Saltar a contenido

Blueprints de Producción

La arquitectura parte de una carga, un modelo operativo y una prueba de aceptación.

Parto de bases oficiales de Google Cloud, AWS y Red Hat y adapto las capas de datos e IA a restricciones reales de seguridad, fiabilidad y costo. Las referencias son puntos de partida upstream, no implementaciones que yo haya publicado.

Revisión técnica · septiembre de 2026 · Referencia → adaptación → validación → operación

  1. Base cloud

    Identidad, límites de red e infraestructura como código, adaptados a la nube o al entorno privado elegido.

  2. Ingestión y almacenamiento

    Pipelines por lotes y de eventos reciben datos con validación de esquema, responsables de origen y políticas probadas de replay y retención.

  3. Tablas y cómputo

    Formatos de tabla, catálogos y motores de consulta comparten contratos probados de transformación, acceso y recuperación.

  4. Servicios de IA y agentes

    Endpoints de modelos y flujos con herramientas usan permisos acotados, evaluaciones de calidad, límites de ejecución y costos observables.

Plataforma conceptual de datos e IA. Elegir componentes según la carga; identidad, observabilidad y recuperación se aplican a las cuatro capas.

Elegir una base adecuada al alcance

Primero, una recomendación breve; después, el razonamiento completo y sus fuentes.

Fundaciones cloud

Alcance: Estructura de organización/cuentas, identidad federada, redes, logs centralizados y responsabilidad de facturación. Usar módulos Terraform/OpenTofu validados para el proveedor; portabilidad significa contratos y pruebas consistentes, no recursos idénticos entre proveedores.

Controles: Credenciales CI de corta duración, autoridad separada para plan/apply, excepciones revisadas, estado protegido, restauración y detección de deriva. VPC Service Controls es un control de Google Cloud; AWS necesita sus propias políticas de servicio y organización.

Compromiso: Una landing zone empresarial completa tiene costo operativo. En despliegues pequeños, conservar identidad y auditoría y reducir entornos y servicios compartidos.

Nube privada e híbrida

Alcance: OpenShift y GitOps cuando se necesita ejecución privada o ya existe un modelo operativo de clústeres. Validar operadores de virtualización e IA contra la matriz de soporte de la plataforma. Para IaaS de máquinas virtuales, evaluar OpenStack/Kolla como alternativa con operación propia; no es un sustituto directo de una plataforma de aplicaciones.

Controles: Recuperación de clúster y almacenamiento, segmentación, procedencia de imágenes, identidad de cargas, actualización de operadores y capacidad. Un entorno desconectado también requiere distribución de imágenes y modelos.

Compromiso: El hosting privado cambia dónde se ejecutan los datos; no demuestra por sí solo aislamiento, cumplimiento o bajo costo operativo. Incluir almacenamiento, ciclo del hardware y responsables de restaurarlo.

Plataformas analíticas

Alcance: Prototipar transformaciones con DuckDB/Polars y contratos de datos. Añadir Iceberg con catálogo ante una necesidad multi-motor probada, o evaluar el modelo de catálogo SQL de DuckLake.

Controles: Compatibilidad lector/escritor, evolución de esquema, calidad, replay de CDC, política de snapshots/retención y restauración. Probar acceso por fila y propagación de borrados a datasets derivados.

Compromiso: El almacenamiento abierto no elimina diferencias SQL, autorización de catálogo ni carencias del motor. Promover a BigQuery, Snowflake o Databricks tras comparar semántica y costo de operación.

Serving de IA

Alcance: Un endpoint tras identidad, límites de solicitudes y presupuestos por tenant. Definir calidad, TTFT y latencia entre tokens antes de añadir vLLM/SGLang, enrutamiento KV o separación con llm-d/Dynamo.

Controles: Versionar pesos, tokenizer y configuración; despliegue canary con tareas reservadas; probar sobrecarga, cancelación, límites de fallback y aislamiento de caché. Observar costos y omitir contenido sensible.

Compromiso: Kubernetes, DRA y un gateway encajan en una flota compartida. Un servicio gestionado o un único servidor puede cumplir el mismo SLO con menos operación. Un clasificador complementa autorización; no la sustituye.

Flujos de agentes

Alcance: Herramientas estructuradas y transiciones de estado explícitas. Incorporar persistencia LangGraph/Pydantic AI para reanudar flujos; usar MCP para herramientas y A2A entre agentes con responsables distintos.

