La revolución de la inteligencia artificial no se limita a generar texto o código: está empezando a transformar profundamente cómo construimos y gestionamos la infraestructura digital. Un reciente artículo en Towards AI ofrece una perspectiva única sobre este cambio, basada en la experiencia directa de un equipo que evolucionó desde el uso de modelos como ChatGPT y Codex hasta el desarrollo de una plataforma basada en agentes para la orquestación de infraestructura como código (IaC).Este trayecto no fue lineal. Inicialmente, el uso de asistentes de IA como ChatGPT y Codex parecía una solución inmediata para acelerar tareas repetitivas en la gestión de infraestructura. Sin embargo, con el tiempo, surgieron desafíos críticos: ¿cómo garantizar que las decisiones automatizadas sean consistentes? ¿Cómo mantener el control humano sobre sistemas cada vez más complejos?¿Qué son el 'descubrimiento determinista' y el 'razonamiento probabilístico'?El descubrimiento determinista se refiere a la capacidad de los sistemas para identificar patrones y configuraciones conocidas de manera predecible. En infraestructura, esto implica reconocer configuraciones existentes, dependencias y estructuras bien definidas. Por otro lado, el razonamiento probabilístico permite a los sistemas evaluar múltiples escenarios posibles, asignando probabilidades a diferentes resultados. Esta combinación es clave para que las plataformas agentes puedan no solo ejecutar tareas, sino anticipar consecuencias y adaptarse a entornos dinámicos.La integración de estos conceptos en una plataforma agente requiere un enfoque cuidadoso. Los autores destacan la importancia de implementar 'guardrails' o salvaguardas que limiten las acciones de la IA, evitando desviaciones peligrosas. Además, se enfatiza la necesidad de mantener siempre a los humanos en el bucle, no como supervisores pasivos, sino como participantes activos que guían y corrigen el comportamiento del sistema.La experiencia concretaLa plataforma desarrollada por el equipo comenzó como una herramienta para asistir en la generación de código Terraform, un lenguaje ampliamente utilizado para definir infraestructura en la nube. Sin embargo, pronto se dieron cuenta de que simplemente generar código no era suficiente; necesitaban un sistema que pudiera interpretar el estado actual de la infraestructura, detectar desviaciones y proponer correcciones automáticas, todo dentro de un marco de seguridad y cumplimiento definido por los usuarios.El resultado fue una plataforma agente que combina múltiples modelos de IA, cada uno especializado en una función específica: desde el análisis de logs hasta la generación de scripts de corrección. Esta arquitectura permite al sistema aprender de cada interacción, mejorando su capacidad para manejar situaciones inesperadas. ¿Por qué importa esto?Esta evolución de ChatGPT a plataformas agentes representa un hito en la madurez de la IA aplicada a la ingeniería de software. Mientras que los modelos de lenguaje grandes (LLMs) inicialmente se presentaban como herramientas de asistencia, ahora están comenzando a actuar como componentes autónomos dentro de sistemas más complejos. Esto plantea nuevas oportunidades y desafíos:¿Cómo diseñar interfaces que permitan a los ingenieros supervisar y dirigir estos agentes de manera intuitiva?¿Qué mecanismos de auditoría son necesarios para garantizar la transparencia en las decisiones automatizadas?¿Cómo equilibrar la eficiencia ganada con la seguridad requerida en entornos críticos?Además, este caso de estudio sugiere que el futuro de la automatización no radica en reemplazar a los humanos, sino en crear sistemas híbridos donde la IA maneje la parte repetitiva y predictible, mientras los profesionales se concentran en la toma de decisiones estratégicas y la resolución de problemas complejos. La lección aprendida es clara: el éxito de la IA en la infraestructura no depende solo de la potencia del modelo, sino de cómo se integran los principios de determinismo, probabilismo y control humano en un todo coherente.