KPIs clave para un panel unificado de operaciones de infraestructura

Los equipos de operaciones de infraestructura deben monitorizar KPIs que expliquen de forma conjunta el suministro, la eficiencia, la calidad del servicio, los costes y el consumo. El modelo de operaciones de referencia utiliza exactamente esas cinco categorías porque ninguna métrica aislada puede aclarar si una infraestructura está sana, es productiva, resulta económica y entrega el servicio esperado.

Un buen panel debe responder a algo más que "¿está encendido el hardware?". También debe aclarar cuánta capacidad utilizable queda, cómo se está aprovechando, qué calidad se está entregando, cuánto cuesta y quién la está consumiendo.

¿Cuáles son los cinco grupos de KPIs en el modelo de referencia?

El centro de control unificado agrupa los indicadores en cinco categorías: suministro de recursos, eficiencia de producción, calidad del servicio, coste operativo y consumo de negocio.

La documentación interna también utiliza a veces un resumen de cuatro categorías que condensa el foco operativo en suministro de recursos, eficiencia de producción, calidad del servicio y coste operativo, mientras que el panel más detallado añade el consumo de negocio como categoría independiente. Ambas visiones son coherentes y solo varían en la visibilidad que otorgan al consumo. El modelo de cinco categorías resulta especialmente útil porque abarca la cadena operativa completa, desde la capacidad física hasta la entrega final del servicio.

¿Qué conviene medir en el suministro de recursos?

El suministro de recursos debe reflejar cuánta capacidad existe y cuánta de ella es realmente utilizable. Los ejemplos del modelo de referencia incluyen el total de tarjetas aceleradoras y las disponibles, los nodos totales y en línea, la distribución de capacidad del clúster, las alertas de capacidad y la fecha estimada de ampliación.

En infraestructuras más amplias, esta categoría puede abarcar servidores, máquinas virtuales, capacidad de almacenamiento, ancho de banda de red, espacio en bastidores, margen de potencia eléctrica y margen de refrigeración. El objeto exacto varía según cada entorno.

La distinción fundamental radica en lo instalado frente a lo utilizable. Un nodo que está fuera de línea, degradado, en mantenimiento o bloqueado por otra restricción no debe contabilizarse como capacidad de producción plenamente disponible.

¿Por qué la capacidad disponible importa más que la capacidad total?

El recuento total de activos puede dar una imagen engañosa de lo que el negocio realmente puede aprovechar. El modelo de infraestructura de IA de referencia demuestra una y otra vez que la capacidad desplegable depende de múltiples restricciones simultáneas. Un rack puede tener unidades libres pero carecer de potencia eléctrica suficiente. Una GPU puede estar presente pero degradada. Un grupo de recursos puede tener tarjetas libres con una topología o factor de forma incompatible, y una cabina de almacenamiento puede tener terabytes libres pero un rendimiento de lectura y escritura insuficiente.

Por eso, el KPI debe diferenciar entre suministro nominal y suministro utilizable, lo que hace mucho más realistas las decisiones de capacidad.

En el plano físico, cómo los centros de datos pueden detectar la capacidad bloqueada por restricciones de energía, refrigeración, red o almacenamiento explica por qué una sola cifra de recursos libres suele inducir a error.

¿Qué conviene medir en la eficiencia de producción?

La eficiencia de producción muestra si una infraestructura costosa está realizando trabajo útil. El panel de referencia incluye la utilización de GPU, las tareas en ejecución, en cola y completadas, la tasa de inactividad, la tasa de éxito de las tareas, el tiempo de espera en cola y los motivos de inactividad junto con recomendaciones.

Estos indicadores funcionan juntos, porque la utilización por sí sola puede engañar. Un nodo puede mostrar un uso elevado mientras las tareas fallan repetidamente. Un clúster puede mostrar baja utilización porque hay poca demanda, o bien porque el almacenamiento es lento o los recursos están fragmentados. Por esa razón el modelo empareja la utilización con métricas de colas y tareas, y por eso la eficiencia debe interpretarse siempre en su contexto.

¿Por qué la tasa de inactividad debe ser un KPI?

La tasa de inactividad convierte la capacidad desaprovechada en una señal operativa clara. El panel de referencia incluye la tasa de inactividad en la sección de costes, y el modelo detallado de operaciones analiza además sus causas y propone recomendaciones.

Esto importa porque la capacidad ociosa puede tener varios orígenes: ausencia de demanda, sobredimensionamiento en la asignación, cuellos de botella en almacenamiento o red, fragmentación de recursos, exclusión por fallos de salud o límites de cuota. El KPI debe conducir al origen en lugar de quedarse en el porcentaje. Una tasa de inactividad alta es un síntoma, y la medida correctora dependerá del motivo por el cual los recursos permanecen parados.

