependencias de servicios y revisando despliegues recientes para determinar la causa del fallo. Este proceso de triaje manual ralentiza la recuperación y consume un valioso tiempo de ingeniería.
La IA agéntica acelera drásticamente esta etapa al realizar un análisis de incidentes automatizado.
Los agentes de IA investigan los problemas evaluando simultáneamente múltiples fuentes de datos operativos.
Estos agentes:
- Analizan los registros de aplicaciones e infraestructura.
- Rastrean dependencias en microservicios.
- Revisan despliegues recientes o cambios de configuración.
- Correlacionan métricas entre sistemas de observabilidad.
Al combinar estas señales, los sistemas agénticos pueden identificar rápidamente las causas raíz probables.
En muchos entornos, las herramientas de observabilidad impulsadas por IA han reducido drásticamente el tiempo necesario para obtener información en comparación con los métodos de investigación tradicionales.
Estas capacidades mejoran significativamente la eficiencia operativa. Al automatizar la investigación de incidentes y el análisis de registros, los equipos pueden identificar las causas raíz más rápido y reducir el tiempo dedicado al triaje manual. Esto conduce a un menor tiempo medio de resolución (MTTR), menos horas de ingeniería dedicadas a la resolución de problemas y una recuperación más rápida durante los incidentes de producción.
4. Infraestructura de autorreparación y remediación automatizada
Los sistemas de autorreparación representan una de las capacidades de reducción de costes más potentes de la IA agéntica.
Una vez que se detecta y diagnostica un problema, los agentes de IA pueden ejecutar automáticamente acciones correctivas. En lugar de esperar a que los ingenieros respondan a las alertas, el sistema intenta resolver el problema de inmediato.
Las acciones de remediación típicas incluyen:
- Reiniciar servicios fallidos.
- Revertir despliegues defectuosos.
- Escalar recursos de infraestructura.
- Corregir inconsistencias de configuración.
Estas respuestas automatizadas permiten que los sistemas se recuperen rápidamente sin requerir intervención manual. En grandes entornos distribuidos, las capacidades de autorreparación reducen significativamente la carga de trabajo operativa y mejoran la fiabilidad.
Estas capacidades reducen la necesidad de resolución de problemas manual al tiempo que permiten una recuperación más rápida de los fallos del sistema. Como resultado, la infraestructura se vuelve más resiliente, la sobrecarga operativa disminuye, los costes por tiempo de inactividad se minimizan y el tiempo de actividad general del sistema mejora.
5. Optimización de recursos más inteligente en la infraestructura de la nube
Para muchas organizaciones, la infraestructura de la nube representa el mayor gasto operativo.
Para evitar interrupciones o problemas de rendimiento, los equipos a menudo aprovisionan más recursos de los necesarios. Con el tiempo, esto conduce a una infraestructura infrautilizada y a facturas de la nube crecientes.
La IA agéntica introduce la optimización continua de la infraestructura. Los agentes de IA analizan patrones de carga de trabajo, métricas de infraestructura y rendimiento del sistema para determinar cómo deben asignarse los recursos. Basándose en estos datos, pueden ajustar dinámicamente la capacidad de la infraestructura.
Ejemplos de acciones de optimización incluyen:
- Escalar dinámicamente los recursos de computación.
- Cerrar cargas de trabajo inactivas.
- Redistribuir cargas de trabajo entre regiones.
- Optimizar la utilización de computación y almacenamiento.
En lugar de depender de revisiones manuales periódicas, la eficiencia de la infraestructura se convierte en un proceso automatizado continuo.
Estas mejoras ayudan a las organizaciones a utilizar los recursos de infraestructura de manera más eficiente, al tiempo que reducen la necesidad de una monitorización manual constante. Como resultado, los sistemas mantienen una mejor alineación entre el uso y la capacidad, lo que conduce a un menor gasto en la nube, una mejor eficiencia de la infraestructura y una menor complejidad operativa.
6. Flujos de trabajo de DevOps autónomos y optimización de CI/CD
Los canales de DevOps están diseñados para acelerar la entrega de software, pero aún requieren mantenimiento y resolución de problemas frecuentes.
Los fallos de compilación, los problemas de pruebas y los errores de despliegue a menudo requieren que los ingenieros intervengan y diagnostiquen problemas dentro del canal de CI/CD. La IA agéntica mejora este proceso al automatizar muchos flujos de trabajo de DevOps.
Los agentes de IA pueden integrarse con sistemas de CI/CD, herramientas de monitorización y plataformas de infraestructura para automatizar las acciones del canal.
Los ejemplos incluyen:
- Analizar compilaciones fallidas para identificar las causas raíz.
- Volver a ejecutar solo las pruebas que fallaron.
- Activar nuevos despliegues tras las correcciones.
- Optimizar los canales de lanzamiento en diferentes entornos.
