
IaC + Agentes IA: Tu CMDB por fin viva en 2026 (y no un cementerio de Excel)
Enero de 2021. Entonces, publicábamos en BAOSS cómo usar ansible_facts para volcar inventario de paquetes y hardware a JSON y versionarlo en Git. Ingenioso, artesanal y, seamos honestos, insuficiente para 2026. Ahora, un cliente medio nuestro gestiona 1.200+ workloads entre AWS, Azure, GCP, on-prem y edge. La CMDB tradicional es estática, manual y desconectada de la realidad. Por eso, se ha convertido en el mayor freno para auditorías SOC2, respuesta a incidentes (ciberseguridad con IA) y FinOps. Por eso, en BAOSS consultoría IT lo resolvemos combinando IaC y agentes IA para que la CMDB viva en tiempo real.
El problema real 2026-2027 no es «recopilar datos». Es decir, se trata de mantener una fuente de verdad viva, consultable y accionable. Mientras tanto, la infraestructura muta cada 11 minutos (media de despliegues en nuestros clientes enterprise). Ahora bien, la solución ya no es un playbook cron. Es una pipeline de inteligencia de configuración donde IaC, GitOps y agentes autónomos (LangGraph, CrewAI, AutoGen) alimentan un grafo de conocimiento. Después, los equipos consultan ese grafo por LLM (GPT-4o, Claude 4, modelos locales vLLM/Ollama) vía RAG y MCP.
Por qué tu CMDB huele a naftalina: la lección de BAOSS consultoría IT (datos 2025)
- Drift invisible: 68 % de los incidentes graves en clientes BAOSS 2026-2027 tuvieron causa raíz en configuración no reflejada en CMDB (fuente: Post-Incident Reviews anonimizados, n=47).
- Coste de auditoría: por ejemplo, preparar evidencias SOC2/ISO27001 consume 320 h/trimestre/equipo sin automatización inteligente.
- FinOps ciego: además, un 23 % de gasto cloud «zombie» (recursos huérfanos, overprovisioning silencioso) por falta de atribución owner/entorno en CMDB.
- MTTR inflado: +41 min de media buscando «qué cambió» y «quién lo toca» sin grafo de dependencias vivo.
La CMDB 2021 (JSON en Git) resolvía «qué hay». En cambio, la CMDB 2026 debe responder «qué cambió, por qué, quién lo autoriza, qué impacto tiene y cuánto cuesta» —en lenguaje natural, en Slack/Teams, en <5 s.
Arquitectura BAOSS 2026: IaC + Agentes = CMDB Viva
Por ejemplo, en clientes de banca, retail y sector público desplegamos en producción un patrón repetible de tres capas:
1. Capa de recolección continua (IaC-native)
Primero, olvida cron + ansible-playbook. En su lugar, usamos OpenTofu/Terraform + Ansible Execution Environments (EE) disparados por GitOps (ArgoCD/Flux) o event-driven (EventBridge → Step Functions → AAP/Controller). Así, cada cambio de infra (PR merged, drift detectado, escala automática) lanza jobs idempotentes que extraen:
- Hardware/virtual: CPU, RAM, discos, NICs, GPU, firmware (vía
community.general.hardware_facts+redhat.rhel_mgmt). - Software SBOM: Paquetes (rpm/deb/apk), contenedores (Syft/Grype), dependencias Python/Node/Go (CycloneDX/SPDX).
- Configuración viva: sshd_config, sysctl, systemd units, reglas firewall, cloud-init rendido.
- Identidad y accesos: IAM roles, policies, SSH keys, certificados, service accounts (AWS IAM Access Analyzer, Azure PIM, GCP Recommender).
Como resultado, generamos una salida normalizada a OpenTelemetry Attributes + CloudEvents → Kafka/Redpanda topic cmdb.raw.events. La latencia P95 es de 3,2 s desde merge a evento disponible.
