El platform engineering en 2026 ya no tiene que demostrar su utilidad: la gran mayoría de las organizaciones que lo practican dispone de una plataforma interna de desarrollo, y muchas la han desplegado de forma amplia. El desafío ha cambiado de naturaleza. Ya no se trata de construir la plataforma, sino de hacerla aguantar bajo la presión de nuevas herramientas, de servicios cloud cada vez más numerosos y, sobre todo, de la llegada de la IA a los pipelines y a las aplicaciones. Estos son los desafíos concretos del platform engineering 2026 y cómo ayuda la observabilidad a afrontarlos.
El estudio State of SRE and Platform Engineering 2026 de Dynatrace pone cifras a estas fricciones: integración difícil, ganancias de automatización por debajo de lo esperado, valor difícil de demostrar y carga creciente ligada a la gobernanza de la IA. Nada sorprendente para quien gestiona una plataforma a diario, pero la convergencia de las respuestas es instructiva.
Este artículo repasa cinco desafíos concretos y propone, para cada uno, una respuesta operativa en la que la observabilidad actúa como base común.
Desafío 1: integrar sin multiplicar los conectores
Para el 37 % de los encuestados, hacer cooperar las herramientas existentes con la plataforma es la primera dificultad, y cerca de un tercio tiene problemas para mantener estándares coherentes entre equipos. La IA añade una capa: cada asistente de código, cada agente o herramienta de seguimiento de modelos pide sus propios accesos, sus tokens y sus reglas.
La respuesta pasa por estándares de interoperabilidad. OpenTelemetry para la telemetría y, ahora, el Model Context Protocol para dar a los asistentes un acceso estructurado a las herramientas y a los datos. En lugar de escribir un conector por cada pareja de herramientas, la plataforma expone servidores MCP gobernados. Nuestra guía del Model Context Protocol detalla el principio, y el ejemplo de Dynatrace en Microsoft Teams mediante MCP muestra cómo queda en concreto.
Desafío 2: una automatización que no cumple todas sus promesas
Los equipos esperaban de la IA menos trabajo repetitivo, entregas más regulares, costes reducidos y una resolución de incidentes más rápida. El estudio muestra una brecha sistemática entre expectativas y resultados observados, salvo en un punto: la productividad de los desarrolladores, donde las ganancias constatadas se acercan a lo esperado.
La explicación más probable está en el contexto. Una automatización que no conoce la topología, ni el responsable de un servicio, ni su nivel de criticidad toma decisiones frágiles. Antes de ampliar la autonomía de los workflows dirigidos por IA, hay que alimentarlos con telemetría correlacionada y mantener a un humano en el bucle. El tema se desarrolla desde el punto de vista SRE en la IA y la fiabilidad en el día a día.
Desafío 3: demostrar el valor de la plataforma
Alrededor de tres de cada diez organizaciones dicen tener dificultades para justificar su plataforma. Una plataforma tratada como un producto necesita indicadores de producto: adopción, plazo de puesta en servicio de un proyecto nuevo, proporción de despliegues que pasan por el camino marcado, incidentes evitados. Estos indicadores se miden con la telemetría que la plataforma ya produce, siempre que se recoja de forma homogénea.
Desafío 4: una conformidad todavía demasiado manual
Cerca de la mitad de los equipos realiza al menos una parte de los controles de cumplimiento a mano, y la complejidad de la seguridad y del cumplimiento sigue siendo una fuente de fricción. La vía más eficaz es conocida: describirlo todo como código (infraestructura, configuración, observabilidad, políticas), versionar y hacer que el pipeline lo valide automáticamente. De paso se obtiene una traza de auditoría aprovechable.
Desafío 5: la gobernanza de la IA, una carga imprevista
Más de la mitad de los ingenieros de plataforma dedica ya tiempo a vigilar las herramientas de IA: seguridad de los datos, rendimiento, exactitud. Es un trabajo que nadie había planificado. Los sistemas de IA derivan, se comportan de forma probabilista y plantean cuestiones de coste y de responsabilidad que no se planteaban en un servicio clásico. Los requisitos correspondientes se detallan en lo que las cargas de trabajo de IA cambian para los SRE.
