Una encuesta reciente identifica una brecha significativa entre las políticas de gobernanza de datos que las organizaciones dicen tener y su capacidad real de hacerlas cumplir cuando entran en juego herramientas de inteligencia artificial agéntica. El hallazgo central es directo: los marcos de gobernanza existentes no fueron diseñados para agentes que actúan de forma autónoma, encadenan decisiones y acceden a datos sin intervención humana en cada paso.
La IA agéntica —sistemas capaces de ejecutar tareas de múltiples pasos, invocar herramientas externas y operar con mínima supervisión humana— no es un concepto de laboratorio. Plataformas como Microsoft Copilot Studio, Salesforce Agentforce y varias soluciones verticales ya despliegan agentes en entornos productivos. El problema, según se informó a partir de los resultados de la encuesta, es que la mayoría de las organizaciones todavía aplica a estos agentes las mismas políticas de acceso y clasificación pensadas para usuarios humanos o aplicaciones tradicionales. Esa equivalencia es operativamente incorrecta.
Por qué los agentes autónomos rompen los modelos de control tradicionales
En un entorno de gobernanza convencional, el control de acceso a datos se gestiona a nivel de usuario o sistema: quién puede leer qué, bajo qué condiciones, con qué nivel de clasificación. Un agente de IA agéntica, en cambio, puede actuar como orquestador de múltiples sub-agentes, combinar fuentes de datos heterogéneas en tiempo real y generar outputs que ningún nodo individual del sistema habría producido de forma aislada. Esto quiebra los supuestos de linaje de datos (data lineage) sobre los que descansa cualquier framework de gobernanza maduro: ya no hay una cadena de custodia clara, un data steward puede no tener visibilidad sobre qué datos procesó el agente ni con qué propósito intermediario.
El DAMA-DMBOK identifica el gobierno del ciclo de vida del dato como uno de sus dominios centrales. Pero ese ciclo asume, implícitamente, que hay un actor identificable en cada transformación. Cuando un agente encadena llamadas a APIs, consultas a bases de datos vectoriales y modelos de lenguaje en milisegundos, el concepto de “propietario del dato” (data owner) se vuelve difuso. La encuesta, según se informó, refleja que las organizaciones reconocen esta brecha pero aún no tienen respuestas operativas concretas.
Cuándo aplica esta brecha y cuándo NO
La brecha de enforcement que identifica la encuesta es relevante para organizaciones que ya tienen agentes en producción o en pilotos con acceso real a datos corporativos. No aplica, o aplica de forma marginal, en contextos donde la IA generativa se usa solo en modo asistido —el usuario aprueba cada acción— o donde los modelos no tienen conectores a sistemas internos. La distinción es crítica: muchas organizaciones en América Latina están todavía en la segunda categoría, lo que les da una ventana para diseñar controles antes de escalar. Las que ya cruzaron al modo agéntico necesitan actuar ahora.
Argentina, Brasil y México frente al mismo problema sin marco específico
Ninguna jurisdicción latinoamericana tiene hoy un marco regulatorio específico para agentes de IA con acceso autónomo a datos. Brasil avanza con su estrategia nacional de IA, pero la ANPD aún no ha emitido lineamientos sobre tratamiento automatizado por sistemas agénticos bajo la LGPD. En Argentina, la AAIP tiene pendiente su resolución sobre perfilado automatizado y la Ley 25.326 no contempla escenarios de agencia autónoma. México, con el INAI como autoridad, tampoco ha abordado el punto desde la LFPDPPP. Esto significa que los equipos de gobernanza en la región operan en un vacío normativo que no los exime de responsabilidad: si un agente accede, combina o expone datos personales sin base legal adecuada, la infracción es de la organización, no del agente.
El EDM Council, con su marco CDMC (Cloud Data Management Capabilities), incluye controles para entornos de datos distribuidos que pueden adaptarse parcialmente a arquitecturas agénticas, particularmente en las capabilities de clasificación automatizada y control de acceso basado en políticas (ABAC). Algunas instituciones financieras en Brasil que ya operan bajo requerimientos del Banco Central para open finance están más cerca de tener esas capacidades instaladas, aunque sin el foco específico en agentes.
Tres controles que un equipo de gobernanza puede implementar hoy
- Inventario de agentes con acceso a datos: registrar cada agente desplegado o en piloto, sus conectores activos y el nivel de clasificación de los datos a los que accede. Sin este inventario, no hay punto de partida posible.
- Identidad de agente separada de identidad humana: asignar credenciales específicas a cada agente (no usar cuentas de servicio genéricas ni credenciales de usuarios), lo que permite auditoría granular y revocación sin impacto en otros sistemas.
- Política de propósito limitado por agente: definir explícitamente qué datos puede acceder cada agente, con qué finalidad y bajo qué condiciones puede escalar a datos de mayor sensibilidad. Esto es análogo al principio de minimización de datos en privacidad, aplicado a agentes.
Para los equipos de gobernanza en LATAM, la encuesta no describe un problema futuro: describe lo que ya ocurre en organizaciones que escalaron agentes sin actualizar sus marcos. El inventario de agentes es el primer entregable que justifica una reunión con el CISO y el CTO esta semana.