2. Capa de inteligencia: Agentes IA autónomos (LangGraph + CrewAI)
De hecho, aquí es donde 2026 rompe con 2021. Es decir, no guardamos JSON en Git. Por eso, orquestamos agentes que procesan el stream:
- Agent
Normalizer(LangGraph): Mapea esquemas heterogéneos (AWS EC2, Azure VM, VMware, bare-metal) a Canonical Configuration Model (CCM) basado en ITIL 4 + Cloud Asset Inventory. Valida integridad referencial (¿existe el owner? ¿la VPC? ¿el tagcost_center?). - Agent
DriftHunter(CrewAI): Compara desired state (Terraform/OpenTofu state + Git) vs actual state (hechos recién llegados). Clasifica drift: authorized (PR aprobado), emergency (break-glass), malicious (fuera de ventana, sin ticket), config-rot (deriva gradual). Genera PR de remediación o alerta SOAR. - Agent
DependencyMapper(AutoGen + Neo4j): Construye grafo de dependencias en tiempo real: workload → instancia → SG → NACL → VPC → TGW → DNS → certificado → owner → coste. Actualiza embeddings vectoriales (text-embedding-3-large) para RAG. - Agent
FinOpsEnricher(MCP + Focus 1.0): Enriquece cada nodo con coste unitario, amortización, rightsizing recomendado, commitment coverage. ExponeGET /cmdb/node/{id}/costvía MCP server.
3. Capa de consumo: RAG + MCP + UI conversacional
Es decir, la CMDB ya no se «consulta». Se pregunta:
- Slack/Teams Bot (GPT-4o + RAG sobre Neo4j + Chroma): «¿Qué workloads usan el certificado
wildcard.baoss.esque expira en 14 días y quién es su owner?» → Respuesta en 2,1 s con grafo navegable, coste asociado y botón «Crear ticket renovación». - MCP Server (Model Context Protocol): Expone
cmdb.query,cmdb.drift,cmdb.impactpara que Cline, Cursor, Claude Desktop o agentes internos razonen sobre infra sin salir del IDE. - Portal self-service (Backstage + plugin BAOSS): Desarrolladores ven sus recursos, dependencias, coste, drift y compliance sin pedir a Ops.
Caso real BAOSS (anonimizado): Banca retail, 2.400 workloads híbridos
Contexto: por ejemplo, una CMDB ServiceNow legacy (actualización manual mensual), 34 % de CIs inexactos, auditoría SOC2 tipo II en 90 días, equipo de 6 SREs saturados.
Despliegue 8 semanas (fases)
- Semana 1-2: primero, discovery automatizado con
ansible.builtin.setup+community.general.packages+syften 100 % nodos (EE estandarizado, 0 agentes extra). - Semana 3-4: después, en esta fase, pipeline GitOps (ArgoCD) + Kafka + Agentes LangGraph/CrewAI en EKS Fargate (coste infra: 0,18 $/nodo/mes).
- Semana 5-6: además, en esta fase, migración histórica ServiceNow → Neo4j (scripts Cypher + validación humana 5 %). Entrenamiento embeddings específicos dominio (modelo
bge-m3fine-tuned). - Semana 7-8: por último, en esta fase, bot Slack + MCP server + Backstage plugin. Simulacro auditoría SOC2: evidencias generadas en 4 min vs 320 h manuales.
Resultados a 6 meses (métricas reales)
- Precisión CMDB: 99,2 % (vs 66 % inicial) medido por reconciliation job semanal aleatorio (n=500 CIs).
- Drift malicioso detectado: 17 eventos (3 credenciales rotadas sin ticket, 14 cambios SG fuera de ventana). MTTR drift: 8 min (antes: 4,3 h).
- Ahorro FinOps: 340 k€/año (recursos zombie + rightsizing automático aplicado vía PR).
- Tiempo preparación auditoría: -98 % (320 h → 6 h/trimestre).
- ROI: 3,4x en 6 meses (inversión 185 k€ entre tooling, horas BAOSS y cloud).
- Adopción desarrolladores: 78 % consultan CMDB vía Slack/IDE semanalmente (antes: 0 %).
Caso real BAOSS (anonimizado): E-commerce multinube, Black Friday 2024
Reto: ahora, garantizar compliance PCI-DSS 4.0 en entorno efímero (K8s + serverless) durante pico 12x tráfico habitual. Es decir, la CMDB estática era inútil.
Solución ad-hoc 3 semanas: Desplegamos agente PCI-Scanner (AutoGen) que valida, cada 15 min, 217 controles PCI sobre el grafo vivo. Revisa cifrado en tránsito/reposo, segmentación red, least privilege IAM, rotación secretos y logging inmutable. Después, exponemos los resultados vía MCP a dashboard Grafana + alertas PagerDuty.
Resultado: por lo tanto, cero hallazgos críticos en auditoría externa. De hecho, 23 hallazgos auto-remediados por agente (PRs con terraform apply -auto-approve en ventana de cambio preaprobada). Equipo seguridad: «Primera vez que dormimos tranquilos en Black Friday».