Controles: Verificar identidad y tenant, validar argumentos, aislar ejecución, fijar plazos, claves de idempotencia, checkpoints duraderos y aprobaciones vinculadas a una acción concreta. Probar reintentos alrededor de una escritura externa.

Compromiso: Las decisiones del modelo siguen siendo probabilísticas. El control determinista puede acotar ejecución, pero ciclos, memoria y delegación deben demostrar que compensan sus modos de fallo adicionales.

Completar la base con el modelo Ops compartido: responsables, cambios revisados y recuperación ensayada.

Catálogo de referencias

Estos son los principales marcos oficiales que recomiendo y utilizo:

  • Enterprise Foundations Blueprint: La implementación en Terraform de Google de una organización multi-entorno, zonas de aterrizaje y redes e IAM seguros por defecto.
  • Google Cloud Security Foundations Guide: Guía oficial de controles de seguridad e identidad para fundaciones Google Cloud; adaptar alcance y evidencia a los requisitos propios.
  • GCP Cloud Foundation Fabric: El framework modular oficial de Google basado en Terraform para desplegar de forma ágil zonas de aterrizaje empresariales y entornos de prueba.
  • GCP Cloud Architecture Center: El catálogo oficial de Google para arquitecturas de referencia, patrones de diseño y mejores prácticas globales.
  • Enterprise Generative AI & MLOps Blueprint: Referencia empresarial que conecta fundaciones cloud, datos, desarrollo de modelos y operación de IA. Adaptar controles y despliegue a cada carga.
  • Agent Starter Pack: Plantillas iniciales de agentes con Terraform, CI/CD, evaluación y observabilidad para Cloud Run y Agent Engine. Validar permisos, dependencias y recuperación antes de desplegar.
  • Gemini Enterprise Agent Platform — Agent Engine: El runtime administrado de agentes — sesiones, memoria, ejecución de código y herramientas de evaluación — detrás del stack de agentes de Vertex AI.
  • OpenStack / Kolla: arquitectura de producción: Referencia IaaS para separar control, cómputo, redes y almacenamiento. Elegir una versión compatible, diseñar alta disponibilidad y ensayar restauración; el quickstart de un nodo no es una arquitectura de producción.
  • Red Hat OpenShift Platform Plus: El baseline de nube privada — OpenShift con Advanced Cluster Management, Advanced Cluster Security, Quay y Data Foundation — para flotas que abarcan centro de datos, edge y nube pública.
  • OpenShift Virtualization: Ejecuta máquinas virtuales y contenedores en una sola plataforma basada en KubeVirt, una opción de consolidación para parques on-premises.
  • Validated Pattern: Multicloud GitOps: La referencia probada de Red Hat, guiada por GitOps, para gestionar clústeres, aplicaciones y políticas desde una sola consola entre nubes.
  • Validated Pattern: RAG-LLM GitOps: Patrón RAG sobre OpenShift AI con serving, recuperación y aplicación gestionados mediante GitOps. Revisar versiones y alcance de validación.
  • Red Hat OpenShift AI: La plataforma de IA nativa de Kubernetes — serving de modelos sobre vLLM, pipelines, registros y planificación de GPU con asignación dinámica de recursos.
  • llm-d: El stack open source de inferencia distribuida nativo de Kubernetes — prefill/decode desagregado, enrutamiento consciente de la caché KV y control de flujo multi-tenant — que OpenShift AI incorpora.
  • Red Hat AI Inference Server: Distribución vLLM con soporte y LLM Compressor. Comprobar la matriz de modelos, aceleradores y plataformas de la versión elegida.
  • RHEL AI e InstructLab: Una plataforma arrancable de modelos fundacionales con el flujo abierto de InstructLab para ajustar modelos con datos privados.
  • NVIDIA AI Blueprints: Flujos de referencia construidos sobre microservicios NIM — RAG empresarial, extracción multimodal de PDF, humanos digitales — con requisitos de despliegue y acelerador propios de cada flujo.
  • Kubernetes Gateway API Inference Extension: El gateway de inferencia nativo de Kubernetes — enrutamiento por nombre de modelo, conciencia de adaptadores LoRA y salud de endpoints para pools compartidos de servidores de modelos.
  • CNCF Cloud Native AI Whitepaper: La referencia de la CNCF para ejecutar cargas de IA sobre infraestructura cloud native — planificación, almacenamiento, red y observabilidad.
  • OpenTelemetry GenAI Semantic Conventions: El vocabulario compartido para la telemetría de LLMs, agentes y MCP — spans, eventos y métricas — mantenido en un repositorio propio. Fijar revisión y comprobar estabilidad por señal antes de instrumentar.
  • Model Context Protocol (MCP): Protocolo abierto para integrar herramientas y contexto. Negociación de versión, autorización y ejecución segura necesitan implementación explícita; el protocolo no vuelve determinista al razonamiento.
  • Agent2Agent Protocol (A2A): El estándar de la Linux Foundation para que los agentes se descubran y deleguen tareas entre runtimes — la contraparte de MCP.
  • CIS Benchmarks (Center for Internet Security): Los estándares de configuración de seguridad global para plataformas en la nube, clusters de Kubernetes (GKE/EKS/OpenShift), bases de datos y sistemas operativos.
  • Cloud Security Alliance (CSA) Cloud Controls Matrix: El marco de controles de ciberseguridad definitivo para computación en la nube, mapeado con los principales estándares (ISO 27001, SOC 2, NIST SP 800-53).
  • Open Policy Agent (OPA): Motor de políticas CNCF para aplicar reglas explícitas en aplicaciones, Kubernetes e IaC. No es un estándar de cumplimiento ni garantiza que los controles estén correctamente diseñados.
  • OWASP Top 10 for LLM Applications: La lista 2026 de riesgos LLM: inyección de prompts, tratamiento inseguro de salidas, autoridad excesiva y consumo sin límites.
  • NIST AI Risk Management Framework: Marco voluntario Govern–Map–Measure–Manage para organizar el riesgo de IA. Usarlo para asignar controles y evidencia, no como certificación.
  • MITRE ATLAS: La base de conocimiento de tácticas y técnicas adversarias contra sistemas de IA, la contraparte de ATT&CK para el modelado de amenazas.
  • MCP Security Best Practices: La guía del propio protocolo sobre reenvío de tokens, ataques de confused deputy, secuestro de sesión y autorización para servidores MCP.

