De DevOps a MLOps y Platform Engineering: qué aprender para seguir siendo relevante en la era de la IA

De DevOps a MLOps y Platform Engineering: qué aprender para seguir siendo relevante en la era de la IA

La pregunta incómoda que se está haciendo todo profesional DevOps

Hay una conversación que se repite en los equipos de infraestructura: si la IA puede escribir YAML, generar pipelines básicos, revisar logs y proponer configuraciones iniciales, ¿qué queda del rol DevOps tradicional?

Es una preocupación legítima. Buena parte del trabajo operativo que durante años definió a un ingeniero DevOps (tareas repetitivas, de bajo criterio y altamente estructuradas) es exactamente el tipo de trabajo que las herramientas de IA hacen cada vez mejor. Generar un manifiesto de Kubernetes, esbozar un pipeline de CI/CD o resumir un stack trace ya no es un diferenciador profesional.

Pero confundir "una parte de mis tareas se está automatizando" con "mi rol está desapareciendo" es un error de lectura. DevOps no se está muriendo. Se está moviendo hacia arriba en la cadena de valor. Y los profesionales que entiendan ese movimiento a tiempo no solo van a sobrevivir: van a volverse más estratégicos y mejor pagados.

DevOps no desaparece: cambia el centro de gravedad

El futuro de DevOps no es escribir menos infraestructura. Es diseñar mejor la infraestructura y dejar que la ejecución repetitiva se automatice.

Cuando la IA absorbe la capa operativa básica, lo que gana valor es todo lo que la IA no hace bien: las decisiones de arquitectura, los trade-offs de costo y rendimiento, el diseño de plataformas seguras y escalables, y la capacidad de operar sistemas complejos en producción sin que se caigan a las 3 de la mañana.

Tres disciplinas concentran ese movimiento, y las tres son evolución natural de un perfil DevOps, no un cambio de carrera:

• Platform Engineering: construir plataformas internas que el resto de la organización consume como autoservicio.
• MLOps: llevar modelos de machine learning e IA a producción de forma confiable, reproducible y monitoreada.
• DevSecOps: integrar seguridad y cumplimiento como parte del diseño, no como un parche final.

La buena noticia para cualquier ingeniero DevOps: la mayor parte del camino ya está recorrida.

De DevOps a Platform Engineering: de operar a habilitar

Platform Engineering es la respuesta a un problema real de las empresas: los equipos de desarrollo no quieren convertirse en expertos en Kubernetes, redes y configuración cloud para poder desplegar una aplicación. Cada hora que un desarrollador pierde peleando con infraestructura es una hora que no construye producto.

El rol DevOps tradicional resolvía esto atendiendo tickets. El rol de Platform Engineering lo resuelve construyendo un producto interno: una plataforma con caminos pavimentados, plantillas seguras por defecto y autoservicio, que esconde la complejidad de la infraestructura cloud y reduce la carga operativa de toda la organización.

El cambio mental es importante. Dejas de ser quien ejecuta despliegues y pasas a ser quien diseña el sistema con el que cientos de despliegues ocurren solos. Tu cliente ya no es un servidor: es el desarrollador interno. Y tu métrica de éxito ya no es "el ticket está cerrado", sino "cuánto tiempo tarda un equipo en pasar de código a producción de forma segura".

Las habilidades base (Kubernetes, infraestructura como código, automatización, pipelines, observabilidad) siguen siendo el cimiento. Lo que se agrega es pensamiento de producto, diseño de experiencia de desarrollador y criterio de estandarización.

De DevOps a MLOps: la infraestructura es el verdadero reto de la IA en producción

Existe un mito costoso: que hacer IA es, sobre todo, un problema de ciencia de datos. La realidad operativa es otra. Entrenar un modelo es la parte fácil y corta. Mantenerlo funcionando en producción , sirviéndolo con baja latencia, monitoreando su degradación, reentrenándolo cuando los datos cambian, controlando el costo de GPU y garantizando trazabilidad, es un problema de infraestructura y operaciones. Es decir, es tu terreno.

MLOps es, en esencia, DevOps aplicado al ciclo de vida de modelos. Y casi todo lo que ya sabes se transfiere directamente:

• Los pipelines de CI/CD se extienden para versionar datos y modelos, no solo código.
• La observabilidad se amplía: ya no monitoreas solo CPU y latencia, también model drift, calidad de predicciones y deriva de datos.
• La automatización se aplica al reentrenamiento y al despliegue de nuevas versiones de modelo.
• La gestión de costos se vuelve crítica: la IA consume cómputo caro, y alguien tiene que diseñar la infraestructura para que escale sin quemar el presupuesto.

Lo que necesitas sumar es vocabulario y herramientas nuevas: registros de modelos, feature stores, versionado de datasets, frameworks de serving y monitoreo de modelos en producción. Conceptos nuevos, sí. Pero montados sobre fundamentos que ya dominas.

DevSecOps: la seguridad deja de ser opcional

A medida que la infraestructura soporta IA, automatización y datos sensibles, la superficie de ataque crece y la regulación se endurece. DevSecOps deja de ser un "extra" y pasa a ser parte del diseño base: gestión de secretos, políticas como código, escaneo continuo, control de accesos y cumplimiento auditable desde el primer commit.

Para un perfil DevOps, esto es una oportunidad clara de especialización. La empresa que adopta IA sin una capa de seguridad sólida está construyendo un riesgo, no una ventaja.

Qué priorizar para evolucionar sin empezar de cero

Si tienes una base DevOps sólida, no necesitas reinventarte. Necesitas reorientarte. Un orden razonable de prioridades:

1. Profundiza Kubernetes y la infraestructura como código hasta el nivel de diseño, no solo de uso. Es la base de todo lo demás.
2. Domina la observabilidad real: métricas, trazas, logs y, sobre todo, la capacidad de entender el comportamiento de un sistema en producción.
3. Aprende el ciclo de vida de modelos: versionado de datos y modelos, serving, reentrenamiento y monitoreo de drift.
4. Incorpora pensamiento de plataforma y de costos: diseña pensando en autoservicio, escalabilidad y eficiencia de gasto cloud.
5. Trata la seguridad como diseño, no como parche.
6. Usa la IA como multiplicador: deja que automatice lo repetitivo para que tú te concentres en arquitectura y decisiones.

La infraestructura sigue siendo la base de todo

La IA no elimina la necesidad de buena infraestructura: la amplifica. Cada modelo en producción, cada agente, cada flujo automatizado se apoya en una capa de cómputo, redes, seguridad, pipelines y observabilidad que alguien tiene que diseñar y operar bien. Esa capa decide si un proyecto de IA escala de forma rentable o se convierte en un agujero de costos imposible de mantener.

Por eso el perfil DevOps no está en riesgo de extinción. Está en el centro de la próxima ola tecnológica —siempre que se mueva de la ejecución operativa al diseño estratégico.

No puedes montar IA sobre una infraestructura improvisada. Primero necesitas una base bien diseñada, automatizada, observable, segura y lista para producción. Esa base es, y seguirá siendo, el trabajo más valioso del mundo DevOps.