Contexto técnico
Sigo de cerca estos experimentos porque ya no son un juguete, sino un área muy real para la implementación de IA en desarrollo y operaciones. Y esta es mi conclusión tras decenas de casos similares: poner a Claude Code o Codex en un contenedor separado y llamarlo “SRE proactivo” suena audaz, pero en la práctica el agente empieza rápidamente a hacer lo que no debe.
En la discusión, la gente describió un patrón conocido. Un agente revisa el código, otro lo “arregla” y el resultado es un montón de casos de uso adicionales, tareas de seguimiento y cambios fuera de alcance. Yo también lo he visto: el modelo no solo se equivoca, sino que amplía la tarea con confianza, como si se aburriera siguiendo la especificación.
Técnicamente, aquí confluyen tres fallos. El primero, el sesgo de acción: el agente tiende psicológicamente a cambiar algo en lugar de decir honestamente “no hay que hacer nada”. El segundo, la deriva de contexto: en una cadena larga de pasos, pierde los límites de la tarea y empieza a optimizar localmente, rompiendo el sistema globalmente. El tercero, las alucinaciones habituales: APIs inexistentes, dependencias extrañas, arreglos por el simple hecho de arreglar.
Por eso no me gusta la idea de “que monitoree, arregle y escriba al equipo” sin un arnés externo. Si se va a ejecutar algo así, solo en un sandbox, con un rol dedicado, permisos mínimos, deshacer con git snapshot, tests obligatorios y una segunda capa de revisión. De lo contrario, no es SRE, sino un generador de ruido costoso.
Impacto en el negocio y la automatización
Para los microservicios y el micro-SaaS, la lección es muy práctica. No ganan los que dieron total libertad al agente, sino los que le asignaron un perímetro limitado: registro de incidentes, creación de tareas, borradores de PR, diagnóstico inicial.
Pierden los equipos que confunden la integración de IA con la sustitución completa de la disciplina de ingeniería. Luego hay que limpiar manualmente el código sobrante, y el costo de la “autonomía” se convierte de repente en horas de revisión, regresiones y riesgo para la producción.
En Nahornyi AI Lab, eso es precisamente lo que construimos para los clientes: no magia, sino automatización con IA que funciona, con verificación, roles y frenos de emergencia claros. Si tu agente ya ha empezado a generar ruido en lugar de valor, analicemos el proceso con objetividad y diseñemos una arquitectura de soluciones de IA que realmente ahorre tiempo en lugar de crear nuevos incidentes.