Cerrar la brecha de observabilidad para la empresa preparada para la IA

La em­pre­sa mo­der­na es una em­pre­sa di­gi­tal. Desde las ofi­ci­nas ad­mi­nis­tra­ti­vas hasta la plan­ta de pro­duc­ción, los sis­te­mas co­nec­ta­dos y los ser­vi­cios di­gi­ta­les cons­ti­tu­yen la co­lum­na ver­te­bral ope­ra­ti­va de la que de­pen­de todo lo demás. Por eso, cuan­do se pro­du­ce una in­te­rrup­ción, puede tener un enor­me im­pac­to fi­nan­cie­ro, en la repu­tación, en la pro­duc­ti­vi­dad e in­clu­so en el cum­pli­mien­to nor­ma­ti­vo. Esto ha con­ver­ti­do la ob­ser­va­bi­li­dad en un tema de in­te­rés para el con­se­jo de ad­mi­nis­tra­ción. «Para una em­pre­sa que co­ti­za en bolsa, un in­ci­den­te ci­ber­né­ti­co de im­por­tan­cia su­po­ne una obli­ga­ción de di­vul­ga­ción. Dis­po­nes de un plazo de cua­tro días la­bo­ra­bles desde el mo­men­to en que se de­ter­mi­na su im­por­tan­cia», ex­pli­ca Jack Ca­llahan, di­rec­tor de es­tra­te­gia em­pre­sa­rial de NETSCOUT. «Así que, cuan­do se pro­du­ce una in­te­rrup­ción —ya sea un ci­ber­ata­que, un ata­que DDoS o al­guien que in­tro­du­ce una ac­tua­li­za­ción erró­nea en la red—, el pri­mer pro­ble­ma para la di­rec­ción es siem­pre el mismo: de­ter­mi­nar si es de im­por­tan­cia sig­ni­fi­ca­ti­va». Con cada equi­po téc­ni­co echán­do­se la culpa unos a otros, la ob­ser­va­bi­li­dad se con­vier­te en la única fuen­te de ver­dad que las or­ga­ni­za­cio­nes ne­ce­si­tan para iden­ti­fi­car la causa raíz, ace­le­rar la re­so­lu­ción y me­jo­rar la fia­bi­li­dad. Sin em­bar­go, en mu­chas em­pre­sas no está te­nien­do el im­pac­to de­sea­do. La base de datos tra­di­cio­nal de mé­tri­cas, even­tos, re­gis­tros y tra­zas (MELT) no puede, por sí sola, se­guir el ritmo de la com­ple­ji­dad y la es­ca­la de la in­fra­es­truc­tu­ra di­gi­tal ac­tual. Las or­ga­ni­za­cio­nes han op­ta­do por re­co­pi­lar más datos, au­men­tar el mues­treo y am­pliar el pe­rio­do de re­ten­ción. Pero no están ob­te­nien­do una mejor vi­sión. «Los eje­cu­ti­vos que es­pe­ran dis­po­ner de una gran can­ti­dad de datos sobre los que basar sus de­ci­sio­nes no siem­pre en­cuen­tran que esos datos sean tan con­clu­yen­tes como les gus­ta­ría», con­ti­núa Ca­llahan. «Y, por lo tanto, con­fían más en su ins­tin­to de lo que ca­bría es­pe­rar, te­nien­do en cuen­ta lo mucho que están in­vir­tien­do». Los cos­tes de esta deuda de ob­ser­va­bi­li­dad no dejan de acu­mu­lar­se. Un es­tu­dio de NETSCOUT re­ve­la que el 81 % de las or­ga­ni­za­cio­nes cree que la falta de datos au­men­ta el tiem­po de re­so­lu­ción de in­ci­den­cias. Más de dos quin­tas par­tes (el 42 %) es­ti­man que el tiem­po de inac­ti­vi­dad su­po­ne entre 500 000 y 999 000 dó­la­res por hora. Estos cos­tes son