Por qué observabilidad causal: los logs dicen qué, no por qué

La observabilidad moderna es un logro genuino. Las métricas te dicen que algo se movió. Los traces te dicen dónde se fue el tiempo. Los logs te dicen qué dijo cada servicio mientras pasaba. Y aun así, cuando empieza el postmortem, la primera hora es siempre igual: alguien abre seis pestañas y empieza a correlacionar por timestamp.

Es que la telemetría de hoy responde qué y cuándo — pero la pregunta que importa en incidentes, auditorías y gobernanza de IA es por qué.

Correlación no es causalidad — literalmente

La adyacencia de timestamps es como la mayoría de los equipos reconstruye causalidad hoy, y falla exactamente en los casos que importan:

• Concurrencia — dos acciones se intercalan; ¿cuál causó el desenlace?
• Flujos entre sistemas — la causa vive en otro servicio, otro formato de log, otra ventana de retención.
• Actores no humanos — actuó una automatización o un agente de IA; nada conecta su decisión con los eventos que la dispararon.

La información para responder “por qué” existía en el momento en que cada acción corrió. Los pipelines tradicionales botan esa estructura al escribir, y luego pagan analistas para re-derivarla al leer.

Captura la causalidad cuando es barata

La postura de Vectry es simple: la causalidad debe capturarse cuando el evento se emite, porque es cuando se conoce y cuesta poco. Un evento que nombra su actor, su operación formal y las coordenadas de su entidad puede enhebrarse en un trace y una cadena causal al llegar. El grafo se construye hacia adelante, no se excava hacia atrás.

Con el grafo en pie, tres cosas dejan de ser proyectos:

1. Reconstruir un incidente es recorrer un hilo hasta su desenlace.
2. Auditar es leer una explicación — la cadena caused_by más una narrativa.
3. Triage de anomalías es comparar patrón esperado vs real, con cada desviación enlazada a su explicación.

El ángulo XAI

A medida que los agentes de IA ejecutan acciones reales en operaciones reales, “el modelo lo decidió” deja de ser una respuesta de auditoría aceptable. La regulación de explicabilidad y la gobernanza interna convergen en el mismo requisito: reconstruir la cadena desde los eventos de entrada hasta la acción. Si tu capa de datos captura causalidad nativamente, XAI deja de ser una diapositiva y se convierte en una consulta.

Eso significa observabilidad causal — y por eso la construimos como infraestructura.