La observabilitat ha passat de ser un tema tècnic de nínxol a un pilar estratègic per a qualsevol organització que depengui del programari, és a dir, pràcticament totes. Ja no n'hi ha prou amb “vigilar servidors” o mirar dashboards solts: les empreses necessiten entendre què està passant dins dels seus sistemes en temps real, connectar aquestes dades amb el negoci i reaccionar amb rapidesa quan alguna cosa es torça. I, per rematar, fer-ho en un context cada cop més dominat per la IA agèntica, els estàndards oberts i les arquitectures distribuïdes.
En aquest escenari, la tendència va clarament cap a una observabilitat més oberta, més lligada a resultats empresarials i molt més autònoma. OpenTelemetry es consolida com a llenguatge comú de la telemetria, la IA deixa de ser un experiment per integrar-se al cor de les plataformes d'observabilitat i els equips d'ITOPs es transformen en orquestradors de sistemes intel·ligents que detecten, analitzen i fins i tot corregeixen problemes pel seu compte. Desgranarem com s'està produint aquest canvi i quines implicacions té en tecnologia, negoci, seguretat i govern de la dada.
Del monitoratge clàssic a l'era de l'observabilitat
L'evolució des del monitoratge tradicional cap a l'observabilitat moderna ve de lluny. Quan van sorgir eines pioneres d'APM, com les que va popularitzar Lew Cirne amb New Relic, la gran novetat era poder veure detalladament què feia el codi d'una aplicació monolítica en un centre de dades propi. Allò va ser una revolució: per primera vegada, els equips podien observar el rendiment de les aplicacions en producció amb una granularitat molt fina.
Amb l'arribada de la núvol, els microserveis, els contenidors, el serverless i les pràctiques DevOps i SRE, el panorama va canviar per complet. El pas del monòlit a sistemes distribuïts va fer que la visibilitat puntual deixés de ser suficient. Un servei ja no és una única aplicació, sinó un eixam de microserveis efímers, orquestrats en plataformes com Kubernetes, desplegats desenes de vegades al dia i corrent en infraestructures híbrides amb diversos proveïdors cloud.
En aquest entorn, el monitoratge clàssic, centrat en mètriques predefinides i alertes estàtiques, es queda curt. La observabilitat introdueix un enfocament diferent: recol·lectar i correlacionar mètriques, logs, traces i esdeveniments per deduir l'estat intern del sistema a partir de les sortides externes. No es tracta només de saber que alguna cosa ha fallat, sinó d'entendre per què ha passat i quin impacte té a l'usuari i al negoci.
autors com Yuri Shkuro resumeixen bé aquesta diferència: la monitorització mesura allò que s'ha decidit a priori que és important, mentre que l'observabilitat et permet formular preguntes noves sobre el sistema sense haver preparat per endavant tots els indicadors. En altres paraules, l'observabilitat converteix les dades de telemetria en context accionable per a desenvolupament, operacions i negoci.
Aquesta transició també ve impulsada per factors molt concrets: una pressió brutal per innovar ràpid, clients cada vegada més exigents que abandonen una app al mínim error, un ventall gairebé infinit de tecnologies i serveis gestionats, i una creixent automatització de tot el cicle de vida del programari. Tota aquesta automatització és també programari que pot fallar i necessita la seva pròpia observabilitat.
Complexitat, risc i massa eines: per què l'observabilitat és crítica
Les arquitectures modernes imposen quatre grans mals de cap que fan que la observabilitat sigui pràcticament obligatòria si es vol mantenir el control:
En primer lloc, la complexitat s'ha disparat. Un contenidor pot viure minuts o segons, un microservei pot canviar de versió diverses vegades al dia i els components es multipliquen. Allò que abans era una aplicació monolítica passa a ser una constel·lació de serveis interconnectats. Els equips d'operacions tenen centenars o milers d'entitats que canvien constantment, moltes de les quals no han desenvolupat ells mateixos.
A això se suma un augment clar del risc. Desplegar diverses vegades al dia implica introduir canvis –i possibles regressions– de forma contínua. Les pràctiques àgils i el lliurament continu afegeixen més eines, pipelins i automatitzacions que també cal observar. La capacitat de detectar ràpid un problema, identificar la causa arrel i revertir o posar remei en qüestió de minuts deixa de ser desitjable per convertir-se en requisit.
