Gestionar logs a escala es una de las tareas más ingratas de la ingeniería de software, y quien lo ha padecido durante una década lo sabe de primera mano. Este artículo técnico y opinativo recorre el problema de fondo: los desarrolladores esperan búsquedas instantáneas y consultas improvisadas, mientras que los equipos de producto y atención al cliente quieren dashboards estables y una interfaz predecible. Esa tensión entre audiencias es el verdadero reto de la observabilidad, por encima del puro volumen de datos.
El texto defiende el papel de ClickHouse como motor analítico de uso general capaz de absorber esa carga. Nacido en Yandex para consultas masivas sobre datos de navegación, ClickHouse resulta adecuado para observabilidad porque ambos casos comparten patrones: escritura anexa masiva, orden temporal y lecturas agregadas. Su almacenamiento columnar permite leer solo las columnas relevantes en cada consulta, lo que, sobre datos de telemetría con decenas de atributos y filtros de tres o cuatro campos, marca la diferencia entre escanear 40 GB o 800 GB. Además, ofrece ratios de compresión del orden de 10 a 14 veces frente a los 2 o 3 de Elasticsearch.
El autor subraya el argumento más decisivo: ClickHouse mantiene la misma arquitectura al pasar de 1 TB diarios a 10 TB diarios, simplemente con más shards, mientras que otras plataformas cambian de forma y de modelo operativo al crecer. La pieza repasa cómo integrarlo mediante Helm, el plugin para Grafana, el exportador de OpenTelemetry y SQL como lenguaje de consulta ya existente, y deja la puerta abierta a una segunda entrega que profundice en Elasticsearch, Grafana, Loki y Datadog.