En la práctica: hacer de la observabilidad la base del platform engineering 2026
Paso 1: estandarizar la capa de instrumentación
Un solo formato (OpenTelemetry), un solo punto de recogida por entorno y atributos de contexto obligatorios: equipo propietario, criticidad, entorno. Sin esos atributos, la telemetría sigue siendo ruido difícil de aprovechar.
Paso 2: publicar un camino marcado con observabilidad incluida
La plantilla de proyecto que ofrece la plataforma incorpora desde el principio telemetría, SLO, controles de seguridad y, para los servicios de IA, seguimiento de tokens y evaluaciones. Un descriptor de proyecto puede tener este aspecto (formato genérico):
gabarit: service-api-ia
proprietaire: equipe-recommandation
criticite: haute
observabilite:
traces: otlp
attributs_obligatoires: [team, criticite, environnement]
slo:
- disponibilite: 99.9
- latence_p95_ms: 800
ia:
modele_autorise: [modele-interne-v3]
suivi_tokens: true
evaluation_continue: echantillon_5_pourcent
securite:
scan_dependances: bloquant
secrets: coffre-central
Paso 3: exponer el contexto mediante MCP
En lugar de dejar que cada equipo conecte su asistente a cinco herramientas, la plataforma publica un número reducido de servidores MCP, con permisos de lectura por defecto y registro de las llamadas. La seguridad de estos servidores se trata en nuestro artículo dedicado.
Paso 4: validar cada entrega en el pipeline
El pipeline compara las señales de la nueva versión (errores, latencia, consumo, puntuación de evaluación para la IA) con las de la versión anterior y bloquea si hay regresión. El cumplimiento se convierte en un control automático en lugar de una lista de comprobación.
Paso 5: medir la plataforma como un producto
Un dashboard de la propia plataforma: número de servicios creados por el camino marcado, plazo de puesta en servicio, proporción de despliegues conformes, tiempo dedicado a tareas manuales. Esas cifras son las que responden a la pregunta del valor.
Buenas prácticas
- Tratar fiabilidad, seguridad y observabilidad como requisitos de cada workflow automatizado, no solo de los servicios.
- Considerar la deriva de los modelos como un riesgo operativo, vigilado de forma continua.
- Preferir los protocolos abiertos (OpenTelemetry, MCP) a las integraciones ad hoc.
- Versionar configuración, políticas y parámetros de observabilidad para la auditoría.
- Ampliar la autonomía de la automatización por etapas, con escalado y explicaciones.
Para la visión completa del ciclo de vida de los sistemas de IA, del prototipo a la producción, consulta nuestra guía de observabilidad de la IA.
Preguntas frecuentes
¿Cuáles son los principales desafíos del platform engineering en 2026?
La integración de las herramientas, la coherencia de los estándares entre equipos, ganancias de automatización por debajo de lo esperado, la dificultad para demostrar el valor, un cumplimiento todavía manual y la gobernanza de las herramientas de IA.
¿Cuál es el papel de la observabilidad en una plataforma interna?
Aporta el contexto común (telemetría, topología, responsables, criticidad) sobre el que se apoyan la automatización, la validación de las entregas, la gobernanza y la medición del valor de la plataforma.
¿Es útil MCP para un equipo de plataforma?
Sí, como estándar para conectar asistentes y agentes a las herramientas internas de forma gobernada, en lugar de multiplicar las integraciones específicas. A cambio, exige una atención real a la seguridad y a los permisos.
Conclusión
El platform engineering en 2026 es una disciplina madura que afronta una nueva ola de complejidad. Los equipos que salen adelante estandarizan su instrumentación, equipan sus caminos marcados para la IA, automatizan el cumplimiento y miden su plataforma como un producto. Para los estándares mencionados, la documentación oficial del Model Context Protocol es un buen punto de partida.
Para ir más lejos: How to tackle platform engineering’s biggest challenges in 2026 (blog de Dynatrace, en inglés).
span.observer es un blog independiente de la comunidad, no afiliado a Dynatrace LLC ni a los proyectos citados. Las marcas citadas pertenecen a sus propietarios. Las herramientas evolucionan rápido: comprueba siempre los comandos y las opciones en su documentación oficial.