En paral·lel apareix una bretxa d'habilitats. L'stack tecnològic és tan ampli que és impossible que una sola persona domini bases de dades, xarxes, APIs, seguretat, contenidors, plataformes d'orquestració i eines de CI/CD. Fan falta mecanismes que ajudin a entendre com encaixa tot, què depèn de què i on mirar quan alguna cosa va malament. Sense aquesta visió connectada, el temps que es perd saltant entre eines pot ser enorme.
I, per rematar, sorgeixen els problemes de "tool sprawl" o excés d'eines. Cada capa del stack sol tenir la seva pròpia solució de monitorització: una per a la base de dades, una altra per a la infraestructura, una altra per al front, una altra per a logs, una altra per a traces… Correlacionar dades entre elles implica canvis de context continus, cerques manuals i més temps de resolució d'incidències. Just al contrari del que es necessita quan laplicació està caiguda i els usuaris es queixen.
La resposta a tot això passa per una plataforma d'observabilitat unificada que reculli tota la telemetria rellevant, la connecteu amb les entitats que la generen i permeti a qualsevol equip -desenvolupament, operacions, seguretat, negoci- explorar i explotar aquestes dades des d'un únic lloc. Això inclou no només les mètriques de rendiment, sinó també esdeveniments de negoci i senyals que permeten veure limpacte econòmic de cada incidència.
OpenTelemetry com a idioma comú de l'observabilitat
Una de les tendències més clares és la consolidació de OpenTelemetry (OTel) com a estàndard obert de telemetria. Es tracta d'un framework de codi obert que defineix APIs, SDKs i components per recopilar mètriques, logs i traces de forma homogènia, sense lligar-se a un fabricant concret d'eines d'observabilitat.
En els propers anys, sespera que les empreses exigeixin compatibilitat amb OpenTelemetry als proveïdors. El motiu és senzill: en utilitzar un “idioma universal” per descriure la telemetria, una organització pot canviar de plataforma d'observabilitat sense haver de reescriure o reinstrumentar tot el codi. Es redueix el risc de “vendor lock-in” i es guanya flexibilitat per evolucionar l'stack segons convingui.
Davant solucions totalment propietàries, on cada integració nova depèn del roadmap del fabricant, OTel permet que les integracions sobrevisquin als canvis tecnològics. A mesura que sorgeixen nous serveis cloud, frameworks o runtimes, només cal que emetin telemetria en el format estàndard per poder enviar-la a qualsevol backend compatible.
A més, l'ús d'OpenTelemetry és clau per a alimentar correctament la Intel·ligència Artificial. Els models d'IA, ja siguin de machine learning tradicional, detecció d'anomalies o IA generativa, treballen millor quan les dades són netes, estructurades i consistents. OTel proporciona precisament aquest marc uniforme per generar i etiquetar la telemetria que després processaran els algorismes.
Estudis recents apunten que les organitzacions que ja utilitzen OpenTelemetry, fins i tot de forma parcial, perceben un impacte positiu en indicadors com el creixement dingressos, la millora de marges operatius i la reputació de marca. No és màgia: com que té una base d'observabilitat coherent i portable, és més fàcil detectar problemes abans que afectin el client i optimitzar el rendiment de serveis clau.
Els tres pilars dʻuna pràctica moderna dʻobservabilitat
Més enllà d'adoptar un estàndard com OTel, una pràctica sòlida d'observabilitat es recolza en tres components bàsics que es reforcen entre si: la instrumentació oberta, les entitats (o dades) connectades i la programabilitat.
La instrumentació oberta implica recopilar telemetria tant d?agents propietaris com de fonts obertes. Aplicacions, serveis, hosts, contenidors, funcions serverless, apps mòbils, serveis cloud gestionats… tot ha de poder emetre mètriques, esdeveniments, logs i traces en formats que es puguin unificar. Aquí és on entren en joc els agents dels fabricants tradicionals, però també els exportadors i les llibreries d'OpenTelemetry i altres projectes open source.
El segon bloc és el de les entitats connectades i les metadades. No n'hi ha prou amb acumular mètriques i logs; cal entendre qui els genera i com es relacionen entre si. Això requereix identificar serveis, bases de dades, cues, funcions, pods, clústers, comptes cloud… i vincular-ne la telemetria i les dependències. Amb aquest context, la plataforma pot representar automàticament mapes darquitectura, fluxos de trucades i línies de temps dincidents sense que lequip hagi de configurar tot a mà.
