Ingeniería de Plataformas: La Columna Vertebral para la Adopción de IA Empresarial

El panorama de la adopción tecnológica está cambiando, particularmente en lo que respecta a la inteligencia artificial. La era de los mandatos jerárquicos para las herramientas de desarrollo está desvaneciéndose, ya que aproximadamente la mitad de todas las empresas ahora fomentan la adopción de la IA a través de un enfoque ascendente, empoderando a los equipos para experimentar con nuevas herramientas de desarrollo de IA. Para las organizaciones lentas en adoptar este cambio, el aumento de la “IA en la sombra” —herramientas no autorizadas utilizadas por los empleados— pronto hará necesaria la adopción formal.

Sin embargo, esta nueva libertad también introduce riesgos significativos y potencial de ineficiencia. A pesar de más de tres años de rápida integración de la IA, solo el 60% de las organizaciones han establecido una política de uso aceptable para la IA. Además, si bien dos tercios de las organizaciones han implementado herramientas de IA en entornos de producción, una proporción similar —el 60%— aún carece de métricas claras para medir eficazmente el impacto de la IA. Más aún, el intenso enfoque en el 20% del día de un desarrollador dedicado a la codificación ha revelado una paradoja sorprendente: el código generado por IA, aunque percibido como un impulsor de la productividad, en realidad puede ralentizar el rendimiento del desarrollador y comprometer la fiabilidad.

Este entorno complejo resalta la creciente relevancia de la ingeniería de plataformas, que surgió en los últimos años en gran medida en respuesta a la creciente complejidad de las pilas tecnológicas modernas. Hoy en día, ofrece una solución convincente a muchos obstáculos de la adopción de la IA. Al igual que la propia IA, la ingeniería de plataformas es más efectiva cuando aborda el “trabajo pesado” y otras distracciones que impiden a los desarrolladores de software entregar valor a los usuarios finales.

Por lo tanto, no fue sorprendente que la cuarta edición de PlatformCon en junio destacara en gran medida las discusiones sobre ingeniería de plataformas en el contexto de la IA. Una plataforma interna de desarrolladores (IDP), resulta, puede establecer las barreras de seguridad ideales para fomentar la innovación en IA sin consecuencias desastrosas. Luca Galante, una voz prominente en el campo, enfatizó este punto, afirmando que si bien la IA acapara los titulares, “las plataformas para IA serán la columna vertebral de todo esto”, permitiendo la creación de vías de producción de grado empresarial para todo, desde la ciencia de datos y el aprendizaje automático hasta la ingeniería tradicional.

La era de la IA necesita una evolución de la IDP para abarcar los procesos de IA. Esta expansión facilitará el despliegue escalable de casos de uso de IA probados en el desarrollo de software, al tiempo que romperá los silos de datos. Al cerrar estas brechas, la ingeniería de plataformas está posicionada para garantizar la consistencia, calidad y seguridad en la entrega tanto de agentes de IA autónomos como de aplicaciones de IA generativa.

Hasta hace poco, la IA se limitaba en gran medida a los departamentos de ciencia de datos. Ahora, necesita seguir la trayectoria de la adopción de la nube a nivel organizacional. Patrick Debois, coautor del “DevOps Handbook”, argumentó en PlatformCon que la IA requiere un equipo de plataforma dedicado. En esta nueva era, el ingeniero de IA emerge como un agente de cambio clave, acortando el camino acelerado de la ciencia de datos hacia la producción al colaborar con el equipo de plataforma en la cooperación interequipos, la habilitación para los equipos de ciencia de datos y aplicaciones, y una gobernanza robusta.

