IA y SRE: la ingeniería de contexto como nuevo pilar de fiabilidad

¿Qué ha ocurrido?

En el episodio del podcast de Stack Overflow emitido el 28 de julio de 2026, Ryan Donovan entrevistó a Asaf Savich, gerente del grupo de Ingeniería de IA en Komodor. La conversación se centró en cómo la inteligencia artificial está transformando la ingeniería de fiabilidad de sitios (SRE). El tema central fue la ingeniería de contexto: la práctica de proporcionar a los modelos de IA la información correcta, en el momento adecuado y con la granularidad necesaria para tomar decisiones fiables en entornos de microservicios.

Savich explicó que, a medida que los sistemas crecen en complejidad —con cientos de servicios interdependientes—, los SRE humanos se ven desbordados por el volumen de datos. La IA puede ayudar, pero solo si recibe un contexto rico y estructurado. De lo contrario, los modelos generan respuestas genéricas o incorrectas que erosionan la confianza. Según datos de Komodor, el 70% de los incidentes en Kubernetes requieren cruzar al menos tres fuentes de datos diferentes (logs, métricas, eventos de cambio), y los equipos dedican hasta el 40% de su tiempo a recopilar contexto manualmente. La ingeniería de contexto busca automatizar esa recopilación y estructurarla para que los modelos de IA puedan consumirla de manera efectiva.

Este enfoque no es completamente nuevo: empresas como Google y Netflix han desarrollado internamente sistemas de correlación de contexto para sus SRE. Sin embargo, la novedad radica en la generalización de estas prácticas a través de herramientas como Komodor, que integran el contexto de Kubernetes con capacidades de IA generativa. Savich destacó que el objetivo es que la IA no solo detecte anomalías, sino que entienda las relaciones causales entre cambios, dependencias y fallos.

¿Por qué es importante?

La fiabilidad de los sistemas modernos es crítica para empresas de todos los sectores. Una caída de servicio puede costar millones y dañar la reputación. Tradicionalmente, los SRE se apoyaban en dashboards, alertas y runbooks. Sin embargo, con la adopción de arquitecturas de microservicios y Kubernetes, la cantidad de señales se ha multiplicado. Según un estudio de la CNCF, el 67% de las organizaciones que usan Kubernetes experimentan incidentes al menos una vez al mes, y el tiempo medio de resolución supera las dos horas. La propuesta de Komodor y la reflexión de Stack Overflow apuntan a que la IA puede automatizar la correlación de eventos, la detección de anomalías e incluso la ejecución de remediaciones, pero para ello necesita un contexto que incluya: historial de cambios, dependencias entre servicios, logs, métricas y trazas. Sin una ingeniería de contexto deliberada, la IA será tan ciega como un humano sin datos.

Savich comparó esta situación con los primeros días de la observabilidad: antes de herramientas como Datadog o New Relic, los equipos recolectaban métricas manualmente. Ahora, la ingeniería de contexto es el siguiente paso evolutivo. Empresas como Uber ya han implementado sistemas de machine learning para predecir fallos, pero se enfrentan a problemas de falsos positivos debido a contextos incompletos. La ingeniería de contexto promete reducir esos falsos positivos al asegurar que los modelos tengan toda la información relevante.

¿Qué consecuencias tendrá?

El rol del SRE evolucionará hacia tareas de mayor valor: definir estrategias de fiabilidad, diseñar pipelines de contexto para modelos de IA, y supervisar agentes autónomos que ejecuten acciones correctivas. Savich lo describió como un cambio de 'operador' a 'orquestador de agentes'. Esta transformación ya se observa en empresas como Spotify, donde los SRE están adoptando roles de 'fiabilidad como código', y en Microsoft, que ha integrado asistentes de IA en sus herramientas de Azure. Las empresas que inviertan en ingeniería de contexto podrán escalar sus operaciones sin aumentar proporcionalmente su equipo de SRE. Además, la reducción de falsos positivos y el tiempo de resolución más rápido mejorarán la experiencia del usuario final. Según estimaciones de Gartner, para 2028, el 60% de las organizaciones que usan IA para SRE habrán reducido sus incidentes críticos en un 30%.

Sin embargo, también surgen riesgos: dependencia excesiva de la IA, sesgos en los datos de contexto, y la necesidad de mantener la supervisión humana para evitar decisiones automáticas catastróficas. La transparencia y la auditabilidad de los modelos serán requisitos no negociables. Savich advirtió que la ingeniería de contexto mal implementada puede generar 'ruido contextual' que confunda a los modelos, llevando a decisiones erróneas. Por ello, recomienda empezar con casos de uso pequeños y validar continuamente la calidad del contexto.

¿Qué deben saber los lectores?

Para los profesionales de SRE, DevOps y plataformas, este episodio subraya la urgencia de adquirir competencias en ingeniería de datos, machine learning y gestión de agentes. Herramientas como Komodor, que integran contexto de Kubernetes con capacidades de IA, serán cada vez más comunes. También es relevante el enfoque de Stack Overflow, que a través de su podcast y blog está posicionándose como un referente en la discusión sobre IA y desarrollo de software. Desde TheVortiq, recomendamos:

• Evaluar las fuentes de datos actuales y su calidad para alimentar modelos de IA. Realizar una auditoría de contexto: identificar qué datos están disponibles, su granularidad y su frescura.
• Implementar prácticas de observabilidad que capturen contexto rico (eventos, cambios, dependencias). Herramientas como OpenTelemetry pueden ayudar a estandarizar la recolección de trazas y métricas.
• Formar a los equipos en prompt engineering y diseño de flujos de contexto. Savich sugiere que los SRE aprendan a 'programar' el contexto que recibe la IA, similar a cómo se diseñan las consultas en bases de datos.
• Mantener un equilibrio entre automatización y supervisión humana. Establecer circuitos de retroalimentación donde los humanos validen las decisiones de la IA y corrijan el contexto cuando sea necesario.

Como señaló Savich: 'El contexto es el nuevo petróleo para la fiabilidad'. La diferencia entre una IA útil y una ruidosa está en los datos que le proporcionamos. En un entorno donde el 80% de los datos de telemetría nunca se utilizan (según un informe de Splunk), la ingeniería de contexto se convierte en la clave para desbloquear el valor de la IA en SRE.