El análisis de causa raíz con IA pasa del razonamiento del modelo a la ingeniería de contexto

Un número creciente de ingenieros de observabilidad cree que la capacidad de razonamiento de los grandes modelos de lenguaje ya no es el cuello de botella para el análisis de causa raíz asistido por IA; el problema más acuciante es el pipeline de procesamiento que decide qué datos se pasan al modelo. La mayor parte del trabajo de RCA con IA se divide en dos categorías: diseños basados en agentes que dan al modelo herramientas para investigar de forma autónoma, y diseños deterministas que preestablecen correlaciones entre señales y proporcionan un contexto preempaquetado. La investigación de Coroot, liderada por el ingeniero Nikolay Sivko, divide el proceso en dos tareas: el razonamiento sobre los datos presentados y el 'marco de recopilación de datos' que decide qué datos llegan al modelo. El pipeline de Coroot correlaciona señales en hallazgos y los pasa al modelo como un contexto único y enfocado, evitando bucles de agentes, lo que permite atribuir los errores al propio modelo. Sivko construyó un escenario utilizando Chaos Mesh NetworkChaos para inyectar latencia entre un servicio de directorio y su base de datos Postgres, causando consultas lentas y errores 502, con señales engañosas. Probó once modelos con el mismo prompt (aproximadamente 9800 tokens), pidiendo a cada uno que proporcionara la causa raíz, la cadena causal y la solución inmediata. Los modelos de vanguardia Claude Opus 4.8, GPT-5.5 y Gemini 3.1 Pro pasaron, identificando el experimento y la necesidad de eliminarlo junto con su trabajo programado. Entre los modelos más pequeños, Gemma 4 31B fue el único modelo autoalojado que identificó la causa raíz, mientras que los más grandes Qwen3.6 35B y Qwen3 Coder Next fallaron. Los enfoques basados en agentes tienen ventajas, como detectar señales inesperadas, pero sufren problemas de depuración en producción, como se ve en los casos de ZenML e Incident.io. Muchos profesionales ahora prefieren flujos de trabajo deterministas con un paso de LLM estrecho debido a la fiabilidad y los menores costos de tokens. Sivko señala que una sola llamada corta a los modelos de vanguardia cuesta solo unos centavos, ya que el análisis de correlación se realiza antes de la llamada; cree que la parte de razonamiento está 'esencialmente resuelta' y el enfoque actual está en preparar el contexto correcto y compacto. Esto se alinea con la tendencia más amplia de la ingeniería de contexto, ya que las guías de Anthropic, LangChain y Mezmo enfatizan la importancia de un conjunto de contexto mínimo y de alta señal para el razonamiento y la observabilidad basados en LLM.