Debois visualiza un giro habilitado por IA en la plataforma interna tradicional de desarrolladores, reorganizada para incluir más partes interesadas de IA y expandir su alcance para gestionar: grandes modelos de lenguaje (LLM), ya sean de código abierto, propietarios o híbridos; datos no estructurados y estructurados, que requieren indexación a través de bases de datos vectoriales; RagOps (Generación Aumentada por Recuperación como Servicio), un concepto emergente que integra fuentes de datos de terceros; Agentes de IA como Servicio, que abarcan memoria, estado, control de acceso y exposición a servidores de Protocolo de Contexto de Modelo (MCP); entornos de ejecución aislados para agentes de IA; control de acceso y versiones completo en todas las entradas y salidas del modelo; y una capa de almacenamiento en caché central para gestionar los costos. Todos estos componentes serían accesibles a través del “panel único de control” de la plataforma, ofreciendo transparencia y una vista unificada. Este conjunto de herramientas completo, pero en expansión, subraya aún más la necesidad de una IDP para gestionarlo eficazmente. Debois sugiere que los nuevos equipos de plataforma de IA deberían comenzar creando entornos de prototipado y sandboxing para la experimentación segura con nuevas herramientas de IA. Una vez que los desarrolladores se familiaricen, un marco estandarizado alineado con los lenguajes existentes y un ecosistema robusto para el almacenamiento en caché, las pruebas y la depuración pueden conducir a “rutas doradas” más definidas para el desarrollo de la IA.

Debois también describió cuatro patrones de “desarrollador nativo de IA” en evolución: el cambio de productor a gestor, donde los desarrolladores gestionan agentes de código con el apoyo de las operaciones; de la implementación a la intención, donde los desarrolladores expresan el ‘qué’ y la IA maneja el ‘cómo’; de la entrega al descubrimiento, reduciendo el costo de la experimentación a través de los pipelines de CI/CD existentes; y del contenido al conocimiento, ya que la IA proporciona una razón convincente para que los equipos compartan conocimientos, lo que potencialmente convierte al conocimiento mismo en una propuesta de valor única para las empresas.

Como todo desarrollo de productos, los equipos de plataforma deben considerar su base de usuarios, que para la IA se extiende más allá de los desarrolladores tradicionales. Ina Stoyanova, de Infraestructura y Plataforma en Equilibrium Energy, enfatizó la necesidad de una expansión orgánica de las herramientas de IA nativas. En esta etapa temprana de la IA, particularmente para las startups, el cambio rápido hace que las características de plataforma rígidas y permanentes sean un posible desperdicio. Al involucrar a las partes interesadas, el equipo de plataforma de Equilibrium identificó necesidades críticas tanto para los equipos de ingeniería de software como para los de ciencia de datos, incluyendo la gestión de clústeres, recursos computacionales, recursos de datos, herramientas de datos, almacenamiento, análisis de consultas y observabilidad. Sin embargo, los equipos de ciencia de datos y análisis cuantitativo también tenían consideraciones únicas que inicialmente no estaban en el radar del equipo de ingeniería de plataformas. Stoyanova redefinió la ingeniería de plataformas para su equipo como un “conjunto curado de herramientas, flujos de trabajo, API y documentación reutilizables que permiten a los usuarios internos auto-servirse infraestructura, entornos y pipelines de despliegue con una mínima carga cognitiva”. Este enfoque centrado en el usuario, preguntando a los usuarios “¿Qué herramientas quieren usar?”, les permitió construir las soluciones correctas sin sobreinvertir o obstaculizar la capacidad de adaptación de la startup. Equilibrium Energy también priorizó el seguimiento de costos y las métricas desde el principio, un caso de uso que resonó tanto en los equipos de negocio como en los técnicos.

El aprovechamiento efectivo de la IA depende de la capitalización de datos estructurados y no estructurados. La plataforma interna de desarrolladores sirve como el andamiaje sobre el cual los científicos de datos y los ingenieros de aprendizaje automático pueden construir una estrategia de datos para impulsar los casos de uso de la IA. En PlatformCon, la comunidad de Ingeniería de Plataformas anunció una nueva arquitectura de referencia para la IA, cuya publicación está prevista para finales de este año. Esta arquitectura proporciona un modelo mental estructurado que abarca la observabilidad, las interfaces de plataforma y el control de versiones, la integración y la entrega, la gestión de datos y modelos, y los planos de seguridad. Como señaló Luca Galante, esto va más allá de los cambios técnicos, evolucionando la forma en que la industria percibe al propio equipo de ingeniería de plataformas.

