El middleware históricamente se ha gestionado como un proceso de fondo. Las empresas podían permitirse que esta capa conectara sistemas y datos con una supervisión mínima; sin embargo, esa autonomía ya no es compatible con la escala y la complejidad de los flujos de datos actuales.

Grandes corporaciones, minoristas e instituciones financieras manejan transacciones repartidas en una red heterogénea de middleware.

IBM MQ, Apache Kafka, Apache ActiveMQ, RabbitMQ y TIBCO son solo algunos de estos entornos, y cada uno añade una etapa que introduce puntos de fallo donde los datos pueden acumulase o estancarse por completo.

Esta realidad ya no está alineada con la dirección hacia la que se orientan las empresas. A medida que las organizaciones aceleran las inversiones en IA con capacidades agenticas, la efectividad de estos sistemas depende cada vez más de su capacidad para entender los entornos operativos en los que operan. Muchas grandes organizaciones avanzan de forma constante hacia volúmenes de petabytes y una IA agentica integrada en sus procesos.

Sin embargo, también omiten la necesidad de asegurar la base sobre la que se construyen estas inversiones. Estas mejoras tecnológicas dependen de una comprensión más profunda de los sistemas operativos y de una base de aplicaciones sólida. A medida que las operaciones impulsadas por IA y los altos volúmenes de transacciones se vuelven la norma, los equipos de middleware ya no pueden permitirse depender de una supervisión disociada y estructuras fragmentadas para sus sistemas de middleware.

Cerrando la brecha de contexto para operaciones con IA

En todas las industrias, la IA agentica necesita conocimiento del sistema para funcionar con eficacia. En un artículo reciente de McKinsey & Company, el 33% de las organizaciones citaron limitaciones de datos y el 29% limitaciones de la plataforma tecnológica entre las tres principales barreras para escalar la IA.

Estos retos son especialmente acentuados para negocios con paisajes de middleware complejos y fragmentados. En muchas empresas, estas limitaciones no provienen de la falta de inversión en IA, sino de entornos operativos fragmentados que impiden que los sistemas accedan al contexto empresarial completo.

Sin vistas interconectadas a lo largo de una organización, la IA agentica tiene dificultades para entender cómo brokers, colas, topics, rutas y dependencias se encajan en entornos en vivo. Esto significa que la IA podría generar ideas, pero no reflejaría plenamente la realidad operativa. En la práctica, podría ocurrir que un sistema de middleware presente una discrepancia “pequeña” que, en realidad, es un problema mayor subyacente.

Por ejemplo, una acumulación de colas en un broker puede parecer aislada, pero podría señalar un fallo más amplio en una aplicación descendente o limitaciones de arquitectura. En un entorno minorista, esto podría traducirse en retrasos en el procesamiento de pedidos, mientras que en servicios financieros podría afectar flujos de pago y experiencias de cliente. Interpretar mal estas señales es problemático porque los equipos de middleware operan con poco margen de error.

Gran parte de la información necesaria para construir contexto operacional ya existe en la telemetría de la empresa en crecimiento. El desafío radica en la escala de la información que los operadores tendrían que evaluar.

De la sobrecarga de datos a la inteligencia operativa

Las empresas están construyendo repositorios de telemetría cada vez más grandes, lo que ofrece un potencial significativo. No falta datos, y si las organizaciones los analizan correctamente, los líderes tecnológicos podrían usarlo para abandonar la monitorización reactiva y avanzar hacia la generación de conocimientos predictivos. Los problemas surgen al intentar gestionar estos datos en tiempo real y detectar señales con suficiente antelación para actuar.

El volumen de telemetría de middleware suele ser tan denso que los operadores no pueden evaluarlo manualmente, lo que deja su potencial obsoleto sin herramientas prácticas para analizarlo. Las empresas necesitan formas de vincular esta información al comportamiento real del sistema a escala. Los datos en bruto pueden mostrar qué pasó, pero las empresas requieren una comprensión más amplia de lo que esas señales significan para la visión operativa global.

Haciendo que la IA y la telemetría trabajen juntas

Las organizaciones deben correlacionar la actividad operativa entre telemetría tradicional y en tiempo real para evitar que el aumento de volúmenes de datos dificulte la detección de fallos. Esto implica establecer una base de telemetría que permita a las empresas ver el entorno de producción completo.

Con una base sólida, la inteligencia predictiva está preparada para ingerir, indexar y consultar datos sin interrumpir los flujos de trabajo de producción. Datos operativos históricos, incluidas rutas de comunicación y procesos, podrían ayudar a la IA a leer señales, identificar problemas temprano y responder de forma rápida y precisa. La IA podría interpretar eventos individuales en el contexto de aplicaciones, flujos de mensajes, rutas de transacción y resultados comerciales.

Con contexto operativo, la IA agentica puede identificar anomalías con mayor precisión y proporcionar recomendaciones fundamentadas en una comprensión más profunda del comportamiento del sistema a través de plataformas y entornos. Podría reunir datos a lo largo del tiempo y aportar oportunidades de optimización para profundidades de cola y flujos de mensajes, junto con otras funciones como automatizar pruebas de conexión repetitivas y análisis de registros.

Este marco produciría recomendaciones basadas en realidades comerciales y permitiría a los equipos de middleware liberarse de la rutina de registro para centrarse en diseñar arquitecturas escalables para los flujos de datos de la empresa.

Construyendo para un futuro impulsado por IA

Las empresas ya no pueden tratar la capa de middleware como un complemento. Las arquitecturas de integración fragmentadas proporcionan poca visibilidad a nivel de transacción y permiten que los errores se acumulen sin ser detectados.

El crecimiento de datos y el análisis impulsado por IA están exponiendo las limitaciones de estos estándares de middleware heredados. Las organizaciones necesitan supervisión total de los sistemas interconectados que transportan una transacción de un paso al siguiente, así como conexiones establecidas entre telemetría y actividad comercial.

Cuando las empresas construyen una base sólida de contexto operativo, la IA puede ayudar a las empresas a pasar de la conciencia reactiva a conocimientos que predicen lo que podría salir mal en el futuro. En este entorno, las organizaciones que lideren serán aquellas que aprovechen la IA y la telemetría para convertir datos en resultados comerciales significativos.

A medida que la adopción de IA empresarial madura, la ventaja competitiva dependerá cada vez más no solo de la sofisticación de los modelos de IA, sino también de la calidad del contexto operativo disponible para ellos.

Hemos revisado, calificado y clasificado los mejores servicios de respaldo en la nube.

Este artículo se ha producido como parte de TechRadar Pro Perspectives, nuestro canal para presentar las mentes más brillantes de la industria tecnológica en la actualidad.

Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, descubra más aquí: https://www.techradar.com/pro/perspectives-how-to-submit

from Latest from TechRadar https://ift.tt/aFSgNWI
via IFTTT IA