La resiliencia digital se multiplica cuando la inteligencia artificial y la experiencia humana escalan juntas.

Presentado por Splunk, la IA agente está haciendo que los equipos de TI y de seguridad sean dramáticamente más eficientes. Pero también está eliminando la capacitación que durante mucho tiempo ha producido operadores experimentados. A medida que las organizaciones automatizan más del trabajo que antes realizaban analistas y ingenieros junior, se enfrentan a un desafío que es tanto sobre el diseño de la fuerza laboral como sobre el diseño arquitectónico: cómo construir la próxima generación de expertos cuando la IA se encarga del trabajo que antes los entrenaba. Lo que ha estado haciendo la fuerza laboral junior Durante dos décadas, el camino para convertirse en un analista de SecOps de clase mundial, SRE o ingeniero de NetOps pasaba por la repetición. Clasificar falsos positivos. Buscar en paneles de control contexto. Leer registros a las 2 a.m. que resultaron ser benignos. La industria trataba este trabajo como una carga, y en muchos sentidos lo era. Pero también servía como una capacitación. Las miles de horas que un analista pasaba observando patrones de tráfico construían la intuición que los volvía invaluables cuando llegaba un ataque real. Esa intuición no se enseñaba en un solo curso ni se capturaba en un manual. Se acumulaba a través de la exposición, el reconocimiento de patrones, el fracaso y la escalada. Con el tiempo, así es como las personas adquieren una experiencia analítica profunda. Sin embargo, la IA agente está comenzando a automatizar las mismas tareas que una vez sirvieron como terreno de entrenamiento para esa experiencia. Eso no es una razón para desacelerar. La pesadez fue costosa. El agotamiento fue real. Las organizaciones deben utilizar agentes para reducir el trabajo pesado siempre que puedan. Al mismo tiempo, al eliminar ese ciclo de aprendizaje, necesitamos proporcionar a los operadores algo mejor en su lugar. La forma en que las organizaciones aborden este problema hoy determinará los ganadores del futuro. Las organizaciones que lo aborden de manera deliberada producirán operadores capacitados para tener éxito en la próxima década. Aquellas que eviten este asunto pueden encontrarse con sistemas más rápidos hoy, pero con menos personas que los entiendan lo suficientemente bien como para gobernarlos mañana. Cuando la automatización vacía la responsabilidad También hay una segunda dimensión en esta conversación que recibe menos atención de la que debería. En entornos regulados, la carga del aprendizaje es parte de la capa de responsabilidad. Los marcos desde SOX hasta PCI DSS, HIPAA hasta NIS2 asumen que hay una cadena de juicios humanos detrás de una decisión de control. Los auditores no entrevistan modelos. Entrevistan a personas que pueden explicar por qué un sistema hizo lo que hizo, por qué la decisión fue sólida y si los controles correctos estaban en su lugar. Cuando la población de profesionales que puede explicar esa cadena comienza a disminuir, el riesgo puede no aparecer de inmediato. El control aún puede pasar. El flujo de trabajo aún puede ejecutarse. El panel de control aún puede verse verde. Pero la memoria organizacional subyacente comienza a vaciarse. Esto no es simplemente un problema de herramientas. También es un problema de habilidades y diseño de la fuerza laboral. Y para las organizaciones que se están moviendo rápidamente hacia la adopción de agentes, el riesgo está más cerca de lo que muchos piensan. Construyendo experiencia humana para gobernar la IA Cuando perdemos parte de la capa de responsabilidad a favor de los agentes, los humanos asumirán un tipo diferente de rol de gobernanza. Gobernar un sistema agente significa implementar salvaguardias automatizadas que se adapten al comportamiento no determinista de los agentes y aseguren que se comporten adecuadamente en condiciones que nadie anticipó completamente. Significa diseñar criterios de escalación que detecten las anomalías correctas sin abrumar a los humanos con las incorrectas. Significa implementar herramientas dinámicas, alertas y procesos para revisar las decisiones de las máquinas y detectar desviaciones, sesgos y fallos de razonamiento que ningún caso individual revelaría. La capacidad de evaluar y responder a estas excepciones requiere juicio acumulado durante años de experiencia, aprendiendo a reconocer patrones que el antiguo modelo de aprendizaje solía producir. Por eso, la cuestión de la fuerza laboral y la cuestión arquitectónica son ahora la misma cuestión. Si esperamos que los humanos gobiernen sistemas cada vez más autónomos, necesitamos vías intencionales que ayuden a las personas a manejar la escala y velocidad de los sistemas de IA mientras desarrollan la intuición y el juicio en los operadores humanos necesarios para realizar ese trabajo. En la era de la