Red Hat amplía capacidades operativas para IA empresarial
La gestión operativa de sistemas autónomos se perfila como uno de los nuevos retos de la IA empresarial.
Red Hat AI 3.4 incorpora herramientas para desplegar, gobernar y auditar agentes de IA a escala.
Las empresas están enfrentando nuevos retos para llevar sistemas de IA autónomos desde pruebas experimentales hacia operaciones de producción. En ese contexto, Red Hat presentó Red Hat AI 3.4, una plataforma orientada al despliegue y gestión de modelos y flujos de trabajo agénticos en entornos híbridos.
La compañía sostiene que muchas organizaciones están pasando de ser “consumidores de tokens” a “proveedores de tokens” para gestionar mejor costos y habilitar casos de uso de IA privados y soberanos.
En ese escenario, Red Hat identifica como uno de los principales desafíos la fricción entre desarrolladores y administradores de infraestructura, además del crecimiento de prácticas de “shadow AI” que introducen riesgos no gobernados y costos impredecibles.
Esto supone un avance hacia plataformas de IA empresariales enfocadas en escalar agentes autónomos con capacidades de gobernanza, trazabilidad y control operativo en distintos entornos de nube e infraestructura.
Arquitectura para IA empresarial.
Red Hat plantea que la transición desde chatbots experimentales hacia sistemas autónomos de grado de producción requiere un nuevo enfoque operativo y de infraestructura. Bajo esa lógica, la compañía impulsa una arquitectura “metal-to-agent” orientada a combinar inferencia escalable, control operativo y despliegue de agentes autónomos en entornos empresariales.
La actualización incorpora herramientas para inferencia distribuida, gestión de modelos, AgentOps, observabilidad, evaluación de modelos y seguridad multicapa, con el objetivo de ofrecer una infraestructura unificada para desarrolladores y operadores de TI.
La compañía señaló que la expansión de agentes de IA está incrementando de forma acelerada la demanda de inferencia, especialmente en entornos empresariales donde los agentes operan con mayor autonomía y requieren capacidades de trazabilidad y control.
Capacidades de Red Hat AI 3.4.
Model-as-a-Service (MaaS) gobernado:
Esta función permite a los ingenieros de plataforma ofrecer modelos curados y validados a través de puntos de conexión de API con seguridad mejorada, utilizando interfaces estándar compatibles con OpenAI. Esto permite una gobernanza unificada tanto de modelos internos como de API externas, integrada con autenticación basada en proveedores de identidad (IDP).
La capacidad de MaaS se construye sobre una base de inferencia distribuida de alto rendimiento impulsada por vLLM y llm-d, orientada a mantener un servicio de modelos optimizado y eficiente en distintos entornos de infraestructura.
AgentOps:
Red Hat AI 3.4 incorpora capacidades para gestionar agentes desde el desarrollo hasta producción, independientemente del framework utilizado. Las herramientas integran rastreo, observabilidad, identidad criptográfica y gestión del ciclo de vida para agentes autónomos.
Gestión de prompts integrada:
La plataforma proporciona herramientas unificadas para construir y gestionar prompts como activos de datos de primera clase. Almacenar las instrucciones que impulsan a los modelos y agentes en un registro central proporciona una única fuente de verdad tanto para desarrolladores como para administradores.
Evaluaciones automatizadas para modelos y agentes:
Red Hat AI 3.4 introduce el evaluation hub, un plano de control de evaluación de IA unificado e independiente del framework para evaluar modelos de lenguaje extensos (LLM), aplicaciones de IA y agentes. Esto sustituye métodos fragmentados de prueba por un enfoque unificado de benchmarking para medir calidad, precisión, seguridad y riesgo.
Seguridad multicapa:
El escaneo adversarial automatizado está integrado directamente en el ciclo de vida del desarrollo. Aprovechando tecnologías de Chatterbox Labs y el proyecto Garak, la plataforma analiza riesgos como jailbreaks, inyecciones de prompts y sesgos, combinado con NVIDIA NeMo Guardrails para seguridad en tiempo de ejecución.