in­sos­te­ni­bles, tanto desde el punto de vista eco­nó­mi­co como en otros as­pec­tos. Para apro­ve­char el po­ten­cial de la IA au­tó­no­ma en las ope­ra­cio­nes, las or­ga­ni­za­cio­nes ne­ce­si­tan una base de datos en la que pue­dan con­fiar ple­na­men­te. Esto exige un en­fo­que no­ve­do­so: eco­nó­mi­ca­men­te via­ble y ba­sa­do en datos de ob­ser­va­bi­li­dad que sean cohe­ren­tes, exhaus­ti­vos, en­ri­que­ci­dos y en tiem­po real. Y que se ofrez­can de forma que com­ple­men­ten, en lugar de sus­ti­tuir, las in­ver­sio­nes exis­ten­tes en ob­ser­va­bi­li­dad, am­plian­do así el valor de las pla­ta­for­mas ya in­te­gra­das en la pila em­pre­sa­rial. Allí donde falla la vi­si­bi­li­dad, los datos MELT si­guen sien­do esen­cia­les para la ob­ser­va­bi­li­dad. Pero no se di­se­ña­ron para las ope­ra­cio­nes com­ple­jas, dis­tri­bui­das y di­ná­mi­cas de hoy en día. Las mé­tri­cas ex­pli­can que algo ha cam­bia­do con el tiem­po. Los even­tos salen a la luz cuan­do algo cam­bia. Los re­gis­tros in­di­can a los equi­pos que algo ocu­rrió en un mo­men­to con­cre­to. Pero no pro­por­cio­nan el con­tex­to que ex­pli­que qué ocu­rrió real­men­te en una red y por qué. Los ras­tros son lo que más se acer­ca, ya que el ras­treo dis­tri­bui­do está di­se­ña­do para se­guir una so­li­ci­tud a tra­vés de los dis­tin­tos ser­vi­cios. Pero un ras­tro solo mues­tra lo que se ha ins­tru­men­ta­do, lo que le deja sin vi­sión de los com­po­nen­tes no ins­tru­men­ta­dos, las de­pen­den­cias de ter­ce­ros y la in­fra­es­truc­tu­ra in­ter­me­dia. Y es pre­ci­sa­men­te ahí donde sue­len pro­du­cir­se los fa­llos, lo que sig­ni­fi­ca que no se cap­tu­ra el con­tex­to de lo que real­men­te ocu­rrió ni el mo­ti­vo. El con­tex­to sig­ni­fi­ca, en esen­cia, ser capaz de re­cons­truir una ca­de­na única, com­ple­ta y or­de­na­da de even­tos a tra­vés de di­fe­ren­tes sis­te­mas —in­clu­yen­do qué des­en­ca­de­nó un even­to, cómo se pro­pa­gó y qué ocu­rrió en cada paso—. Aquí es donde sue­len fa­llar las téc­ni­cas de ob­ser­va­bi­li­dad ba­sa­das úni­ca­men­te en MELT. Las mar­cas de tiem­po pue­den ser in­con­sis­ten­tes entre dis­tin­tos sis­te­mas. Es po­si­ble que los iden­ti­fi­ca­do­res no se con­ser­ven más allá de los lí­mi­tes ar­qui­tec­tó­ni­cos. El mues­treo y la agre­ga­ción eli­mi­nan de­ta­lles vi­ta­les ne­ce­sa­rios para la re­cons­truc­ción. Y los datos pue­den al­ma­ce­nar­se en di­fe­ren­tes he­rra­mien­tas con es­que­mas in­com­pa­ti­bles. Las in­ves­ti­ga­cio­nes re­ve­lan que el 96 % de las or­ga­ni­za­cio­nes uti­li­zan mé­tri­cas y re­gis­tros, pero el 82 % se­ña­la ca­ren­cias de vi­si­bi­li­dad, y casi todas (el 96 %) ca­re­cen de datos su­fi­cien­tes para de­ter­mi­nar la causa raíz du­ran­te los in­ci­den­tes.