Un agente SRE AIOps, ¿es lo mismo que una plataforma AIOps clásica? Los proveedores usan las dos expresiones en sus comunicados, a veces para el mismo producto. Este artículo propone una guía de lectura: qué afirma la documentación oficial, qué es argumento comercial y qué preguntas conviene hacer antes de confiar una guardia a un agente. Páginas leídas el 31 de octubre de 2026.
Precisión de método: span.observer es un blog independiente y no ha probado nada en un entorno real. Los únicos hechos recogidos son los que enuncia una página de documentación del proveedor. El resto se señala como no indicado.
Agente SRE AIOps: dos promesas que no hay que confundir
El AIOps, en el sentido habitual, agrupa funciones de detección de anomalías, correlación de eventos y búsqueda de causa raíz. Reducen el número de alertas y orientan la investigación. Después, una persona decide.
Un «agente SRE» promete otra cosa: dirigir él mismo la investigación. Formula hipótesis, consulta la telemetría, concluye y, a veces, actúa. El cambio de vocabulario beneficia al proveedor, porque «autónomo» se vende mejor que «correlación». Para un SRE la diferencia es concreta: ¿quién asume la decisión y con qué pruebas?

Lo que enuncia la documentación de Datadog
La página de Bits Investigation (el producto que la comunicación llama Bits AI SRE) lo describe como un «autonomous AI agent that investigates production issues end to end». Según la misma página, forma hipótesis de manera iterativa y recopila la telemetría útil. La página no indica estado de disponibilidad ni acciones de remediación, y remite a una página de facturación en «AI Credits» sin dar ninguna tarifa.
La página sobre el lanzamiento de las investigaciones aporta hechos más precisos:
- el disparo automático (Auto-Investigate) se produce cuando un monitor pasa al estado alert; los estados warn y no data no lo disparan, y la configuración por API o Terraform no es compatible;
- el resultado es una conclusión respaldada o una investigación marcada como «inconclusive» cuando faltan datos;
- la ventana por defecto es de cuatro horas;
- los monitors sin etiquetas de servicio dificultan la correlación;
- las investigaciones de Error Tracking y las integraciones de terceros están en vista previa.

La página sobre las fuentes de conocimiento añade que unos runbooks precisos y un archivo bits.md que describa el entorno mejoran la exactitud de las investigaciones, y que los comentarios sobre conclusiones pasadas pasan a ser «memories» reutilizadas. Son hechos documentados. Dicen además algo útil: la calidad del agente depende de la calidad de tus runbooks y de tus etiquetas.
Lo que enuncia la documentación de Dynatrace
En Dynatrace, la página de la aplicación Problems describe una «causal AI root-cause detection»: identifica los problemas desencadenados por uno o varios eventos y registra el resultado como registro de problema en Grail, marcando la entidad considerada causa raíz. La página sobre el análisis de causa raíz precisa que evalúa la información capturada e ingerida, agrupa las anomalías relacionadas en un solo problema y ordena los contribuyentes probables. Estas páginas describen AIOps en sentido estricto: correlación y designación de una causa, sin investigación dirigida por un agente.
La página sobre la IA agéntica y generativa fija un marco comercial: a partir de la versión 1.347, los clientes fuera del modelo DPS o sin la capacidad requerida ya no pueden usar las acciones agénticas en los workflows ni las llamadas de API correspondientes, y el uso fuera de la interfaz se factura según el contrato. Esta página no trata la auditoría ni la disponibilidad en Managed. Para el detalle de lo anunciado frente a lo entregado, consulta el artículo sobre los agentes SRE autónomos de Dynatrace.
Hecho, hipótesis o argumento comercial: una clasificación en cuatro columnas
La siguiente clasificación ayuda a leer cualquier comunicado, de un proveedor o de otro.
- Hecho documentado: una página de documentación lo dice, con un estado y una fecha. Ejemplo: el registro de un problema en Grail, o la ventana de cuatro horas de una investigación.
- Hecho contractual: licencia, cuotas, facturación. Ejemplo: la condición de licencia 1.347. Pesa tanto como la función.
- Promesa sin página: un nombre de producto en un comunicado, sin documentación citada. Queda por verificar.