Sobre aquesta base es pot aplicar intel·ligència i analítica avançada. En identificar patrons, anomalies i correlacions al conjunt de dades, les plataformes d'observabilitat poden ajudar a prioritzar alertes, reduir soroll, detectar incidents complexos i accelerar l'anàlisi de causa arrel. És el camí natural cap a una observabilitat cada cop més proactiva i, com veurem després, cap a l'autonomia agèntica.
Finalment està la programabilitat. Cada negoci té necessitats específiques: KPI propis, processos crítics diferents i models de cost particulars. Una plataforma d'observabilitat moderna ha de permetre construir aplicacions i vistes personalitzades sobre tota la telemetria: panells que barregin dades tècniques amb mètriques de negoci, anàlisi d'impacte econòmic de caigudes o degradacions, o aplicacions internes per investigar incidències complexes segons el flux de treball de l'empresa.
Aquesta capacitat de programar sobre les dades d'observabilitat obre la porta a casos d'ús com quantificar el cost real d'un error en un procés de pagament, relacionar-ho amb la causa tècnica (per exemple, una regressió en un microservei de checkout) i prioritzar així els esforços de correcció amb criteris purament dimpacte econòmic.
Observabilitat orientada al negoci: de la consola al resultat
Una de les grans transformacions que s'anticipen és el pas d'una observabilitat centrada en l'operació tècnica una altra clarament orientada al negoci. Les mateixes dades -logs, traces, mètriques, esdeveniments- es comencen a utilitzar no només per mantenir la infraestructura dempeus, sinó per respondre preguntes clau sobre ingressos, costos i experiència d'usuari.
A sectors industrials, per exemple, l'observabilitat dels sensors IoT permet anticipar errors en maquinària i optimitzar els plans de manteniment. Si es detecten patrons de vibració anòmals o temperatures fora de rang, es pot programar una intervenció abans que s'aturi la línia de producció, evitant parades no planificades i les seves conseqüències econòmiques.
En l'àmbit financer, analitzar en temps real els logs de transaccions ajuda a identificar operacions sospitoses que podrien estar relacionades amb frau. Quan el sistema veu seqüències d'esdeveniments atípiques, geolocalitzacions estranyes o muntanyes que trenquen patrons habituals, podeu activar mecanismes automàtics de bloqueig o revisió manual abans que es consumeixi un atac.
En màrqueting i vendes, correlacionar les traces d'aplicació amb mètriques de campanyes permet respondre preguntes molt directes: està afectant la latència de la web a la taxa de clic oa la conversió? Quina versió d'una funcionalitat millora més la navegació i el temps de permanència? Si el rendiment cau durant una campanya, l'observabilitat ajuda a identificar quantes vendes potencials s'han perdut i en quin punt exacte del funnel va passar el problema.
Tot això implica traduir la telemetria tècnica en coneixement accionable per als responsables de negoci. No es tracta de mostrar a un director comercial un gràfic de CPU, sinó d'ensenyar quantes operacions no es van completar per una degradació en el servei i quin import estimat estava en joc. I per aconseguir-ho, l'observabilitat ha d'enllaçar dades tècniques, esdeveniments d'usuari i mètriques de negoci dins del mateix model.
Les consultores especialitzades en observabilitat, com nettaro, ja estan ajudant empreses i institucions a fer aquest salt de visió purament operativa a visió estratègica, dissenyant models que connecten els KPIs de negoci amb senyals de telemetria en temps real.
D'AIOps a l'Observabilitat Agèntica
L'adopció de Intel·ligència Artificial a les plataformes d'observabilitat ja és una realitat. La majoria d'equips d'ITOPs han incorporat components d'AIOps -algorismes que analitzen grans volums de dades operatives per detectar anomalies, agrupar esdeveniments o predir problemes- dins dels fluxos de treball.
En molts casos, a més, s'està integrant IA generativa per interactuar amb la telemetria mitjançant llenguatge natural: fer preguntes conversacionals del tipus “per què van augmentar els errors 500 a Europa fa 20 minuts?” i obtenir una explicació basada en logs, mètriques i traces sense haver de construir consultes complexes.
No obstant això, ara com ara la majoria de decisions basades en IA segueixen revisades per persones. Els algorismes ajuden a filtrar soroll ia assenyalar-ne possibles causes, però els equips d'operacions mantenen el control, validen les recomanacions i executen manualment moltes accions de remediació. La confiança plena en decisions automàtiques encara és limitada.
