Observability has a data problem. AI is about to make it worse.

Observability is entering a new phase now that OpenTelemetry has standardized instrumentation for data collection. Unfortunately, the observability industry still The post Observability has a data problem. AI is about to make it worse. appeared first on The New Stack.

Observability is entering a new phase now that OpenTelemetry has standardized instrumentation for data collection. Unfortunately, the observability industry still The post Observability has a data problem. AI is about to make it worse. appeared first on The New Stack.

In context

• Topic: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
• Source: The New Stack
• Published: 26/08/2026

Continue reading at the original source →

Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.

Por qué importa

La conversación sobre inteligencia artificial se volvió ruidosa, y eso hace más difícil ver lo importante. Lo importante casi nunca es el modelo: es qué proceso concreto queda más barato, más rápido o más confiable, y quién se hace responsable cuando la respuesta sale mal.

Lo que miro primero no es la capacidad del modelo sino el dato que lo alimenta. Casi todos los proyectos que vi fracasar no fracasaron por el algoritmo: fracasaron porque el dato estaba en tres sistemas con tres definiciones distintas y nadie quiso ser el que arreglara eso.

Lo que suele salir mal

Lo que más veo fallar es la expectativa. Alguien vio una demo impecable y pidió lo mismo para su área en un mes, sin considerar que la demo corría sobre datos limpios preparados para la ocasión. Cuando el piloto real muestra resultados irregulares, la conclusión injusta es que la tecnología no sirve.

Qué mirar

• Dónde quedan los datos y bajo qué contrato, sobre todo si hay información de clientes de por medio.
• Si la organización puede cambiar de proveedor sin rehacer todo, que es la prueba de que no quedó amarrada.
• Qué proceso concreto se toca y cómo se mide antes y después; sin línea base no hay resultado, hay opinión.

Cómo leo esta entrada

Mi recomendación práctica es fijar desde el día uno qué se hace cuando el modelo se equivoca: quién revisa, con qué frecuencia, y en qué momento se apaga. Suena defensivo, pero es exactamente lo que permite ser agresivo después, porque el riesgo dejó de ser una incógnita.

La noticia original está publicada en otro idioma; acá se cita el extracto tal como lo entrega el medio y el comentario se escribe en español.