¿Qué conviene medir en la calidad del servicio?

La calidad del servicio debe medir si el servicio entregado cumple con el estándar operativo acordado. Los ejemplos de referencia incluyen la tasa de éxito de tokens, la tasa de éxito de tareas, las alarmas pendientes, los nodos sanos, en aviso o caídos, los SLO, el presupuesto de error, el tiempo de detección de fallos y el tiempo de recuperación.

Esta categoría conecta las operaciones de infraestructura con la entrega efectiva del servicio, ya que un recurso puede estar encendido mientras la calidad del servicio es deficiente. Imagina todos los nodos en línea mientras la tasa de éxito de tokens se desploma y la latencia sube. El KPI de disponibilidad de equipos parece impecable aunque el servicio sufra una degradación grave. Por eso los indicadores de nivel de servicio deben figurar junto a los de infraestructura.

¿Por qué deben incluirse MTTD y MTTR?

La disponibilidad por sí sola no indica con qué eficacia gestiona los incidentes el equipo de operaciones. El marco de SRE de referencia incluye tanto el tiempo de detección como la duración de la recuperación.

El MTTD mide la rapidez con la que un problema se hace visible, y el MTTR mide cuánto se tarda en restablecer el servicio según la definición acordada en la organización. Juntos revelan si el monitoreo, el diagnóstico, los flujos de trabajo y la automatización progresan. Si la cantidad de incidentes se mantiene pero el MTTR desciende de forma clara, las operaciones están ganando eficacia.

Para conocer el marco completo, cómo se aplican a las operaciones de infraestructura e IA métricas de SRE como MTTD, MTTR, SLO, presupuestos de error y burn rate explica cómo encajan entre sí estas métricas de fiabilidad.

¿Qué conviene medir en el coste operativo?

El coste operativo debe vincular el consumo de capacidad con el impacto financiero. El centro de control de referencia incluye horas mensuales de tarjetas aceleradoras, tasa de inactividad y coste unitario por token. La versión interna supervisa también el coste por cada mil tokens, la facturación por proyecto y por inquilino, y el modelo de medición global enlaza horas de acelerador, energía, tokens, proyectos, inquilinos y modelos.

Esto proporciona al panel varias perspectivas de costes: consumo total, coste unitario, coste por inactividad y gasto por responsable. Estas vistas solo funcionan si las definiciones son coherentes. Si las horas de tarjeta representan tiempo asignado en una vista y tiempo activo en otra, el KPI pierde toda fiabilidad.

¿Qué conviene medir en el consumo de negocio?

El consumo de negocio muestra cómo los proyectos, inquilinos, modelos o aplicaciones aprovechan la infraestructura. El panel de referencia incluye vistas de volumen de tokens y cuotas, y la capa de medición puede reflejar además el uso por proyecto, inquilino y modelo, llamadas a APIs y horas de tarjetas aceleradoras.

Esta categoría es fundamental porque operaciones existe para entregar capacidad a usuarios y servicios, además de para mantener sana la infraestructura. Los KPIs de consumo reflejan si la demanda cambia y qué departamentos la impulsan, sirviendo de base para la planificación y la repercusión de costes.

¿Qué KPIs de riesgo de capacidad conviene incluir?

El modelo de operaciones de referencia incluye advertencias de nivel de capacidad, fecha prevista de ampliación, predicción de capacidad, detección de fragmentación y riesgo por caducidad de licencias o garantías. Por lo tanto, el panel debe combinar indicadores prospectivos con la utilización actual. Entre los ejemplos destacan el porcentaje de asignación en tiempo real, la capacidad disponible, las advertencias de umbral, la fecha proyectada para alcanzar el límite, la fragmentación de recursos, los cuellos de botella físicos y el vencimiento de contratos o soporte.

El modelo de referencia no impone un método de predicción único, de modo que el KPI no debe prometer una precisión superior a la de sus fuentes. Lo relevante es que el panel ayude a los operadores a anticipar las limitaciones con tiempo suficiente para actuar.

¿Qué KPIs de alarmas conviene incorporar?

El centro de control de referencia muestra alarmas pendientes, últimas alarmas e incidencias de estado de los nodos, mientras que la capa de AIOps suma consolidación de incidentes y análisis de causa raíz.