Tradicionalmente, los equipos de ingeniería de plataformas han comprendido roles diversos, desde jefes de ingeniería de plataformas hasta infraestructura, experiencia del desarrollador y gerentes de producto, sirviendo a partes interesadas que incluyen desarrolladores, ejecutivos, cumplimiento, legal, infraestructura, operaciones y equipos de seguridad. A la luz de la IA, la estructura del equipo y el desarrollo de roles se han expandido para incluir ingenieros de plataforma de fiabilidad, seguridad, datos e IA, y observabilidad. Este equipo más amplio ahora interactúa con una gama aún más amplia de partes interesadas, como equipos de ingeniería de fiabilidad del sitio, arquitectos, científicos de datos e ingenieros de operaciones de aprendizaje automático, lo que refleja una mayor granularidad de necesidades específicas en el mercado. No hay duda de que los equipos de plataforma se enfrentan a un alcance ampliado en la era de la IA.

Un papel clave para los equipos de plataforma modernos es identificar y escalar casos de uso de entrega de aplicaciones de IA generativa transversales, junto con la selección de patrones de diseño apropiados (por ejemplo, modelos de IA generativa abiertos versus cerrados). Sin embargo, Majunath Bhat, vicepresidente analista y miembro de Gartner, destacó en PlatformCon que el desafío de IA más omnipresente para los equipos de plataforma es la seguridad y la gobernanza, a menudo entrelazadas con las implicaciones de costos. Dado que los equipos de producto pueden carecer de experiencia en estos dominios, los arquitectos a menudo proporcionan experiencia en la materia. Para escalar aplicaciones más allá de meros prototipos, Bhat recomienda establecer un centro de excelencia de IA generativa, o un “equipo habilitador” según Team Topologies. Este equipo trabajaría en estrecha colaboración con los equipos de producto y los expertos en ingeniería de plataformas, proporcionando conocimientos especializados que luego pueden escalarse. Bhat advierte contra la construcción inmediata de una plataforma compartida, haciéndose eco del sentimiento de Stoyanova: “A menos que entendamos cuáles son las diferentes necesidades de la aplicación, no es apropiado que el equipo de la plataforma asuma que comprende cuáles son esas necesidades”. Este enfoque, que podría incluir “equipos de subsistemas complicados” de expertos en IA, puede reducir aún más la carga cognitiva tanto en los equipos de aplicación como en los de plataforma.

Un nuevo paradigma está surgiendo en la seguridad de las aplicaciones. Si bien el código generado por IA significa un mayor volumen de código para escanear y proteger, los agentes de IA autónomos también pueden ayudar en la remediación proactiva y autónoma. La plataforma interna de desarrolladores no solo es un conducto para implementar nuevas herramientas de IA, sino también una capa crucial para establecer barreras de seguridad, gestionar el control de acceso basado en roles y automatizar las comprobaciones de seguridad. Sónia Antão, Gerente Senior de Producto en Checkmarx, enfatizó en PlatformCon que la seguridad de las aplicaciones tradicional no puede seguir el ritmo de más código, más colaboradores y plazos más cortos. Ella aboga por integrar agentes de IA autónomos con la Gestión de la Postura de Seguridad de Aplicaciones (ASPM) directamente dentro del Entorno de Desarrollo Integrado (IDE) para la seguridad del código en tiempo real. Este “desplazamiento inteligente a la izquierda” permite a AppSec obtener una visión clara y alineada con el riesgo del panorama de las aplicaciones, no solo detectando vulnerabilidades tempranamente, sino resolviéndolas más rápido y con confianza a la velocidad que el negocio demanda. Este enfoque ha llevado a una reducción del 25-35% en las vulnerabilidades y una mejora del 69% en la velocidad de respuesta.

