La IA quiere arreglar las redes empresariales antes de que fallen: qué puede hacer y qué no

Todos hemos vivido una reunión online interrumpida por una conexión que falla. En una empresa, una caída de red puede afectar ventas, atención a clientes y sistemas críticos. Una columna de Coasin Logicalis plantea que la inteligencia artificial agéntica podría transformar la manera de administrar esa infraestructura. La promesa suena tentadora: detectar señales de problemas y ayudar a resolverlos antes de que los usuarios sufran una interrupción.

El texto fue firmado por Mariano Farré, responsable de redes empresariales, proveedores de servicios y seguridad para la Región Andina de Coasin Logicalis. Su punto de partida es conocido: las compañías dependen de redes híbridas, nubes y aplicaciones distribuidas que generan enormes cantidades de información. Revisar manualmente cada alerta resulta cada vez más difícil.

La automatización tradicional ejecuta reglas conocidas. Por ejemplo, si un servicio supera cierto uso, puede enviar un aviso o reiniciar un proceso configurado previamente. Un agente de IA intenta interpretar varias señales y proponer una secuencia de pasos vinculada a un objetivo. La diferencia está en combinar información y decidir entre alternativas, no simplemente en tener un chatbot junto al router.

En teoría, un agente puede observar aumentos anómalos de latencia, revisar registros y sugerir dónde investigar. Si existe autorización, podría ejecutar cambios limitados, recopilar diagnósticos y comprobar si la situación mejoró. Pero las capacidades dependen de integraciones reales con equipos, software de monitoreo y políticas de seguridad.

De reaccionar a alarmas a anticipar incidentes

Los equipos de operaciones de red suelen medir el tiempo que tardan en detectar y resolver problemas. Cuando un sistema correlaciona eventos de varios dispositivos, puede ayudar a evitar que los especialistas revisen manualmente miles de mensajes aislados. Eso podría acelerar diagnósticos, pero una alerta clasificada por IA no es evidencia definitiva de la causa de una falla.

Imaginemos que una aplicación corporativa responde lentamente. El problema podría estar en un servidor, un enlace de comunicaciones, una configuración o un proveedor externo. Un agente útil debería contrastar hipótesis y mostrar por qué recomienda una acción. Si simplemente reinicia componentes sin comprender dependencias, podría agravar el incidente.

También importa la calidad de los datos. Los registros incompletos y las etiquetas erróneas pueden provocar conclusiones equivocadas. La IA no puede deducir con certeza información que nunca fue medida. Por eso las empresas necesitan mapas de infraestructura, inventarios y procedimientos actualizados antes de introducir agentes autónomos.

Por qué el criterio humano sigue siendo importante

En una nota anterior revisamos gemelos digitales para anticipar riesgos industriales en Chile. El paralelismo es interesante: ambos enfoques buscan señales tempranas, pero requieren verificar modelos y mantener responsables humanos. Prevenir problemas es valioso solo cuando la prevención no genera otro problema mayor.

Una red empresarial transporta datos sensibles y permite acceder a servicios críticos. Conceder a un agente permisos para cambiar configuraciones exige límites precisos, trazabilidad y un mecanismo para revertir operaciones. No todas las correcciones deberían ejecutarse automáticamente: algunas necesitan aprobación, ventanas de mantenimiento o coordinación entre equipos.

Las empresas también deben considerar proveedores. Una herramienta que entiende muy bien productos de una marca puede tener dificultades para manejar infraestructuras heterogéneas. La integración con políticas existentes y sistemas heredados suele ser más difícil que una demostración en laboratorio.

La columna de Logicalis es una visión comercial y técnica de una compañía del sector, no una prueba independiente de que todas las organizaciones reducirán incidentes. IBM explica cómo se definen y funcionan los agentes de IA, pero cada implementación debe demostrar resultados medibles. Sin métricas reales de disponibilidad y tiempos de reparación no corresponde prometer un ahorro específico.

Para Chile, el atractivo está en sectores donde una falla tiene costos importantes: comercio, banca, minería y servicios. El primer paso sensato es identificar incidentes frecuentes y evaluar pilotos limitados. La IA puede convertirse en una buena herramienta de operaciones, pero no sustituye la necesidad de entender la red que estamos intentando proteger.