Según Red Hat, estas capacidades buscan ofrecer una ruta orientada a la seguridad para pasar desde pilotos experimentales hacia utilidades empresariales listas para producción.
Observabilidad lista para producción:
La integración de MLflow brinda visibilidad sobre la ejecución de agentes mediante OpenTelemetry, permitiendo el rastreo extremo a extremo de llamadas de LLM, pasos de razonamiento, respuestas del modelo, ejecución de herramientas y uso de tokens. Esto crea una pista de auditoría transparente para prompts, embeddings y configuraciones RAG durante el ciclo de vida de modelos y agentes.
MLflow también proporciona seguimiento de experimentos y gestión de artefactos integrados para casos de uso de IA generativa y predictiva.
Gobernanza basada en identidad:
Mediante SPIFFE/SPIRE, Red Hat AI permite sustituir claves estáticas codificadas por tokens de corta duración. Esto respalda operaciones de mínimo privilegio para agentes autónomos y ayuda a vincular acciones agénticas con identidades verificadas.
Experiencias automatizadas:
Herramientas como AutoRAG y AutoML automatizan tareas relacionadas con selección de estrategias de recuperación de datos, construcción de modelos predictivos y optimización de procesos de IA tradicionales.
Flexibilidad de hardware y nubes gestionadas:
La plataforma extiende su arquitectura unificada hacia implementaciones en CoreWeave, Azure e IBM Cloud, además de ampliar Red Hat AI Inference más allá de OpenShift hacia otros servicios Kubernetes para mantener consistencia operativa entre distintos proveedores de hardware y nube.
Red Hat AI Inference también incorpora priorización de peticiones para permitir que tráfico interactivo y de fondo compartan el mismo endpoint, priorizando solicitudes sensibles a la latencia bajo carga. La plataforma añade además soporte para speculative decoding, tecnología que mejora entre dos y tres veces la velocidad de respuesta con impacto mínimo sobre la calidad y el costo por interacción.
Escalabilidad y control.
La compañía explicó que uno de los principales retos de los agentes autónomos es la falta de visibilidad sobre sus procesos de decisión. En respuesta, Red Hat AI 3.4 incorpora capacidades de observabilidad, auditoría y trazabilidad para rastrear cómo los agentes ejecutan acciones y utilizan herramientas dentro de entornos empresariales.
Joe Fernandes, vicepresidente y gerente general de la Unidad de Negocio de IA en Red Hat, sostiene:
“La era agéntica representa una evolución de nuestra plataforma: de ejecutar aplicaciones tradicionales a potenciar sistemas inteligentes y autónomos. Estamos definiendo el estándar abierto sobre cómo la empresa ejecuta la IA. Al proporcionar una base reforzada y de metal-to-agent para la inferencia de IA, MaaS y AgentOps, Red Hat ofrece la garantía operativa que las organizaciones necesitan para innovar a escala manteniendo un control riguroso”.
Además de las capacidades de software, Red Hat AI 3.4 incorpora soporte desde el primer día para arquitecturas NVIDIA Blackwell y AMD MI325X.
Urvashi Chowdhary, vicepresidenta de Gestión de Productos de Servicios de IA en CoreWeave, comenta:
“La colaboración de CoreWeave con Red Hat se basa en un compromiso compartido con la apertura y en ofrecer una base de inferencia de alto rendimiento que permita a las empresas escalar sus cargas de trabajo de IA más complejas. Los agentes autónomos de larga ejecución en la empresa exigen un nuevo nivel de control de infraestructura y seguridad para garantizar operaciones confiables a escala”.
Con Red Hat AI 3.4, la compañía busca ampliar las capacidades operativas para organizaciones que avanzan hacia modelos de IA empresariales centrados en inferencia escalable, despliegue de agentes autónomos y gobernanza de infraestructura híbrida.
|
|
| Recomendados | ||
|
|
| Debes saber esto | ||