Criterios para producción

Una referencia se convierte en diseño desplegable cuando estas comprobaciones tienen responsable, resultado registrado y decisión de rollback.

Criterio Evidencia necesaria
Corrección Tareas representativas, contratos de datos, compatibilidad y regresión
Seguridad Modelo de amenazas, mínimo privilegio, pruebas de denegación y excepciones auditadas
Fiabilidad SLO/RTO/RPO, carga/sobrecarga, datos restaurados y rollback ensayado
Cadena de suministro Dependencias e imágenes fijadas, procedencia, vulnerabilidades y términos de modelos
Economía Costo por resultado aceptado, capacidad ociosa, reintentos, movimiento de datos y operación
Responsabilidad Runbook, escalamiento, retención/borrado y responsable de actualizaciones

Para protocolos y versiones cambiantes, consultar el Radar tecnológico. Para diseñar experimentos, usar el contrato de evidencia de los Laboratorios de investigación.

Un modelo operativo entre disciplinas Ops

Estas disciplinas comparten un ciclo: versionar el cambio, probarlo, autorizar el despliegue, observar el resultado y ensayar la recuperación. Son responsabilidades, no ocho plataformas obligatorias.

Disciplina Qué protege Evidencia que conservar / referencia
DevOps / Platform / DevEx Un camino repetible del cambio al servicio útil Procedencia del build, despliegue y recuperación; métricas DORA
DevSecOps / GitOps Cambios revisados con mínimo privilegio y configuración reconciliada Amenazas, excepciones, deriva y restauración; NIST SSDF
DataOps Datos batch y streaming confiables Contratos, linaje, frescura, calidad y replay; OpenLineage
MLOps Entrenamiento reproducible y promoción controlada de modelos Versiones de datos/modelos, evaluación, deriva y rollback; blueprint empresarial AI/MLOps de Google
LLMOps / AgentOps Comportamiento evaluado y autoridad acotada de herramientas Revisiones de prompts/modelos/herramientas, tareas reservadas, aprobación y replay; AWS Agentic AI Lens
SRE Fiabilidad con carga normal y ante fallos SLO, presupuesto de error, revisión de incidentes y restauración; SRE Workbook
AIOps Investigación asistida de señales operativas Hipótesis con fuentes, revisión de falsos positivos y runbook aprobado por una persona; CloudWatch investigations
FinOps Costo atribuible por resultado útil Facturas asignadas, capacidad ociosa, presupuestos y economía unitaria; FinOps Framework

Gobernanza común: Asignar responsables a datos, modelos y servicios. Mantener identidad, retención/borrado, procedencia y excepciones en un modelo de controles revisable. Un diagnóstico de IA no autoriza remediación; un dashboard no aplica presupuestos; un marco no certifica cumplimiento.