Sin gobernanza de datos consolidada, la IA agéntica en el sector público no es una oportunidad: es un riesgo operativo. Esa es la conclusión que emerge del movimiento que protagonizan agencias federales de Estados Unidos al colocar el gobierno del dato en el centro de su estrategia de adopción de agentes de inteligencia artificial.
La distinción entre IA generativa convencional e IA agéntica es operativamente crítica. Un sistema agéntico no solo responde consultas: ejecuta secuencias de acciones autónomas, toma decisiones intermedias y, en muchos casos, interactúa con sistemas externos sin intervención humana en cada paso. Eso significa que el dato que entra al agente no es solo contexto para una respuesta: es insumo para una acción. Si ese dato está mal clasificado, desactualizado o carece de ownership definido, el error se propaga con una velocidad y un alcance que ninguna revisión posterior puede contener fácilmente.
Qué falló antes y por qué el dato es el cuello de botella
La experiencia acumulada en las primeras implementaciones de IA en el sector público reveló un patrón consistente: los modelos funcionaban, pero los datos subyacentes no estaban en condiciones de sostener decisiones automatizadas. Registros duplicados, campos sin definición semántica acordada, pipelines sin data lineage documentado y ausencia de data stewards con autoridad real sobre dominios específicos fueron los factores que limitaron el valor real de los proyectos. La IA agéntica eleva la apuesta porque requiere datos que no solo sean correctos en un momento dado, sino confiables de manera sostenida y auditables en cada paso del flujo.
Desde el marco del DAMA-DMBOK, esta situación corresponde a una brecha en las áreas de Data Quality, Data Architecture y Data Governance simultáneamente. No es un problema técnico puntual: es una señal de que la organización no tiene claridad sobre quién es responsable de qué dato, bajo qué condiciones ese dato puede ser consumido por un sistema automatizado, y qué sucede cuando el dato cambia.
Las cinco capacidades que los organismos están priorizando
Según se informó, las agencias federales que avanzan en preparación para IA agéntica están enfocando sus esfuerzos en un conjunto acotado de capacidades de gobernanza. No se trata de programas integrales de transformación, sino de habilitadores concretos que permiten que un agente opere con datos confiables. Las áreas de mayor inversión incluyen:
- Catalogación activa de activos de datos con metadatos semánticos legibles por máquina, no solo documentación estática para auditores.
- Data lineage end-to-end: capacidad de trazar el origen, las transformaciones y el consumo de cada dato que un agente puede invocar.
- Definición formal de data domains con stewards designados y accountability documentado, siguiendo el modelo de Non-Invasive Data Governance de Bob Seiner.
- Políticas de acceso al dato alineadas con el rol del agente, no con el rol del usuario humano que lo despliega.
- Marcos de calidad de dato con umbrales mínimos de completitud y consistencia como condición de elegibilidad para consumo agéntico.
Cuándo aplica este modelo — y cuándo NO
Este enfoque es pertinente cuando la organización está evaluando o ya piloteando agentes de IA que toman decisiones con consecuencias reales: asignación de recursos, generación de documentos con valor legal, comunicaciones automatizadas a ciudadanos o clientes, o integración con sistemas transaccionales. No aplica de la misma manera a implementaciones de IA generativa en modo copiloto, donde el humano revisa y aprueba cada output antes de que tenga efecto. La diferencia está en el grado de autonomía del sistema: a mayor autonomía, mayor exigencia sobre la calidad y el gobierno del dato de entrada.
Tampoco reemplaza los controles de ciberseguridad ni la gestión de riesgos de los modelos en sí. La gobernanza de datos es condición necesaria pero no suficiente: un dato perfectamente catalogado puede alimentar igualmente un agente con sesgos en su entrenamiento. La madurez de datos habilita; no garantiza resultados correctos por sí sola.
El estado del arte en LATAM: bancos, registros públicos y la brecha de certificación
En América Latina, la conversación sobre gobernanza de datos para IA agéntica está en etapa incipiente pero no ausente. Los bancos bajo supervisión del Banco Central de Brasil (BACEN) y del Banco Central de la República Argentina (BCRA) operan con marcos de calidad y linaje de dato que, en la práctica, se aproximan a varias de las capacidades del CDMC (Cloud Data Management Capabilities) del EDM Council, aunque sin certificación formal. El problema es que esas capacidades existen en el núcleo financiero pero no se extienden a los dominios de dato que los nuevos casos de uso agéntico necesitan: datos no estructurados, registros administrativos históricos, o información proveniente de sistemas legacy sin catalogación.
En el sector público propiamente dicho, países como Chile y Colombia han avanzado en marcos de interoperabilidad de datos gubernamentales, pero la asignación de ownership de dato a nivel de dominio — el paso previo indispensable para cualquier despliegue agéntico responsable — sigue siendo una práctica emergente. México, con la Plataforma Nacional de Transparencia y los requisitos del INAI en materia de protección de datos, tiene infraestructura regulatoria, pero no necesariamente capacidad técnica de gobernanza desplegada de manera uniforme en sus dependencias.
Lo que un CDO debe resolver antes de aprobar un piloto de agentes
La pregunta operativa no es si la organización tiene un catálogo de datos: es si ese catálogo tiene cobertura sobre los dominios que el agente va a consumir, si los metadatos están actualizados, y si hay un data steward identificado que pueda responder en tiempo real cuando el agente encuentra una anomalía. Antes de aprobar cualquier piloto de IA agéntica, el CDO debería poder responder tres preguntas concretas: ¿qué datos puede consumir el agente y bajo qué condiciones?, ¿quién tiene autoridad para modificar las reglas de acceso si algo falla?, y ¿cómo se audita el uso del dato por parte del agente post-ejecución? Si alguna de esas respuestas es “no está definido”, el piloto debería esperar.
Para profundizar en los estándares de madurez aplicables, el CDMC del EDM Council y el DAMA-DMBOK segunda edición ofrecen los marcos de referencia más utilizados por organizaciones que están formalizando sus capacidades de gobernanza de cara a entornos de IA autónoma.