Al coordinarse entre las herramientas de DevOps, los agentes de IA agéntica garantizan que los flujos de trabajo sigan funcionando sin problemas y sin supervisión constante. Estas mejoras permiten lanzamientos de software más rápidos y fiables, al tiempo que reducen los fallos en los canales y el tiempo dedicado a mantener los flujos de trabajo de DevOps. Como resultado, las organizaciones se benefician de ciclos de desarrollo más rápidos, un menor esfuerzo de mantenimiento operativo y una mejor eficiencia de la ingeniería.
7. Reducción de las tareas tediosas de ingeniería y del agotamiento operativo
Un coste oculto importante en las organizaciones de ingeniería es el trabajo operativo tedioso (toil).
Este término se refiere al trabajo operativo repetitivo que los ingenieros deben realizar regularmente pero que no contribuye directamente a la innovación del producto. Los ejemplos incluyen:
- Análisis de registros manual.
- Tareas rutinarias de depuración
- Comprobaciones repetitivas del estado del sistema.
- Triaje de tickets de incidentes.
Aunque son necesarias, estas tareas consumen capacidad de ingeniería que de otro modo podría dedicarse a crear funciones o mejorar la arquitectura del sistema.
La IA agéntica ayuda a eliminar gran parte de este trabajo repetitivo mediante la automatización de los procesos operativos.
En lugar de responder a problemas operativos rutinarios, los ingenieros pueden centrarse en iniciativas de mayor valor.
Pasos prácticos para implementar la IA agéntica en las operaciones de ingeniería
A continuación se presenta una ruta de implementación práctica que siguen muchos equipos de ingeniería.
Paso 1: Identificar flujos de trabajo operativos con alta carga de tareas tediosas
Comience identificando las tareas operativas que consumen más tiempo de ingeniería pero que ofrecen un valor estratégico limitado. A menudo se trata de procesos repetitivos que pueden beneficiarse al máximo de la automatización inteligente. Los flujos de trabajo comunes con alta carga de tareas tediosas incluyen:
- Triaje de incidentes e investigación de alertas.
- Depuración de fallos de despliegue.
- Monitorización de alertas de infraestructura.
- Análisis de registros y resolución de problemas.
- Triaje de tickets en sistemas de gestión de incidentes.
Al centrarse primero en estos flujos de trabajo, puede reducir rápidamente la sobrecarga operativa y demostrar el valor medible de la IA agéntica.
Paso 2: Integrar agentes de IA con herramientas de observabilidad
Los sistemas agénticos dependen en gran medida de los datos operativos. Para funcionar eficazmente, los agentes de IA necesitan acceder a las señales de su ecosistema de observabilidad. Comience integrando los agentes con sistemas como:
- Plataformas de monitorización.
- Herramientas de registro y telemetría.
- Sistemas de métricas de infraestructura.
- Plataformas de gestión de incidentes.
Esto permite que los agentes de IA analicen el comportamiento del sistema, correlacionen señales y detecten anomalías operativas en tiempo real.
Paso 3: Comenzar con agentes con intervención humana (Human-in-the-Loop)
En las etapas iniciales, es importante mantener la supervisión humana. Los sistemas con intervención humana permiten que los agentes de IA recomienden acciones o preparen pasos de remediación, mientras los ingenieros los revisan y aprueban antes de su ejecución. Este enfoque ayuda a los equipos a:
- Generar confianza en las decisiones impulsadas por la IA.
- Validar la precisión del diagnóstico automatizado.
- Reducir el riesgo operativo durante la adopción temprana.
Con el tiempo, los equipos pueden aumentar gradualmente la autonomía de estos sistemas.
Paso 4: Avanzar hacia la remediación autónoma
Una vez que el sistema demuestre un rendimiento fiable, puede comenzar a habilitar la remediación automatizada para escenarios operativos bien conocidos. Los ejemplos incluyen:
- Reiniciar servicios fallidos automáticamente.
- Revertir despliegues problemáticos.
- Escalar la infraestructura durante picos de tráfico.
- Resolver problemas de configuración conocidos.
En esta etapa, los agentes de IA comienzan a gestionar incidentes operativos rutinarios sin requerir intervención manual.
Paso 5: Establecer controles de gobernanza y seguridad
A medida que los sistemas autónomos se vuelven más activos en los entornos de producción, la gobernanza se vuelve crítica. Las organizaciones deben implementar salvaguardas claras para garantizar que la IA agéntica funcione de manera segura y transparente. Las prácticas de gobernanza importantes incluyen:
- Controles de automatización basados en políticas.
- Observabilidad de las acciones de los agentes de IA.
- Pistas de auditoría para decisiones automatizadas.
- Políticas de seguridad y gestión de accesos.
Una gobernanza sólida garantiza que la IA agéntica mejore la eficiencia operativa al tiempo que mantiene la fiabilidad y el cumplimiento en todos los sistemas de ingeniería.
¿Cómo le ayuda Avahi a convertir la IA en resultados empresariales reales?
