L'auge dels agents d'intel·ligència artificial en els entorns d'operacions IT ha generat una barreja d'entusiasme i escepticisme entre els equips de Site Reliability Engineering (SRE). Després d'anys de promeses sobre una automatització total, la realitat mostra que la confiança continua sent el principal escull: els professionals exigeixen proves abans de permetre que un agent toqui els seus sistemes en producció. Aquest article analitza l' estat actual de l' adopció, els reptes de la fiabilitat i com les empreses poden preparar-se per integrar aquestes eines sense comprometre l' estabilitat de les seves infraestructures.
L'enquesta realitzada el 2026 per The Register i NeuBird AI va revelar que el 73 % dels especialistes consultats encara no utilitza solucions d'AIOps, mentre que només un 8 % les té en producció. El factor determinant no és el cost ni la seguretat, sinó la falta de confiança: un 60 % dels enquestats la va assenyalar com la barrera principal. Aquesta desconfiança no és irracional: els sistemes d'operacions manegen dades crítiques, i un error en un agent autònom podria causar caigudes de servei, pèrdua d'ingressos o fins i tot bretxes de ciberseguretat. Per això, el camí cap a l' adopció no passa per llançar agents sense supervisió, sinó per demostrar la seva eficàcia en escenaris controlats.
Per entendre millor aquesta dinàmica, convé reflexionar sobre la naturalesa dels agents d' IA. A diferència d' un assistent de xat que genera text, un agent d' operacions ha d' actuar sobre un entorn viu, interpretar telemetria, correlacionar logs i mètriques, i proposar accions correctives. La complexitat augmenta quan es considera que la majoria de les incidències no es poden diagnosticar des d'un únic panell; requereixen travessar sitges de xarxa, emmagatzematge, plataformes i aplicacions. Aquí és on entra en joc la capacitat de mapejar dependències abans que s'esdevingui un incident, una tasca que els enfocaments tradicionals de monitoratge rara vegada aconsegueixen.
Les empreses que estan explorant aquesta tecnologia solen començar amb un model de co-pilot, on la intel·ligència artificial assisteix l'enginyer en lloc de reemplaçar-lo. Segons la mateixa enquesta, el 62 % prefereix aquest esquema. La raó és pragmàtica: l'enginyer manté el control últim i pot auditar cada decisió. Perquè aquest model funcioni, l'explicabilitat és clau. No n'hi ha prou que l'agent doni una resposta; ha de mostrar el raonament darrere d'ella, permetent al SRE interrogar el sistema com ho faria amb un col·lega sènior. En aquest sentit, eines com Langfuse faciliten el registre de passos de raonament, creant un historial auditable.
Un altre aspecte crític és la precisió. L'estudi indica que el 59 % dels enquestats exigeix una precisió gairebé perfecta abans d'adoptar l'eina, mentre que un 30 % toleraria un 80 % d'encerts. Aquest llindar només es pot assolir mitjançant una enginyeria de context acuidada, no simplement amb models més grans. La clau està en proporcionar just el context suficient —ni massa ni massa poc— perquè l'agent pugui discernir entre una alarma real i un fals positiu. Les empreses que ja treballen amb intel·ligència artificial per a empreses saben que la qualitat de les dades d'entrada és tan important com la potència del model.
Un exemple pràctic: un agent d'IA pot analitzar la relació entre un pic de latència en una base de dades i un desplegament recent en un microservei, tot això sense que l'enginyer hagi de revisar manualment desenes de panells. Però perquè això sigui segur, l' agent ha d' operar en mode només lectura i no emmagatzemar dades persistents, com exigeixen certificacions com SOC 2 Tipus II. A més, la integració amb sistemes d' automatització ha de ser gradual. Es poden marcar certs playbooks com assegurances per a execució autònoma (per exemple, reiniciar un pod amb límits de memòria coneguts), mentre que accions més arriscades requereixen aprovació humana.
