El reto no es gestionar más tickets. Es operar con mayor inteligencia.
Durante años, los servicios de Application Management Services (AMS) han sido fundamentales para mantener disponibles y estables las aplicaciones que soportan procesos críticos de negocio. Pero el entorno para el que fueron diseñados cambió: hoy conviven sistemas legacy, cloud, APIs, microservicios, plataformas de datos, SaaS y múltiples proveedores, mientras el negocio exige más disponibilidad, ciclos de cambio más cortos y experiencias prácticamente sin interrupciones.
Frente a esta realidad, continuar respondiendo al crecimiento con más personas, más turnos y más niveles de soporte tiene un límite. La evolución que vemos no consiste simplemente en incorporar Inteligencia Artificial como un asistente adicional, sino en rediseñar el modelo operativo para que personas y agentes especializados trabajen conjuntamente, trasladando progresivamente parte de la operación desde la asistencia hacia la autonomía.
Tres desafíos que están redefiniendo el futuro del AMS
1. 1. Seguimos actuando cuando el problema ya ocurrió
Gran parte de los modelos AMS continúan operando bajo una lógica reactiva: se genera una alerta, se abre un ticket, se asigna un responsable y comienza una cadena de análisis y escalaciones hasta encontrar una solución. Aunque este modelo ha sido efectivo durante años, resulta insuficiente para la velocidad y complejidad de los entornos actuales.
Los agentes de IA permiten abordar el problema desde otra perspectiva. Pueden monitorear eventos, analizar telemetría, recuperar incidentes similares, identificar cambios recientes, construir hipótesis de causa raíz y ejecutar acciones previamente autorizadas. El objetivo deja de ser reaccionar ante los incidentes y pasa a centrarse en prevenirlos, contenerlos o resolverlos antes de que afecten al negocio.
El futuro no debería preguntarnos únicamente cuánto tardamos en resolver un incidente, sino cuántos incidentes logramos evitar antes de que impactaran al negocio.
2. Más demanda no puede seguir significando más personas
La estructura tradicional N1, N2 y N3 permitió industrializar los servicios de soporte. Sin embargo, también creó una dependencia directa entre el crecimiento del negocio y la necesidad de aumentar capacidad operativa. Más aplicaciones, más usuarios y más requerimientos suelen traducirse en más esfuerzo humano.
Los agentes de IA comienzan a romper esta relación. Actividades como la clasificación de incidentes, el enriquecimiento de contexto, el análisis de logs, la recuperación de conocimiento o la ejecución de procedimientos conocidos pueden ser asumidas progresivamente por una fuerza de trabajo digital. Esto permite que los especialistas concentren su talento en iniciativas de mayor valor, como evolución tecnológica, arquitectura, mejora continua y gestión de problemas complejos.
3. El conocimiento existe, pero no siempre está disponible cuando más se necesita
Uno de los grandes desafíos del AMS es la fragmentación de la información. El conocimiento suele estar distribuido entre plataformas ITSM, CMDB, documentación técnica, herramientas de observabilidad, código, runbooks y la experiencia acumulada por los equipos.
Los agentes de IA tienen la capacidad de convertir ese conocimiento disperso en una memoria operacional accesible y accionable. Sin embargo, la autonomía no puede construirse sobre información inconsistente. Para escalar estos modelos es indispensable contar con datos confiables, gobierno sólido, observabilidad, trazabilidad y mecanismos claros de control.
La oportunidad es real, pero escalar sigue siendo difícil
La evidencia reciente muestra una combinación muy interesante: la adopción de IA empresarial ya es amplia, pero la autonomía agéntica industrial todavía está en una fase temprana. Esa brecha es precisamente donde se está definiendo la siguiente generación de servicios gestionados.
Stanford reporta que el 88% de las organizaciones encuestadas utilizaba IA en 2025, mientras el despliegue de agentes seguía en un solo dígito en casi todas las funciones. En España e Iberoamérica, el Observatorio de NTT DATA y CIONET encontró que solo 3,8% había alcanzado implementación industrial de Agentic AI, 59,2% permanecía en pilotos dispersos y 80,8% no contaba aún con mecanismos operativos para controlar la autonomía de los agentes.
En paralelo, IDC anticipa un cambio en la economía de los servicios: para 2029, 30% de los contratos con proveedores podrían estar ligados a outcomes y 30% de los servicios TI entregarse como productos modulares habilitados por plataforma. Gartner proyecta que para 2028 el 33% de las aplicaciones empresariales incorporará Agentic AI y al menos 15% de las decisiones cotidianas de trabajo podrán realizarse autónomamente; al mismo tiempo, advierte que la confiabilidad, el gobierno y el valor económico serán determinantes para evitar fracasos de adopción.