Aquí entra en joc la Observabilitat Agèntica. Es tracta d'un enfocament en què agents d'IA assumeixen un rol molt més autònom: no només detecten patrons i expliquen què està passant, sinó que gestionen fluxos de treball complets, des de la identificació de la decisió fins a l'execució de la solució adequada.
En aquest model, un agent pot detectar, per exemple, un augment anòmal en la latència d'un servei crític, correlacionar-lo amb un desplegament concret, comprovar l'historial d'incidents similars i decidir per si mateix si llançar un rollback, escalar la capacitat o aplicar una configuració alternativa. Tot això registrat amb detall per a auditoria i potencial revisió humana posterior.
Actualment només una minoria d'empreses utilitza aquesta Observabilitat Agèntica de forma activa, amb remediació automàtica i predicció avançada de problemes. Però les previsions apunten que la seva adopció creixerà de manera notable, impulsada per la recerca de més productivitat als equips d'IT i la necessitat de reduir el temps que dediquen a tasques repetitives de manteniment.
Limitacions de la supervisió manual i la necessitat d'autonomia
La demanda d‟agents autònoms s‟entén millor si mirem casos extrems com la observabilitat de grans models de llenguatge (LLM). Monitoritzar manualment aquest tipus de sistemes és una missió gairebé impossible: els volums de dades són gegantins, les arquitectures combinen múltiples components distribuïts i la necessitat de seguiment en temps real és constant.
L'abundància de registres i mètriques fa que identificar problemes a mà sigui molt lent. Qualsevol retard en detectar un canvi de comportament, un augment d'errors o una degradació en la qualitat de les respostes pot tenir conseqüències serioses en entorns de producció, tant pel que fa a l'experiència d'usuari com a la reputació i el compliment normatiu.
A més, l'observació manual consumeix molts recursos humans, és propensa a errors i no escala bé a mesura que creix el nombre de models, instàncies o integracions amb aplicacions de negoci. El que pot funcionar en un pilot amb pocs usuaris es converteix en un coll dʻampolla quan el sistema es generalitza a tota lʻorganització.
Per tot això, en entorns complexos com els que involucren LLM o arquitectures altament distribuïdes, es fa evident la necessitat de solucions autònomes d'observabilitat. Parlem de sistemes capaços d'analitzar contínuament la telemetria, detectar desviacions, proposar o executar accions correctives i aprendre de cada intervenció per millorar-ne l'eficàcia amb el temps.
Agents de visió-acció i automatització sobre interfícies
L'avenç de la IA no es limita al pla de l'observabilitat clàssica. La investigació d'empreses com NVIDIA amb projectes com NitroGen està impulsant models que combinen capacitat de visió i acció: agents que observen una pantalla, infereixen l'estat de l'entorn i decideixen què cal fer a continuació, sense integracions específiques amb el sistema que estan controlant.
Tècnicament, això suposa entrenar un model amb grans corpus de vídeos de partides o interaccions perquè aprengui a relacionar allò que veu amb les accions que prendria un expert. Es treballen seqüències temporals, discretització de moviments, objectius de llarg termini i optimització sota múltiples restriccions com ara latència o estabilitat.
Tot i que l'exemple més visible és el gaming, aquest enfocament de visió-acció té un potencial enorme a l'empresa: permet crear agents que operen sobre interfícies gràfiques convencionals, navegant aplicacions complexes, executant fluxos repetitius, validant processos o fent proves end-to-end sense necessitat d'APIs específiques.
Això representa una mena d'evolució natural del RPA tradicional cap a una automatització més intel·ligent i contextual. Casos d'ús típics inclouen proves automàtiques de programari que simulen el comportament real d'usuaris, suport guiat que reprodueix clic a clic el que ha de fer un empleat, generació de dades sintètiques per a QA o bessons digitals que repliquen l'activitat humana en sistemes corporatius.
Perquè tot això sigui viable, cal un marc sòlid de ciberseguretat, govern i observabilitat. Els agents que interactuen amb interfícies i sistemes crítics han de respectar polítiques d'accés, evitar accions perilloses, registrar cada pas per a auditoria i operar dins de límits clarament definits. L'observabilitat aquí actua com a “caixa negra” i “caixa d'eines” alhora: registra el que fa l'agent i proporciona dades per calibrar i millorar-ne el comportament.
Seguretat, governança i Zero Trust a l'era dels agents d'IA
L'expansió de la IA agèntica i dels sistemes autònoms comporta riscos nous que cal gestionar amb cap. Un dels més comentats és l'anomenada “shadow IA”: agents, models o integracions que es posen en marxa fora dels canals oficials de l'organització, sense el control adequat de seguretat ni de compliment normatiu.
