Los que se mueven son los que descubren

Este framework unifica las disciplinas de FinOps y GreenOps bajo la premisa estratégica de que "el costo y el carbono son dos caras de la misma moneda", ya que ambos se optimizan mediante la misma telemetría de eficiencia de recursos. El conocimiento consiste en dominar la Economía Unitaria (medir costo/carbono por transacción), la atribución precisa en clústeres (como Kubernetes) y la programación consciente del carbono (Carbon-Aware Scheduling) para desplazar cargas de trabajo hacia energías limpias. Su importancia es crítica debido a la convergencia del "AI infrastructure" (donde los costos de inferencia de IA pueden volverse insostenibles) y el precipicio regulatorio (normativas CSRD/SEC), transformando la sostenibilidad del software de una iniciativa voluntaria a una obligación legal y financiera auditada que garantiza la viabilidad operativa del negocio.

GitOps es una disciplina integral que consiste en un conjunto de prácticas destinadas a gestionar las configuraciones de aplicaciones e infraestructuras mediante código versionado, transformando los procesos operacionales tradicionales para ampliar y mejorar significativamente el ciclo de vida de las aplicaciones. En este modelo, cada cambio en la infraestructura pasa por un proceso riguroso de revisión, aprobación y auditoría antes de aplicarse automáticamente, lo que reduce considerablemente los errores humanos, acelera los deployments y garantiza cumplimiento normativo mediante un registro inmutable de todas las modificaciones. Al convertir Git en el único punto de control centralizado, GitOps permite que los equipos colaboren de manera más eficiente, mantengan trazabilidad completa de sus operaciones y establezcan un flujo de trabajo consistente que mejora tanto la confiabilidad como la velocidad de entrega de sus aplicaciones.

Los RLMs son un framework de inferencia donde el modelo no consume el prompt de forma pasiva, sino que trata el contexto largo como un "entorno externo" (una variable en Python). El modelo escribe código para inspeccionar, trocear y llamar recursivamente a sí mismo (o a sub-modelos más pequeños) sobre fragmentos específicos. 

Este enfoque orquesta un árbol de razonamiento, gestionando su propia memoria y estado a través de un entorno REPL, lo que permite resolver tareas complejas de múltiples pasos que los modelos actuales no logran completar solo con atención nativa.

TIAaaS (Testing Intelligence as a Service) es un enfoque de aseguramiento de calidad que integra inteligencia artificial y analítica para apoyar y optimizar las actividades de testing de software como servicio. Utiliza modelos de Machine Learning para analizar datos históricos de pruebas, bugs, código y despliegues, con el fin de priorizar pruebas, predecir riesgos, identificar áreas críticas del sistema y automatizar decisiones de calidad dentro del ciclo de desarrollo.

Son sistemas de inteligencia artificial avanzados que combinan modelos de lenguaje con capacidades de razonamiento, planificación y ejecución de acciones. A diferencia de chatbots simples, estos agentes pueden descomponer tareas complejas en pasos, usar herramientas externas (APIs, bases de datos), mantener contexto de conversaciones, y tomar decisiones autónomas para lograr objetivos específicos. En AWS Bedrock, se implementan mediante Bedrock Agents y Flows, permitiendo crear asistentes inteligentes que automatizan procesos empresariales de manera cognitiva y adaptativa.

La migración y modernización es el proceso estratégico de trasladar activos digitales desde entornos heredados hacia infraestructuras avanzadas (generalmente la nube) mientras se transforma su arquitectura interna para optimizar el rendimiento; mientras que la migración se centra en el cambio de ubicación física o virtual de los datos y aplicaciones para reducir costos, la modernización actualiza el código y la estructura para aprovechar capacidades nativas como la escalabilidad automática, la inteligencia artificial y la agilidad operativa, permitiendo que las empresas dejen de ser simples consumidoras de tecnología y se conviertan en entidades innovadoras capaces de responder al mercado en tiempo real, los procesos de migración o modernización suelen ser tediosos, para lo cuál vamos a usar multiagentes que hagan este proceso más sencillo y le entreguen a los clientes velocidad y precisión.