Si su objetivo es aplicar la IA de manera práctica que ofrezca un impacto empresarial medible, Avahi ofrece soluciones diseñadas específicamente para los desafíos del mundo real.Avahi permite a las organizaciones adoptar de forma rápida y segura capacidades avanzadas de IA, respaldadas por una sólida base en la nube y una profunda experiencia en AWS.
Las soluciones de IA de Avahi ofrecen beneficios empresariales como:
- Interacción con el cliente las 24 horas del día
- Captura automatizada de clientes potenciales y gestión de llamadas
- Creación de contenido más rápida
- Conversión rápida de documentos en datos utilizables
- Planificación más inteligente a través de información predictiva
- Comprensión más profunda del contenido visual
- Acceso sin esfuerzo a los datos a través de consultas en lenguaje natural
- Protección de datos integrada y cumplimiento normativo
- Comunicación global fluida a través de la traducción y localización avanzadas
Al asociarse con Avahi, las organizaciones obtienen acceso a un equipo con amplia experiencia en IA y la nube comprometido con la entrega de soluciones personalizadas. El enfoque se mantiene en los resultados medibles, desde la automatización que ahorra tiempo y reduce los costes hasta el análisis que mejora la toma de decisiones estratégicas y las interacciones impulsadas por la IA que elevan la experiencia del cliente.
Descubra la plataforma de IA de Avahi en acción
EnAvahi, capacitamos a las empresas para implementar IA generativa avanzada que agiliza las operaciones, mejora la toma de decisiones y acelera la innovación, todo ello con cero complejidad.
Como su socio de consultoría de AWS Cloud de confianza, capacitamos a las organizaciones para que aprovechen todo el potencial de la IA, garantizando al mismo tiempo la seguridad, la escalabilidad y el cumplimiento con las soluciones en la nube líderes del sector.
Nuestras soluciones de IA incluyen
- Adopción e integración de la IA : aproveche Amazon Bedrock y GenAI para mejorar la automatización y la toma de decisiones.
- Desarrollo de IA personalizado : cree aplicaciones inteligentes adaptadas a las necesidades de su negocio.
- Optimización de modelos de IA – Cambie sin problemas entre modelos de IA con comparaciones automatizadas de costes, precisión y rendimiento.
- Automatización de la IA – Automatice las tareas repetitivas y libere tiempo para el crecimiento estratégico.
- Seguridad avanzada y gobernanza de la IA – Garantice el cumplimiento, detecte el fraude e implemente modelos seguros.
¿Quiere desbloquear el poder de la IA con seguridad y eficiencia de nivel empresarial?
¡Comience hoy mismo su transformación de la IA con avahi!
Preguntas frecuentes
1. ¿Cómo afecta la reducción de costes de la IA agéntica a las operaciones de ingeniería a escala?
La reducción de costes mediante IA agéntica ayuda a las organizaciones a disminuir los gastos operativos al automatizar la monitorización, el diagnóstico de incidentes y la remediación. Los agentes de IA gestionan tareas operativas rutinarias, lo que permite a los equipos de ingeniería administrar sistemas complejos de manera más eficiente, al tiempo que reducen la carga de trabajo manual y las ineficiencias de la infraestructura.
2. ¿Por qué los CTO deberían priorizar las estrategias de reducción de costes para la IA agéntica?
Los CTO deben priorizar la reducción de costes en la IA agéntica porque la complejidad operativa y los costes de la nube siguen aumentando. Al automatizar los procesos operativos repetitivos, la IA agéntica mejora la fiabilidad del sistema, reduce las tareas tediosas de ingeniería y permite que los equipos se centren en la innovación en lugar del mantenimiento operativo continuo.
3. ¿Cómo mejora la IA agéntica la eficiencia operativa de los equipos de ingeniería?
La IA agéntica mejora la eficiencia al detectar problemas automáticamente, analizar el comportamiento del sistema y activar acciones de remediación a través de herramientas operativas. Esto reduce el tiempo que los ingenieros dedican a la resolución de problemas y a la gestión de incidentes, al tiempo que mejora la velocidad de respuesta.
4. ¿Qué áreas operativas se benefician más de la adopción de la IA agéntica?
Los mayores beneficios suelen aparecer en la respuesta a incidentes, la optimización de la infraestructura, la monitorización y los flujos de trabajo de DevOps. La automatización de estas áreas ayuda a las organizaciones a mejorar la fiabilidad al tiempo que reduce los costes operativos.
5. ¿Qué deben tener en cuenta los CTO antes de implementar la IA agéntica en las operaciones de ingeniería?
Los CTO deben identificar primero los flujos de trabajo operativos que requieren un gran esfuerzo y asegurarse de que sus sistemas de observabilidad proporcionen datos fiables. La mayoría de las organizaciones comienzan con la automatización con intervención humana antes de habilitar gradualmente la remediación autónoma para tareas operativas rutinarias.