La IA generativa puede transformar la ingeniería de plataformas en sistemas adaptativos e inteligentes que mejoran la productividad del desarrollador, la fiabilidad y la alineación con el negocio, como discutió Ajay Chankramath, autor de “Effective Platform Engineering”, en PlatformCon 2025. Señaló que la IA generativa ha evolucionado de la asistencia pasiva a agentes autónomos y conscientes de la intención, lo que permite pipelines de autorreparación, retroalimentación en tiempo real y sugerencias de código personalizadas. Las influencias clave que impulsan estos cambios incluyen la Generación Aumentada por Recuperación (RAG), que basa las respuestas de los agentes de IA en documentación contextual y en tiempo real; el Protocolo de Contexto de Modelo (MCP), que estandariza cómo los agentes LLM se comunican con las API externas para fomentar la adopción; y la integración de la IA generativa dentro de los pipelines de CI/CD, lo que permite procesos inteligentes, autocorrectores y autoajustables.

Chankramath describió una evolución desde que los desarrolladores “lo encontraban ellos mismos” a IDP estandarizados, y ahora a la incrustación de agentes de IA directamente en los flujos de trabajo de los desarrolladores. Las operaciones han pasado de enfoques basados en tickets a autoservicio parcial, y ahora a agentes autónomos basados en la intención. El objetivo, enfatizó, no es el reemplazo, sino la elevación: permitir que los desarrolladores e ingenieros de plataformas se centren en actividades de mayor valor. Para apoyar esta evolución de la ingeniería de plataformas impulsada por IA, ofreció cinco recomendaciones: alinear la estrategia de IA con los flujos de valor del desarrollador, tratando la IA como componentes integrados y nativos del flujo; mantener siempre el juicio humano en el bucle, asegurando que los agentes propongan, no aprueben, acciones; hacer que los agentes de IA sean colaborativos, permitiendo a los desarrolladores anularlos, reentrenarlos y recontextualizarlos; integrar la observabilidad y las barreras de seguridad por defecto, incluyendo registros de seguimiento de tokens, detección de desviación de prompts y puntuación de relevancia; y expandir la medición del impacto de la IA más allá de la precisión y la latencia para incluir el Net Promoter Score (NPS) del cliente interno, compartiendo todos los aprendizajes y métricas para probar los beneficios y aumentar la adopción.

Matthew Vollmer, Jefe de Blink deep-code research agent en Coder, se hizo eco del sentimiento de “Caminos Dorados con Barreras de Seguridad”, enfatizando que el objetivo no es solo usar agentes, sino usarlos sabiamente para la productividad y la seguridad. Esto requiere proporcionar a los agentes contexto (documentación, políticas, bases de código), delegación responsable (dando herramientas a los desarrolladores senior primero), y establecer límites claros a través de entornos aislados y efímeros con estrictos controles de acceso y límites de uso. Adoptar el desarrollo dirigido por especificaciones asegura que los agentes de IA funcionen exactamente según lo indicado, evitando riesgos o costos excesivos. El punto óptimo, sugiere, radica en asignar a los agentes “tareas autocontenidas y bien definidas” como pequeñas o medianas correcciones de errores. Una plataforma interna de desarrolladores puede facilitar esto al incorporar agentes de IA como compañeros de equipo. Vollmer compartió una anécdota donde un ingeniero describió la experiencia como “trabajar en pareja con un desarrollador junior súper rápido que podía escribir código 100 veces más rápido que un desarrollador junior humano”. Al descargar estas “tareas rutinarias” a la IA, los equipos pueden proteger su tiempo de innovación, permitiendo a los desarrolladores centrarse en el trabajo de alto valor.

En última instancia, tanto la IA como la ingeniería de plataformas prosperan donde la fricción es alta. La ingeniería de plataformas tiene como objetivo reducir la carga cognitiva del desarrollador, un objetivo que la IA puede avanzar significativamente si se implementa correctamente. Esta sinergia beneficia no solo a los desarrolladores individuales sino a toda la organización de software. Según el informe “Atlassian State of Developer Experience in 2025”, los desarrolladores ya están utilizando el tiempo ahorrado por la IA para mejorar el código, desarrollar nuevas características y crear documentación. Cuando la adopción de la IA impulsada por la plataforma se ejecuta de manera efectiva, conduce a aún más tiempo dedicado a actividades impulsadas por el valor.