Cuando hablamos de IA, normalmente pensamos en ChatGPT, Kimi o Copilot. Pero hay un tipo de «IA» mucho más antigua, silenciosa y que mueve el 90% de las decisiones automáticas en empresas: los sistemas basados en reglas.

No necesitan GPUs, no alucinan, no se entrenan con terabytes de datos. Son lógica pura: «si pasa X y Y, haz Z». Y siguen siendo esenciales en cloud, compliance, operaciones y cualquier sistema donde necesitas control total y explicabilidad.

---

Qué son realmente los sistemas basados en reglas

Los sistemas basados en reglas (o sistemas expertos) son programas que toman decisiones siguiendo reglas lógicas predefinidas por humanos expertos en el dominio.

Estructura básica:

textSI condición1 Y condición2 
ENTONCES acción

Ejemplo simple:

textSI VM.cargaCPU > 80% 
   Y VM.memoriaDisponible < 20%
ENTONCES escalarVerticalmente(VM)

No hay redes neuronales, no hay probabilidades. Es determinismo puro: la misma entrada siempre produce la misma salida.

---

Cómo funcionan: motores de reglas vs código tradicional

Motor de reglas (Rule Engine)

Un sistema central que evalúa reglas contra datos de entrada y dispara acciones.

Ventajas sobre if/else tradicionales:

• Centralización: todas las reglas en un sitio, no dispersas por el código
• No programación: reglas en formato legible (Excel, YAML, DSL)
• Hot reload: cambiar reglas sin redeploy
• Auditoría: quién creó/modificó cada regla y cuándo
• Pruebas: validar reglas individualmente sin ejecutar todo el sistema

Ejemplo en Azure Policy (que ya usas)

text"if": {
  "allOf": [
    {
      "field": "type",
      "equals": "Microsoft.Compute/virtualMachines"
    },
    {
      "field": "tags.CostCenter",
      "exists": "false"
    }
  ]
},
"effect": "deny"

Esto ES un sistema de reglas.

---

Casos reales donde las reglas son imbatibles

1. Compliance y gobernanza (donde brillan)

textAzure Policy → reglas para tags, nombres, SKUs permitidos
Terraform Sentinel → políticas de IaC
Kubernetes OPA Gatekeeper → validar manifests antes de apply

Ejemplo concreto:

textSI VM tiene tag "Entorno=Producción" 
   Y VM.SKU = "Standard_B1s"
ENTONCES denegar_creación

2. Scoring y decisiones automáticas

textSI cliente.score_riesgo > 75 
   Y transacción.monto > 10000
ENTONCES revisión_manual

Bancos, seguros, e-commerce: millones de decisiones diarias sin ML.

3. Workflows operativos

textSI alerta.severidad = "Critical" 
   Y alerta.duración > 15min
ENTONCES page_duty_team + ejecutar_runbook

4. Validación de configuraciones

textSI StorageAccount.public_access = true 
   Y StorageAccount.data_classification = "Sensitive"
ENTONCES marcar_no_compliant

---

Herramientas reales que ya conoces

Cloud nativas:

• Azure Policy → gobernanza de recursos
• Azure Logic Apps → workflows con condiciones
• Terraform Sentinel/OPA → políticas de IaC

Motores dedicados:

• Drools (Java) → enterprise rule engines
• Camunda/Activiti → BPMN + reglas
• JsonLogic → reglas en JSON para APIs
• Open Policy Agent (OPA) → políticas everywhere (k8s, Terraform, API Gateway)

Simples pero potentes:

text# rules.yaml
- name: vm_high_cost
  conditions:
    - resource.type == "Microsoft.Compute/virtualMachines"
    - resource.sku == "Standard_D32s_v5"
    - resource.tags.Environment != "Production"
  action: deny

---

Cuándo las reglas son PERFECTAS (y ML sobra)

✅ Usa reglas cuando:

• Necesitas 100% explicabilidad («¿por qué se denegó esta VM?»)
• Las reglas son estables (compliance, políticas de negocio)
• El volumen de datos es pequeño/medio
• Quieres hot reload sin downtime
• Compliance exige audit trail completo

❌ NO uses reglas cuando:

• Tienes millones de combinaciones imposibles de enumerar
• Los patrones son demasiado complejos para reglas humanas
• Necesitas adaptarte a datos nuevos continuamente

---

Ejemplo mínimo viable: Azure Policy para tagging obligatorio

Problema: VMs sin tag CostCenter

Regla en Azure Policy (JSON):

json{
  "policyRule": {
    "if": {
      "allOf": [
        {
          "field": "type",
          "equals": "Microsoft.Compute/virtualMachines"
        },
        {
          "field": "tags['CostCenter']",
          "exists": "false"
        }
      ]
    },
    "then": {
      "effect": "deny"
    }
  }
}

Resultado: Imposible crear VM sin CostCenter=12345. Auditoría completa. Cero ML. Cero GPUs.

---

Por qué las reglas siguen siendo «IA» (y esenciales)

Aunque suene anticuado, los sistemas basados en reglas son IA porque:

1. Codifican conocimiento experto que normalmente estaría en cabezas humanas
2. Toman decisiones autónomas en producción 24×7
3. Resuelven el 80% de casos donde la IA generativa alucinaría
4. Soportan el 90% de workloads enterprise de decisión automatizada

En cloud/infra son especialmente potentes porque:

textCompliance ✅
Gobernanza ✅  
Automatización operativa ✅
Escalado automático ✅
Cost optimization ✅

La IA generativa (ChatGPT, Kimi…) es increíble para generar código y prototipos. Pero para ejecutar en producción con control total, las reglas siguen siendo el rey.