El panel superior no necesita mostrar cada recuento de eventos en bruto. Requiere la información justa para valorar el riesgo operativo del momento: incidentes abiertos, alarmas críticas pendientes, nodos o servicios afectados, tiempo sin resolver e incidentes reiterados. El volumen bruto de eventos puede consultarse en el centro de alarmas, mientras que el panel debe dirigir la atención a lo que exige una acción inmediata.

¿Deben los KPIs de infraestructura reflejar el impacto en el servicio de negocio?

Sí, siempre que existan datos sobre las relaciones entre componentes. La base de datos de referencia admite topología de negocio y análisis de impacto, de modo que un KPI puede distinguir cuatro equipos caídos sin afectación directa de un único equipo averiado que sostiene un servicio crítico. La segunda situación puede exigir mayor prioridad. Las operaciones de infraestructura ganan valor cuando el estado de los equipos se vincula a la salud del servicio de negocio.

En cuanto a la capa de servicio, qué es la gestión de servicios de negocio y en qué se diferencia del monitoreo de infraestructura detalla por qué la propiedad y el impacto marcan la diferencia.

¿Cómo encajan los KPIs energéticos en el panel?

El modelo de infraestructura de referencia incluye consumo eléctrico, PUE, WUE, energía por token, tarifas en horas punta y valle, y coste energético. Estos indicadores corresponden a las vistas de costes operativos y eficiencia de instalaciones, y también apoyan la planificación de capacidad.

Un consumo elevado en el rack puede limitar la capacidad desplegable aunque queden unidades U libres, por lo que las restricciones de refrigeración líquida y potencia pueden figurar tanto en KPIs de instalaciones como en alertas de riesgo de capacidad. El panel debe conservar esa correlación en lugar de relegar la energía a una página aislada de sostenibilidad.

¿Cómo gestionar la gobernanza de las definiciones de los KPIs?

Utiliza un diccionario de métricas compartido. El centro de control de referencia establece que sus datos proceden de los sistemas de recolección y tarificación existentes y no se introducen manualmente, lo cual constituye una regla excelente.

Para cada KPI, define el nombre, el origen, la fórmula de cálculo, la ventana temporal, el método de agregación, la unidad de medida, el responsable y el destino del desglose detallado. Esto evita que diferentes equipos manejen distintas versiones de "utilización" o "capacidad disponible", y garantiza que el panel exponga siempre la definición operativa consensuada.

¿Cuántos KPIs debería mostrar la primera pantalla?

El diseño de referencia prioriza un número reducido de categorías con opción de profundizar, lo cual es un criterio acertado. La primera pantalla debe ofrecer suficiente información para entender las operaciones en curso de un vistazo, dejando las métricas minuciosas para vistas especializadas. El director de un centro no necesita ver cada contador de almacenamiento en la portada, pero un especialista en almacenamiento los necesitará en cuanto acceda al detalle.

El panel debe priorizar los indicadores que influyen en las decisiones, ya que acumular más métricas no genera automáticamente mayor visibilidad.

¿Cómo deben adaptarse los KPIs según el perfil?

El modelo de referencia identifica prioridades distintas para cada rol. Un director de centro se interesa por el suministro total, las tendencias, el riesgo de capacidad y el presupuesto. El responsable de operaciones supervisa la eficiencia, la tasa de inactividad, los costes y la capacidad. El operador de guardia atiende al estado de los nodos, las alarmas activas, las averías y la recuperación. Un usuario de negocio revisa el consumo, la cuota y la calidad del servicio.

Las definiciones de base se mantienen idénticas mientras la presentación cambia según el rol, lo que evita la sobrecarga visual sin generar versiones contradictorias de la realidad.

¿Cuál es el conjunto mínimo de KPIs verdaderamente útil?

Un conjunto mínimo basado en el modelo de referencia incluiría capacidad disponible, nodos en línea, utilización, tareas activas y en cola, tasa de éxito de tareas o servicios, alarmas operativas pendientes, tasa de inactividad, coste unitario, volumen de consumo y fecha de límite de capacidad. Esos indicadores abarcan suministro, eficiencia, fiabilidad, costes, consumo y riesgos futuros.

Un ejemplo de plataforma que estructura sus operaciones en torno a estas categorías de KPIs es Sensaka.

Si tuviera que diseñar la primera versión de un panel de operaciones unificado, empezaría con una métrica para cada categoría de decisión en lugar de 50 métricas técnicas dispersas. Muestra el suministro utilizable, la utilización, el éxito del servicio, el riesgo operativo inmediato, el coste unitario y el consumo del negocio. Después, permite profundizar desde cada KPI hasta las evidencias que lo sustentan.