IA, las plataformas más valiosas no solo automatizarán las tareas más. Ayudarán a las personas a volverse más capaces, más creíbles y más esenciales a medida que los sistemas que los rodean se vuelven más rápidos e inteligentes. Eso significa que las organizaciones deben invertir en el ecosistema completo de experiencia para los operadores: comunidades que difundan prácticas compartidas, certificaciones u otras pruebas que hagan visible la experiencia, y explicaciones y verificaciones orientadas a las personas en la IA junto con rutas de aprendizaje que desarrollen capacidad. El empoderamiento es una elección de diseño arquitectónico El empoderamiento humano es una parte crítica de la conversación sobre el uso práctico de la IA. Sin embargo, sin una estrategia intencional que lo respalde, corre el riesgo de convertirse en una frase vaga que no significa nada porque puede significar cualquier cosa. El empoderamiento para los sistemas agentes no puede ser solo un requisito conceptual. Tiene que ser un conjunto de decisiones de diseño integradas en cómo se comportan los sistemas. Un sistema agente que empodera a sus operadores humanos y desarrolla su conjunto de habilidades profesionales hace cuatro cosas: 1. Expone el razonamiento, con la línea de datos detrás de él. Cada recomendación que un agente hace debe ser rastreable a los datos que consideró, la lógica que aplicó y la procedencia de las entradas que utilizó. Los operadores que pueden ver el razonamiento desarrollan juicio sobre cuándo confiar en él. Los operadores que solo reciben conclusiones no lo hacen. 2. Clasifica la autoridad por confianza e impacto. Los patrones familiares y de bajo riesgo pueden manejarse de manera autónoma. Las situaciones nuevas o acciones con un radio de impacto significativo deben escalar por defecto. El límite debe ser explícito y configurable por los equipos que son responsables de las consecuencias. 3. Trata las desacuerdos como una señal de corrección. Cuando un ingeniero experimentado anula a un agente, está haciendo más que simplemente estar en desacuerdo. Está corrigiendo el sistema con un juicio que el modelo no tenía: una dependencia frágil, una peculiaridad en el entorno, una restricción que los datos nunca vieron. Un sistema que registra la anulación pero ignora el razonamiento detrás de ella no aprende nada del momento en que un humano sabía mejor. 4. Captura las resoluciones como conocimiento multidominio. Cómo se resuelve un incidente es una lección que rara vez se queda en un solo ámbito. Un incidente de SecOps puede revelar una debilidad en ITOps. Un problema de red puede rastrearse hasta un impacto en el negocio. Cuando esa conexión vive solo dentro de un ticket cerrado, el próximo equipo que lo enfrente comienza desde cero. Las resoluciones deben viajar entre dominios, no morir donde fueron archivadas. Estas no son cualidades aspiracionales. Son capacidades de producto que se pueden probar. Los líderes que evalúan sistemas agentes deben poder identificar dónde residen estas capacidades, qué sucede cuando fallan y si las habilidades de los operadores mejoran después de la implementación. La próxima ventaja es cuando humanos y IA escalan juntos Para que los sistemas de IA sean prácticos, confiables y funcionen a gran escala, el punto de diseño crítico es que la IA trabaje profundamente junto a y empodere a los operadores humanos. Como tal, la era agente no es una historia sobre reemplazar humanos. Es una historia sobre rediseñar los sistemas que los humanos operan para que estas operaciones puedan realizarse a la velocidad y escala de las máquinas, mientras la experiencia humana crece al mismo tiempo. Juntos, en lugar de a expensas del otro. Ese resultado no está garantizado. Solo ocurrirá donde los líderes traten el desarrollo de operadores como una prioridad, no como una idea secundaria. Para lograr esto, los sistemas agentes deben ser diseñados intencionadamente para exponer el razonamiento, capturar el aprendizaje y redirigir el trabajo de regreso a los humanos de maneras que construyan habilidades y carreras en lugar de erosionar ambas. Los agentes seguirán volviéndose más inteligentes y rápidos. La capacidad de los operadores que trabajan junto a ellos para aprender y crecer al unísono determinará si la próxima década de resiliencia digital es algo que las organizaciones realmente poseen, o algo que alquilan de un grupo de expertos que se está reduciendo. Aprende más sobre cómo Cisco Data Fabric impulsado por la plataforma Splunk está ayudando a los equipos a acelerar las operaciones agentes. Kamal Hathi es SVP y GM de Splunk, una empresa de Cisco. Los artículos patrocinados son contenido producido por una empresa que está pagando por la publicación o tiene una relación comercial con VentureBeat, y siempre están claramente marcados. Para más información, contacta a sales@venturebeat.com.