- Argumento comercial: «autónomo», «de extremo a extremo», «reduce el MTTR». Ninguna de estas fórmulas equivale a una medición mientras no se publiquen el método y el conjunto de datos. Las cifras de un proveedor deben atribuirse siempre a su autor.
La palabra «autónomo» merece una atención particular. En las páginas leídas, ninguno de los dos proveedores describe aprobación humana ni marcha atrás para la investigación. Eso no prueba que no existan en otro lugar, pero tampoco permite suponerlas.
Qué cambia para un equipo SRE o de plataforma
Un agente de investigación lee tu telemetría. Hereda, por tanto, sus defectos: etiquetas ausentes, servicios sin instrumentar, runbooks obsoletos. Aquí es donde cuenta la instrumentación estándar. Trazas y métricas coherentes, atributos de recurso homogéneos, un Collector bien configurado: estas bases sirven a cualquier agente, sea cual sea el proveedor. Los artículos sobre el Collector de OpenTelemetry en Kubernetes y sobre OpenTelemetry y Prometheus tratan estos cimientos.
En cuanto al ruido de alertas, el AIOps clásico sigue siendo la primera palanca: reducir el ruido de las alertas con Davis describe un enfoque verificable. En cuanto al riesgo, las preguntas sobre los agentes en producción son las mismas que para cualquier agente: permisos mínimos, aprobación, trazabilidad, coste. Consulta las barreras de protección de los agentes de IA en producción. Para la comparación general de las dos plataformas, consulta Dynatrace frente a Datadog.
Cómo evaluar un agente sin fiarse del discurso
- Elige diez incidentes pasados cuya causa se conozca, procedentes de tus post-mortems.
- Reprodúcelos en solo lectura, sin autorización para actuar.
- Anota en cada uno: causa encontrada, causa errónea o «inconclusive». Un agente que admite su incertidumbre vale más que uno que siempre concluye.
- Compara con el tiempo que habría tardado una persona, anotando también el tiempo de revisión de la conclusión.
- Consulta el coste de cada investigación en la página de facturación oficial, fechada.
Este método produce mediciones tuyas, no cifras de proveedor.
Buenas prácticas
- Exige una página de documentación citada, con estado y fecha, antes de incluir un agente en una hoja de ruta.
- Mantén el agente en solo lectura mientras no se haya verificado la traza de sus acciones.
- Corrige primero las etiquetas y los runbooks: la documentación de Datadog vincula la exactitud de las conclusiones con su calidad.
- Atribuye toda cifra de proveedor («según el proveedor») y nunca la presentes como una medición interna.
- Vuelve a leer las condiciones de licencia: cambian igual que las funciones.
Preguntas frecuentes
¿Un agente SRE sustituye a una plataforma AIOps?
Las páginas leídas los presentan como dos capas: la correlación y la causa raíz por un lado, una investigación dirigida por un agente por otro. Ninguna página leída dice que uno sustituya al otro.
¿Puede un agente SRE corregir un incidente por sí solo?
Las páginas de Datadog leídas describen la investigación y la búsqueda de causa, sin mencionar remediación. En el caso de Dynatrace, consulta la documentación de los workflows y de la IA agéntica de tu versión. En caso de duda, conserva la aprobación humana.
¿Cómo saber si el anuncio de un agente es real?
Busca una página de documentación que lo nombre, con un estado (disponibilidad general o vista previa) y una fecha. Sin ella, el agente sigue siendo una promesa.
Conclusión
La documentación oficial describe funciones precisas y más modestas que la palabra «autónomo». El buen reflejo consiste en separar hecho documentado, condición de licencia, promesa sin página y argumento comercial, y después medir con tus propios incidentes. Fuentes: Datadog, lanzar una investigación, Dynatrace, aplicación Problems y Dynatrace, IA agéntica y generativa, leídas el 31 de octubre de 2026.
span.observer es un blog independiente de la comunidad, no afiliado a Dynatrace LLC ni a Datadog Inc. Dynatrace es una marca de Dynatrace LLC. Las marcas citadas pertenecen a sus propietarios. Los productos evolucionan rápido: comprueba la disponibilidad, la licencia y los parámetros en la documentación oficial.