4 min de lectura

Observabilidad con IA: Netflix crea un grafo de conocimiento para acabar con las investigaciones de 4 horas

Observabilidad con IA: Netflix usa un grafo de conocimiento para atacar investigaciones de 4 horas con 38 millones de eventos por segundo. Esto aprendemos.

Grafo de conocimiento luminoso con nodos conectados y agentes de IA que rastrean la causa de un incidente en operaciones

Netflix procesa más de 2.000 millones de solicitudes al día y hasta 38 millones de eventos de registro por segundo. Aun así, investigar una regresión típica en una aplicación puede tomarle a un ingeniero unas cuatro horas. La razón es que casi todo ese tiempo se va en reconstruir cómo se relacionan los sistemas entre sí, no en analizar los datos. Esa es la paradoja que la compañía quiere resolver con observabilidad con IA, apoyada en un grafo de conocimiento operativo que sus ingenieros y sus agentes de IA puedan consultar.

El problema no es la falta de datos. Netflix ya recolecta métricas, eventos, logs y trazas (MELT), pero esas señales viven repartidas entre herramientas de alertas, gestión de incidentes, despliegues y comunicación del equipo. Una regresión puede nacer en una versión del cliente, un experimento, una reducción de carga en la infraestructura o un servicio a varias dependencias de distancia. Cada sistema guarda una pieza, y el ingeniero las une a mano. Como referencia de escala, durante la pelea Jake Paul–Mike Tyson de noviembre de 2024, su infraestructura sostuvo unos 65 millones de transmisiones simultáneas.

La respuesta de Netflix es una ontología de observabilidad: un modelo común que define entidades operativas (aplicaciones, incidentes, despliegues, alertas, dependencias), sus propiedades y las relaciones entre ellas. Usa estándares abiertos (RDF, OWL, SHACL y SPARQL) y almacena el grafo en QuipuDB, su base de datos RDF distribuida construida sobre el motor redb de Rust. El grafo se alimenta con «enrichers», componentes que transforman información de los sistemas operativos en relaciones sujeto-predicado-objeto. Algunos son deterministas y otros usan LLM para interpretar información menos estructurada, con reglas de validación estrictas (tipos de entidad consistentes, convenciones de nombres y verificación contra su catálogo de software). También captura las discusiones de incidentes: hipótesis, explicaciones descartadas y decisiones de mitigación.

Sobre esa base, un motor de correlación analiza 13 tipos de señales y busca relaciones causales según la cercanía temporal y la severidad. El resultado son hipótesis ordenadas por evidencia. Ese grafo alimenta además a AutoRCA, el sistema agéntico interno de análisis de causa raíz con IA. Los agentes especializados en trazas, logs o despliegues no intercambian textos sueltos: aportan información sobre las mismas entidades a través de la ontología. Los humanos conservan la autoridad para aprobar cambios y remediaciones. Un matiz importante: la fuente no publica todavía métricas de reducción del tiempo de investigación. Es una plataforma en desarrollo, y el objetivo declarado es llegar a la remediación automática y a la infraestructura que se repara sola.

Cómo aplicar la observabilidad con IA en tu empresa

No necesitas la escala de Netflix para sacar partido a la idea central: la IA rinde más cuando entiende el contexto operativo, no solo los datos. Estas son las lecciones prácticas:

  • Mide cuánto de tu investigación es reconstrucción. Si tus equipos pasan horas conectando alertas, despliegues y cambios de configuración, ahí está el costo oculto. Cronometra un par de incidentes reales antes de comprar nada.
  • Modela primero, automatiza después. Antes de poner agentes, define qué entidades existen (servicios, equipos, despliegues, dependencias) y cómo se relacionan. Un catálogo de software confiable es el punto de partida más barato.
  • Mezcla reglas deterministas con LLM, y valida a estos últimos. Netflix usa modelos para interpretar información desordenada, pero los limita con validaciones estrictas. Sin ese control, el grafo se llena de relaciones inventadas.
  • Captura el razonamiento humano. Las hipótesis descartadas en un canal de incidentes son conocimiento valioso. Si desaparecen al cerrar el ticket, vuelves a empezar en el siguiente.
  • Diseña un lenguaje común para tus agentes. Que cada agente hable su propio dialecto multiplica la confusión. Una interfaz compartida permite sumar agentes sin rehacer todo.
  • Mantén a las personas en la aprobación. Netflix busca explicaciones ordenadas y respaldadas por evidencia, con humanos decidiendo los cambios.
  • El cuándo también importa. Si tu operación aún no tiene telemetría consistente ni un inventario fiable de servicios, un grafo no te salvará: empieza por ahí. Si ya los tienes y tus incidentes se alargan por falta de contexto, es buen momento. Para ver el efecto en un caso más cercano a muchas empresas, mira cómo Circle K bajó el triaje de incidentes de 60 a menos de 15 minutos con IA, o cómo Netflix trata la fiabilidad de sus GPU como un problema de sistemas distribuidos. Y si te preocupa hasta dónde delegar, el contraste con un SOC autónomo que resuelve más del 90% de las alertas sin intervención humana muestra que el nivel de autonomía es una decisión de diseño, no un destino único.

    Herramientas como Datadog, Dynatrace y Splunk ya correlacionan señales e incorporan IA en la investigación de incidentes. La apuesta de Netflix pone el acento en el modelo semántico que hay debajo, de modo que las relaciones sean persistentes y accesibles tanto para ingenieros como para máquinas.

    La pregunta que deberías hacerte

    La observabilidad con IA no empieza con un agente brillante, sino con una pregunta incómoda: ¿tu organización sabe describir cómo se conectan sus sistemas? Si la respuesta vive en la cabeza de tres ingenieros senior, ahí está tu primera inversión. ¿Cuántas horas de tu último incidente se fueron en entender el mapa en lugar de resolver el problema?

    Preguntas frecuentes

    ¿Qué es el grafo de conocimiento de Netflix para observabilidad?

    Es una representación estructurada de aplicaciones, incidentes, despliegues, alertas y dependencias, basada en una ontología y estándares como RDF y OWL. Se guarda en QuipuDB y permite que ingenieros y agentes de IA entiendan cómo se relacionan los sistemas, acelerando el análisis de causa raíz.

    ¿Qué resultados ha obtenido Netflix con esta observabilidad con IA?

    La fuente no publica métricas de mejora. Describe el problema: una regresión típica tarda unas cuatro horas en investigarse, sobre todo por reconstruir relaciones entre sistemas. La plataforma está en desarrollo y apunta a hipótesis ordenadas por evidencia y, a futuro, a remediación automática.

    ¿Cómo puede una empresa mediana empezar con un grafo de conocimiento operativo?

    Empieza por un catálogo fiable de servicios y sus dependencias, y por telemetría consistente. Después define entidades y relaciones clave, automatiza su captura con reglas, usa LLM solo con validación estricta y mantén a una persona aprobando las acciones correctivas.