El temps de resposta és un altre factor que impulsa la necessitat d' agents. Més de la meitat dels enquestats esperen menys de cinc minuts, i el 75 % en menys de deu. Els war rooms tradicionals, amb múltiples equips en una conferència, no poden absorbir aquesta cadència. La solució passa perquè l' agent realitzi el treball de triatge abans que l' enginyer es connecti, presentant un document resumit amb l' explicació, la causa probable i els següents passos. Així, el SRE només ha de prendre les decisions més complexes, reduint el temps mitjà de resolució.
Des d' una perspectiva empresarial, la inversió en agents d' IA per a operacions no s' hauria de veure com un reemplaçament de personal, sinó com una eina per escalar el coneixement davant pressupostos plans. En Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, entenem que la clau està en construir solucions que encaixin en els fluxos de treball existents. Per exemple, oferim serveis d'intel·ligència artificial per a empreses que ajuden a integrar agents d'IA sense alterar les metodologies de canvi. A més, la nostra experiència en aplicacions a mida ens permet dissenyar mòduls d'observabilitat adaptats a cada stack tecnològic.
No obstant, la confiança no es declara, es construeix. Els equips de SRE necessiten veure que l'agent aprèn amb el temps, que els seus suggeriments milloren i que els falsos positius disminueixen. Aquest procés d'aprenentatge és la característica més valuosa d'un agent: demostrar que està millorant. Per a això, és fonamental comptar amb una plataforma que permeti auditar cada decisió, des de la correlació de logs fins a la recomanació d'accions. En aquest context, els serveis cloud AWS i Azure són entorns idonis per desplegar aquests agents, ja que ofereixen escalabilitat i serveis de telemetria nadius. En Q2BSTUDIO ajudem les empreses a dissenyar arquitectures al núvol que facilitin la integració d'agents, combinant serveis cloud AWS i Azure amb eines de machine learning.
Un altre punt rellevant és el paper de la intel·ligència de negoci en la gestió d'operacions. Els dashboards de Power BI, per exemple, poden consumir dades de rendiment i qualitat de servei, però quan es tracta de la causa arrel d'una incidència, es necessita una anàlisi més profunda. Per això, combinar serveis intel·ligència de negoci amb agents d'IA permet crear un ecosistema on les dades operatives es converteixen en coneixement accionable. Les empreses que ja utilitzen power bi per monitoritzar KPIs poden beneficiar-se d'agents que enriqueixin aquests informes amb diagnòstics automatitzats.
L'enquesta també va revelar que el 52 % dels enquestats estaria disposat a canviar d'eina de telemetria si les capacitats d'IA funcionessin amb qualsevol backend. Això suggereix que el futur de l'observabilitat serà més obert i barat, amb magatzems de dades com Grafana, Elasticsearch o OpenSearch, mentre que el valor diferencial estarà en el motor de context que investigui aquestes dades. Les empreses que renovin contractes d' observabilitat haurien d' avaluar no només el panell humà, sinó també la capacitat d' integració amb agents d' IA.
En resum, el camí cap a l'adopció d'agents d'IA en operacions requereix que els proveïdors demostrin la seva fiabilitat, que les empreses adoptin un enfocament gradual (co-pilot primer) i que els equips de SRE s'involucrin en la configuració del context. Des de Q2BSTUDIO, creiem que la clau està en el desenvolupament de programari a mesura que integri aquestes capacitats sense generar fricció. Ja sigui mitjançant aplicacions a mesura que connectin sistemes legacy amb motors d' IA, o mitjançant la implementació d' agents especialitzats per a tasques concretes, la meta és la mateixa: reduir el temps de resolució d' incidències sense sacrificar la seguretat ni la qualitat del servei. Aquells que no adoptin aquestes eines s'arrisquen a quedar-se enrere, lluitant contra una càrrega operativa creixent amb pressupostos congelats. La intel·ligència artificial per a empreses ja no és una opció, sinó una necessitat per mantenir la competitivitat.