També sorgeix el perill dels agents dobles o maliciosos, ja sigui per disseny (atacs externs, manipulació de prompts, injecció d'instruccions) o per errors de configuració que permeten que un sistema ben intencionat acabi realitzant accions no desitjades. Per minimitzar aquests riscos, cobra importància aplicar principis de Zero Trust específicament a la Intel·ligència Artificial.
Zero Trust en aquest context significa que cap agent ni component d'IA no es dóna per “fiable” per defecte. Cada acció ha d'estar autoritzada explícitament, cal limitar els permisos al mínim necessari (principi de privilegi mínim) i tota interacció ha de quedar registrada per poder-la auditar posteriorment. L'observabilitat esdevé així una peça clau de la governança de la IA.
Comptar amb una bona observabilitat permet monitoritzar en temps real què fan els agents, detectar comportaments anòmals, validar que es respecten les polítiques d'accés i disposar d'evidències completes en cas d'incidents. Eines com llistes d'accions permeses, revisions humanes en bucles crítics, sanitització de dades sensibles i controls d'ubicació del còmput (on-prem, cloud públic, núvol sobirà) són elements indispensables del checklist d'una governança eficaç de la IA.
En aquest escenari, resulta vital trobar el equilibri entre innovació i control. Les organitzacions volen explotar al màxim el potencial de la IA agèntica per guanyar productivitat i competitivitat, però sense renunciar a la seguretat, el compliment normatiu ni la transparència a la presa de decisions automatitzada.
Dades, infraestructura i IA com a capa fundacional del negoci
Si mirem la foto completa, la IA està passant de ser una eina addicional a esdevenir una capa estructural sobre la qual es recolza la competitivitat econòmica. Tot gira al voltant d'aquesta transformació: les estratègies de dades, l'arquitectura cloud, el disseny de maquinari, els models de força laboral i, fins i tot, les polítiques nacionals sobre infraestructura digital.
D'una banda, els dades es consoliden com a principal diferenciador competitiu. A mesura que el còmput i els models es “comodititzen”, el que marca la diferència és disposar de dades pròpies, de qualitat i ben governades. L'observabilitat, en capturar telemetria rica i contextual, es converteix en una de les fonts més valuoses de dades per alimentar sistemes d'IA i millorar processos.
L'altra, la infraestructura d'IA es comença a veure com un actiu estratègic nacional. L'auge dels núvols sobirans respon a la necessitat de controlar on s'emmagatzemen i processen les dades sensibles, com s'entrenen els models i sota quins marcs regulatoris operen. Els països inverteixen en centres de dades optimitzats per a càrregues de treball de IA, eficients energèticament i alineats amb els requisits de compliment.
Tot això coincideix amb una modernització accelerada dels centres de dades, pressionats per les demandes energètiques i de refrigeració de les càrregues d'IA i dels sistemes agèntics. L'eficiència energètica deixa de ser simplement una qüestió operativa per esdevenir un factor limitant de la innovació i un requisit de compliment mediambiental.
En paral·lel, les empreses es veuen obligades a recapacitar per força laboral. No es tracta de convertir tothom en programador, sinó de formar perfils capaços d'orquestrar i aprofitar aquests sistemes autònoms: experts en negoci potenciats per IA, enginyers que saben traduir necessitats operatives en polítiques d'observabilitat i seguretat i rols híbrids que entenen tant l'impacte tècnic com l'econòmic de les decisions.
En conjunt, aquesta evolució porta a un escenari on la observabilitat més oberta i autònoma es converteix en la cola que relaciona tecnologia, negoci i regulació: estàndards com OpenTelemetry garanteixen portabilitat i qualitat de les dades, la IA i l'Observabilitat Agèntica redueixen la complexitat operativa i acceleren la resposta davant d'incidents, i les pràctiques de governança i Zero Trust asseguren que tot això passi sota control, amb seguretat i amb capacitat.
Les organitzacions que aconsegueixin articular aquesta combinació -telemetria estandarditzada, plataformes unificades, focus en resultats de negoci i agents d'IA governats amb bona observabilitat- seran les més ben posicionades per competir en un entorn on els sistemes digitals són cada cop més crítics, complexos i autònoms, però també més capaços de generar valor tangible quan es gestionen amb la visibilitat.
