La creciente complejidad de los entornos basados en Kubernetes y arquitecturas de microservicios ha puesto de manifiesto las limitaciones de los sistemas tradicionales de monitorización basados en reglas y umbrales estáticos. Estos enfoques presentan dificultades para escalar, generan un elevado número de falsas alarmas y carecen de contexto para apoyar la toma de decisiones operativas. En este trabajo se presenta el diseño, implementación y validación de un Operador Inteligente de Kubernetes orientado a la detección proactiva de anomalías mediante el uso de inteligencia artificial. La solución se basa en un operador Kubernetes nativo que recolecta métricas de los workloads en tiempo real, analiza su comportamiento mediante modelos de lenguaje de gran tamaño y genera alertas contextuales junto con recomendaciones accionables para equipos SRE y DevOps. El sistema ha sido evaluado en un entorno controlado durante 48 horas de operación continua, validándose sobre cargas de trabajo CPU-bound, memorybound y GPU-bound. Los resultados obtenidos muestran una alta precisión en la detección de anomalías (91.7% de verdaderos positivos) y una baja tasa de falsas alarmas (0.3 %), superando a los enfoques tradicionales basados en umbrales. Asimismo, la solución se presenta como un sistema productivo, seguro y fácilmente desplegable, preparado para su adopción en entornos reales.