Este conocimiento, derivado de la Arquitectura Evolutiva, consiste en diseñar mecanismos automatizados que verifican continuamente si el sistema cumple con sus requerimientos arquitecturalmente significativos (ASRs) y restricciones de diseño predefinidas. El conocimiento implica traducir requisitos abstractos (como escalabilidad, seguridad o latencia) en pruebas ejecutables (como tests de carga automatizados o análisis de seguridad con OWASP ZAP) integradas en el pipeline de CI/CD y automatizar la validación de que las decisiones de arquitectura se implementaron de manera correcta. Su importancia es crítica porque actúan como la única defensa escalable contra la "Degradación arquitectónica" (Architectural Drift) provocada por la generación masiva de código mediante IA; sin estas funciones, la velocidad de la IA degrada silenciosamente la integridad estructural del sistema, haciéndolo insostenible a largo plazo.

MobSF es un framework de código abierto que facilita el proceso de pruebas de seguridad en desarrollos mobile, analizando tanto el código fuente de los proyectos como el instalador de la aplicación luego de ser generado. A partir de la investigación se tiene un mecanismo para automatizar dichas pruebas en un proceso de integración y despliegue continuo con Azure Devops.

Esta actividad se refiere al uso de Inteligencia Artificial (IA) y Machine Learning para transformar descripciones de transacciones bancarias crudas y desordenadas en datos estructurados y clasificados. El objetivo es permitir que las aplicaciones financieras entiendan el comportamiento de gasto real de los usuarios.

Este conocimiento organiza personas, infraestructura, comunicación y componentes para diseñar la interacción entre un negocio y sus usuarios. Su objetivo es optimizar la operatividad, eficiencia y experiencia del cliente (UX) y empleado (EX) a través de todo el viaje del consumidor.

Análisis de la interacción de las personas con diferentes soluciones digitales.

Este estudio generará evidencia técnica sobre cómo el uso de LangGraph y sus capacidades de gestión de estados permite estandarizar la automatización de procesos complejos, garantizando la continuidad del contexto y una observabilidad profunda bajo principios de GenAIOps. El resultado final será un framework operativo que reduzca la incertidumbre y los costos de depuración, permitiendo a los equipos desplegar agentes autónomos más confiables, escalables

Esta investigación se centra en cómo las organizaciones pueden evolucionar de la experimentación en IA y GenAI hacia un escalamiento controlado y sostenible, mediante un modelo de Gobierno de Inteligencia Artificial claro, progresivo y orientado a negocio.

El foco está en diseñar y operar estructuras de gobierno, procesos, roles, artefactos y mecanismos de control que acompañen todo el ciclo de vida de la IA: desde la ideación y priorización de casos de uso, pasando por pilotos y despliegue, hasta su operación, monitoreo y eventual retiro.

El gobierno de IA se aborda como un habilitador del valor, integrando estrategia, datos, riesgo, ética, plataformas y operación (MLOps / GenAIOps), tal como se plantea en el modelo actual del proyecto de Pragma.

GenAIOps es la metodología que adapta los principios de DevOps y MLOps para gestionar el ciclo de vida específico de las aplicaciones de Inteligencia Artificial Generativa. Su objetivo fundamental es transformar prototipos experimentales en sistemas de producción robustos y escalables, abordando desafíos únicos como la ingeniería y versionado de prompts, la orquestación de contextos (RAG), la mitigación de alucinaciones y la optimización de costos y latencia, garantizando así que los modelos de lenguaje operen de manera fiable, segura y eficiente en entornos reales.

Explorar cómo Strands Agents maneja fallas de agentes individuales en workflows multi-agente. Se implementa una cadena de 3-4 agentes procesando documentos sintéticos donde se simulan fallas (timeout, error de API, respuesta malformada) para documentar comportamientos de retry, fallback y degradación.

Análisis de la interacción de las personas con las inteligencias artificiales.

Este conocimiento se enfoca en la ejecución de pruebas automatizadas end-to-end usando Playwright, orquestadas desde servicios Backend, Frontend y agentes de ejecución (como Kiro y/o similares). Las pruebas no se disparan únicamente desde pipelines tradicionales, sino que pueden ser invocadas dinámicamente desde servicios backend, APIs o agentes inteligentes, lo que permite mayor flexibilidad, control y automatización avanzada del proceso de testing.
Playwright actúa como el motor de automatización de interfaces web, mientras que el backend y los agentes gestionan la ejecución, parametrización, paralelización, recolección de resultados y toma de decisiones posteriores, habilitando flujos de prueba más autónomos y adaptativos.

