La gestión de datos agéntica —el uso de agentes de inteligencia artificial autónomos para ejecutar tareas de gobierno, calidad y orquestación de datos sin intervención humana constante— está dejando de ser un concepto de laboratorio para convertirse en una opción técnica evaluable por equipos de datos maduros. No reemplaza los marcos de gobernanza existentes: los presupone.
La idea central es sencilla, aunque su implementación no lo es: un agente de IA recibe un objetivo —detectar anomalías en un pipeline, reconciliar definiciones entre dominios, catalogar activos nuevos— y lo ejecuta de forma autónoma, tomando decisiones intermedias sin esperar aprobación humana en cada paso. Lo que distingue a los sistemas agénticos de la automatización tradicional es la capacidad de razonar sobre el contexto, encadenar acciones y ajustar el plan ante resultados inesperados. En términos del DAMA-DMBOK, estos agentes operan sobre las mismas áreas de conocimiento —calidad, metadatos, arquitectura, integración— pero comprimen el ciclo de ejecución de días a minutos.
Qué hace un agente de datos, en concreto
Un agente de gestión de datos puede encargarse de tareas como perfilar automáticamente un dataset recién ingerido, asignarle una clasificación de sensibilidad según reglas predefinidas, abrir un ticket de data stewardship si detecta una violación de política, o actualizar el linaje en el catálogo corporativo. Lo que hasta ahora requería la coordinación entre un data engineer, un data steward y un analista de calidad puede, en escenarios bien acotados, ser delegado a un agente que opera dentro de guardarraíles configurados por el equipo de gobernanza. El concepto se alinea con lo que Bob Seiner denomina Non-Invasive Data Governance: el gobierno de datos no como capa burocrática adicional, sino como lógica embebida en los flujos de trabajo existentes. Los agentes, en ese marco, son ejecutores naturales de políticas ya definidas.
Tres capacidades técnicas que lo hacen viable hoy
La gestión de datos agéntica no es nueva como concepto, pero tres desarrollos recientes la acercan a la viabilidad operativa. Primero, los modelos de lenguaje de gran escala (LLMs) con capacidad de llamada a herramientas (tool calling) permiten que un agente consulte APIs de catálogos, ejecute queries de validación y escriba resultados en sistemas de registro sin intervención humana. Segundo, los marcos de orquestación de agentes —LangGraph, CrewAI, AutoGen y similares— proveen estructuras para definir flujos multi-agente con roles diferenciados: un agente descubridor, uno validador, uno notificador. Tercero, la proliferación de APIs estandarizadas en plataformas de catálogo (Atlan, Alation, DataHub) facilita la integración sin desarrollo a medida.
Cuándo aplica y cuándo no
La gestión de datos agéntica tiene sentido en organizaciones que ya cuentan con un catálogo de datos operativo, políticas de calidad documentadas y roles de data steward definidos. Sin esa base, un agente autónomo no tiene políticas que ejecutar ni contexto semántico sobre el que razonar: amplifica el caos en lugar de reducirlo. El EDM Council, en su marco CDMC (Cloud Data Management Capabilities), sitúa las capacidades de automatización avanzada en los niveles 4 y 5 de madurez; llegar a esa automatización agéntica sin haber consolidado los niveles anteriores —clasificación, linaje básico, ownership formal— es técnicamente posible pero operativamente riesgoso. Tampoco es la solución adecuada para decisiones de gobernanza que requieren juicio contextual complejo, negociación entre dominios de negocio o resolución de conflictos de definición entre áreas. Esas tareas siguen siendo territorio humano.
El riesgo de delegar sin auditar: lo que exigen LGPD y Ley 25.326
Introducir agentes autónomos en los flujos de gestión de datos abre una pregunta de gobernanza que en América Latina tiene dimensión regulatoria concreta. Si un agente toma decisiones sobre clasificación de datos personales, modificación de registros o generación de metadatos de linaje, ¿quién responde ante la Autoridade Nacional de Proteção de Dados (ANPD) en Brasil o ante la Agencia de Acceso a la Información Pública (AAIP) en Argentina cuando esa decisión automatizada resulta incorrecta? Tanto la Lei Geral de Proteção de Dados (LGPD, Lei 13.709/2018) como la Ley 25.326 de Argentina exigen que las decisiones automatizadas con efectos sobre datos personales sean auditables y, en ciertos supuestos, reversibles a solicitud del titular. Eso implica que cualquier implementación agéntica sobre activos de datos personales debe incluir, desde el diseño, un registro inmutable de las acciones del agente, un mecanismo de revisión humana y un responsable formal (data steward o DPO) que pueda explicar cada decisión. La autonomía del agente no elimina la accountability del equipo de datos.
Lo que un CDO debería evaluar antes de pilotear
Antes de lanzar un piloto de gestión de datos agéntica, hay cuatro preguntas operativas que el equipo de gobernanza debe poder responder: ¿El catálogo de datos tiene cobertura suficiente del dominio que el agente va a gestionar? ¿Las políticas de calidad y clasificación están documentadas en formato legible por máquina (reglas, no narrativas)? ¿Existe un proceso de revisión humana para las acciones del agente que afecten datos personales o activos críticos? ¿Hay logging centralizado que permita auditar cada decisión del agente con atribución de causa? Si alguna de estas cuatro respuestas es negativa, el piloto debería empezar por resolver ese gap antes de activar autonomía agéntica. Un primer caso de uso recomendable: delegar al agente el perfilado y etiquetado preliminar de datasets nuevos en un data lake, con revisión humana antes de que esos metadatos se publiquen en el catálogo corporativo.
Para profundizar en los marcos de madurez que determinan si una organización está lista para automatización agéntica, el CDMC del EDM Council y la versión 2.0 del DAMA-DMBOK son los puntos de partida más completos disponibles en la industria.