De hablar de agentes a construir un AMS basado en agentes
En NTT DATA estamos trabajando sobre esa transformación. Nuestra visión no consiste únicamente en incorporar copilotos que ayuden a los equipos actuales a ser más productivos. Buscamos evolucionar hacia agencias de IA: conjuntos de agentes especializados que participan directamente en diferentes momentos del ciclo operacional y son coordinados bajo un modelo común de seguridad, gobierno y observabilidad.
Mantenimiento correctivo: de gestionar tickets a gestionar resultados
Imagine un incidente que llega a la operación. Un agente puede interpretarlo y enriquecerlo; otro recuperar conocimiento e incidentes similares; otro analizar telemetría y construir hipótesis de causa raíz; un agente de remediación puede determinar el procedimiento apropiado y, cuando el nivel de autonomía lo permita, ejecutarlo. Finalmente, otro agente valida que el comportamiento de la aplicación regresó a condiciones normales.
Detectar → contextualizar → diagnosticar → resolver → validar → aprender
La diferencia con un chatbot es fundamental: no buscamos únicamente respuestas más rápidas, sino una secuencia operacional capaz de utilizar herramientas, tomar decisiones delimitadas, ejecutar acciones y comprobar el outcome.
La transformación comienza antes de la operación: en la transición
La transición de una aplicación hacia AMS suele requerir una transferencia intensiva de arquitectura, interfaces, procedimientos, incidentes conocidos, configuraciones, runbooks, dependencias, SLAs y experiencia acumulada. La IA agéntica permite reconsiderar ese proceso.
Durante la transición, agentes especializados pueden ayudar a recopilar y estructurar documentación, detectar vacíos, relacionar componentes, extraer procedimientos y preparar el contexto que después utilizará la operación. La transición deja de ser únicamente transferencia de conocimiento entre personas y empieza a convertirse en la construcción de la memoria operacional del AMS.
Un runbook deja de ser solamente un documento que alguien debe encontrar: puede convertirse en un procedimiento que un agente sabe cuándo utilizar. Un incidente histórico deja de ser un ticket cerrado y se transforma en evidencia para resolver situaciones futuras. Y una dependencia identificada durante la transición se convierte en contexto para estimar el impacto de una anomalía.
El AMS autónomo no significa un AMS sin personas
Autonomía no significa ausencia de profesionales. Significa distribuir de manera diferente el trabajo y la responsabilidad. Las personas establecen objetivos, diseñan el modelo, definen políticas y guardrails, autorizan niveles de actuación y gestionan situaciones de riesgo o alta complejidad. Los agentes observan, analizan y ejecutan dentro de esos límites.
Algunas decisiones podrán ser autónomas. Otras requerirán aprobación humana. Y determinados casos continuarán siendo responsabilidad exclusiva de especialistas. Por eso hablamos de autonomía progresiva y gobernada: cada capacidad debe ganarse con evidencia de confiabilidad, trazabilidad y valor.
Del SLA al outcome: también debemos cambiar cómo medimos el AMS
Disponibilidad, MTTR y cumplimiento de SLA seguirán siendo relevantes, pero un AMS Inteligente necesita indicadores que midan autonomía, prevención, aprendizaje y resultado económico. No basta con saber cuánto trabajo procesó el equipo; necesitamos saber cuánto trabajo evitó, resolvió o absorbió de forma autónoma el servicio.
El AMS que viene
Durante muchos años, la excelencia en AMS consistió en responder cada vez mejor cuando algo fallaba. La próxima frontera será diferente: construir servicios capaces de anticipar determinados problemas, resolver autónomamente aquello que comprenden y aprender continuamente de aquello que todavía requiere intervención humana.
En NTT DATA estamos trabajando para llevar esa visión desde el concepto hasta la operación, combinando agentes especializados, conocimiento, automatización, observabilidad y gobierno para evolucionar progresivamente los modelos tradicionales de Application Management.
El futuro del AMS no pertenecerá a quien tenga más agentes, sino a quien consiga convertirlos en una fuerza operacional confiable, observable, segura y gobernada.
Si su organización está evaluando cómo modernizar un modelo AMS tradicional, dónde introducir autonomía de forma segura o cómo convertir la transición y el mantenimiento en capacidades apoyadas por agentes de IA, la conversación debería comenzar por una pregunta sencilla: ¿qué parte de su operación está preparada para dejar de trabajar como lo ha hecho durante los últimos veinte años?