La observabilidad en sistemas multiagénticos construidos con Amazon Bedrock AgentCore es el pilar que permite descifrar la "caja negra" de las interacciones entre agentes, asegurando que la colaboración distribuida sea precisa y eficiente. A diferencia de la monitorización tradicional, la observabilidad aquí se centra en el rastreo de razonamiento (Chain-of-Thought), permitiendo auditar cómo cada agente descompone una tarea, qué herramientas invoca y cómo se transfiere el contexto entre ellos. Mediante la integración con servicios como Amazon CloudWatch y AWS X-Ray, es posible visualizar mapas de dependencias en tiempo real, detectar cuellos de botella en la latencia de las llamadas a modelos fundacionales y, lo más crítico, identificar el punto exacto donde una cadena de decisión multiagente pudo desviarse, garantizando así la confiabilidad y la gobernanza de la solución en entornos de alta exigencia como la banca y el retail.

SageMaker Unified Studio es un entorno que reúne en un solo lugar las capacidades necesarias para trabajar con ML de forma más simple y ordenada. Está diseñado para que los equipos puedan colaborar en un mismo espacio, evitando la dispersión de herramientas y facilitando una visión integral de trabajo que se realiza alrededor de los modelos.
Desde la herramienta se pueden realizar actividades como explorar datos, probar distintos enfoques de modelado, entrenar modelos y organizar los flujos de trabajo asociados.
La plataforma es lo suficientemente flexible para soportar diferentes tipos de iniciativas de IA, desde ML tradicional hasta enfoques más recientes de IA generativa, ofreciendo una base común sobre la cual estos casos de uso pueden desarrollarse y crecer de manera controlada.

Amazon Bedrock AgentCore se posiciona como el orquestador fundamental para la nueva era de los sistemas multiagénticos, permitiendo diseñar flujos de trabajo complejos donde múltiples agentes especializados conversan y colaboran entre sí para resolver tareas sofisticadas de principio a fin. Al facilitar la integración de diversos modelos fundacionales con fuentes de datos propietarias y herramientas corporativas, esta tecnología elimina los silos operativos, transformando procesos lineales en ecosistemas inteligentes capaces de razonar, delegar subprocesos y ejecutar acciones coordinadas en tiempo real, lo que resulta vital para las empresas que buscan escalar soluciones de IA que requieren una lógica de decisión distribuida y altamente precisa.

Microsoft Fabric es una plataforma de análisis de datos todo en uno basada en la nube que unifica herramientas que antes estaban dispersas (como el movimiento de datos, la ciencia de datos, el análisis en tiempo real y la inteligencia empresarial) en un solo entorno de Software como Servicio (SaaS).

Thought Machine se ha consolidado como el motor de la transformación hacia sistemas coreless banking en Latinoamérica, permitiendo que los bancos más grandes superen las limitaciones de sus infraestructuras legacy que hoy actúan como un cuello de botella para la innovación. En un entorno donde la evolución de la IA acelera drásticamente el time to market, el verdadero diferencial competitivo reside en la flexibilidad del núcleo bancario; por ello, la migración hacia esta tecnología es fundamental para dotar a las instituciones de la agilidad necesaria para innovar a la velocidad que exige el mercado, liberándolas de las rigideces técnicas que impiden la integración de soluciones disruptivas en tiempo real.

Appian es una plataforma de software que automatiza y optimiza procesos empresariales mediante el uso de un enfoque de desarrollo de aplicaciones low-code. Permite a las empresas crear, automatizar y gestionar flujos de trabajo complejos de manera más rápida y eficiente, unificando datos de diversos sistemas para mejorar las operaciones y la experiencia del cliente.

Agentforce representa la cúspide de la modernización tecnológica al integrar de forma fluida a personas, aplicaciones y agentes autónomos sobre una base de datos unificada, permitiendo que la inteligencia artificial no solo responda consultas, sino que razone y ejecute acciones complejas dentro del ecosistema empresarial. Esta solución transforma la experiencia del cliente y la eficiencia operativa al conectar cada activo digital de la organización, demostrando que la verdadera utilidad de haber migrado y modernizado la infraestructura es, finalmente, habilitar una capacidad de ejecución autónoma y personalizada que antes era imposible.

Databricks es una plataforma de análisis de datos e IA basada en la nube y construida sobre Apache Spark, diseñada para unificar la ingeniería de datos, ciencia de datos, SQL y aprendizaje automático (ML). Utiliza una arquitectura lakehouse que combina la flexibilidad de los lagos de datos con la gestión de data warehouses, permitiendo procesar grandes volúmenes de información en batch o streaming.