Los agentes de inteligencia artificial ya no solo responden preguntas: toman decisiones, ejecutan tareas encadenadas y operan con autonomía creciente dentro de los sistemas corporativos. Para los equipos de data governance, esto no es una promesa de eficiencia futura, es un problema de ownership y control que existe hoy.
La adopción de arquitecturas agénticas en el mundo empresarial está acelerando a un ritmo que supera la madurez de los marcos de gobierno existentes. A diferencia de los modelos de IA conversacional, los agentes pueden acceder a bases de datos, invocar APIs, modificar registros y desencadenar flujos de trabajo sin intervención humana en cada paso. El resultado es un nuevo vector de riesgo que no encaja bien en los playbooks tradicionales de data governance ni en los controles de ciberseguridad convencionales.
El problema de ownership que nadie quiere resolver primero
Antes de discutir qué hace un agente, la pregunta crítica es a qué datos tiene acceso y quién responde por ese acceso. En la terminología del DAMA-DMBOK, el concepto de data stewardship —la responsabilidad operativa sobre un conjunto de datos— se vuelve especialmente relevante cuando el “consumidor” del dato es un sistema autónomo. Si un agente procesa datos de clientes para personalizar ofertas o tomar decisiones crediticias, el data steward de ese dominio debe definir explícitamente qué atributos puede consumir el agente, bajo qué condiciones y con qué registro de auditoría.
El EDM Council, en su marco CDMC (Cloud Data Management Capabilities), identifica como capability crítica la clasificación de datos y el control de acceso basado en sensibilidad. En entornos agénticos, esta capability deja de ser un ejercicio anual de catalogación para convertirse en una guardrail operativa en tiempo real. Sin una clasificación actualizada y un catálogo de datos con data lineage trazable, no es posible saber qué está consumiendo un agente ni qué decisiones está tomando en base a qué información.
Qué hace el CDO el lunes por la mañana
El primer movimiento concreto es un inventario de agentes activos o en piloto. En la mayoría de las organizaciones medianas y grandes de la región, ya existe algún agente de IA en producción —muchas veces desplegado por un área de tecnología o una línea de negocio sin pasar por el proceso de data governance—. Mapear qué datos consume cada agente, con qué identidad técnica se autentica y qué logs genera es el punto de partida no negociable. Sin ese inventario, cualquier política es papel mojado.
El segundo paso es revisar las políticas de acceso con privilegio mínimo aplicadas a identidades no humanas. Los agentes de IA deben operar con el mismo principio que una cuenta de servicio: acceso estrictamente necesario para la tarea definida, con revisión periódica. Esto implica coordinar con el equipo de IAM (Identity and Access Management) para que las identidades de agentes sean ciudadanos de primera clase en el modelo de gobernanza, no excepciones informales.
El tercer elemento es definir un proceso de aprobación para nuevos agentes que toque datos sensibles o regulados. No alcanza con una revisión de seguridad técnica: debe incluir una evaluación de impacto en el ciclo de vida del dato, quién es el data owner del dominio afectado y qué obligaciones regulatorias están en juego.
El contexto regulatorio LATAM no espera
En Brasil, la LGPD (Lei Geral de Proteção de Dados) ya exige que los responsables del tratamiento puedan demostrar las bases legales de cada operación con datos personales. Cuando esa operación la ejecuta un agente autónomo, la carga de la prueba no desaparece: se traslada al proceso de diseño del sistema. La ANPD ha señalado en sus orientaciones sobre IA que la automatización de decisiones con impacto sobre titulares requiere mecanismos de explicabilidad y posibilidad de revisión humana. En Argentina, la AAIP trabaja en una actualización de la Ley 25.326 que incorporará principios similares. En México, el INAI ha emitido criterios sobre decisiones automatizadas en el marco de la LFPDPPP que obligan a informar al titular cuando una decisión significativa se toma sin intervención humana.
Esto significa que el marco de gobierno para agentes de IA no puede diseñarse solo desde la lógica tecnológica: debe incorporar los requisitos de accountability, explicabilidad y derechos del titular desde el momento del diseño, no como parche posterior al despliegue. Privacy by design y governance by design son, en este contexto, la misma exigencia con distinto nombre.
El riesgo de esperar a que el marco llegue solo
La tentación organizacional es esperar a que exista un estándar consolidado —un ISO, un framework de la OCDE, una guía de la autoridad regulatoria local— antes de actuar. Ese enfoque es el que genera los incidentes que después obligan a responder en modo crisis. Los marcos de referencia como el NIST AI RMF ya ofrecen una estructura de gobernanza lo suficientemente concreta para empezar: identificar, medir, gestionar y gobernar el riesgo de sistemas de IA. Adaptarlo al contexto de agentes autónomos con acceso a datos sensibles es un trabajo que puede iniciarse hoy con los equipos existentes.
“La gobernanza de datos no es un proyecto que se activa cuando hay un problema. Es la infraestructura que determina si el problema ocurre o no.”
— Principio operativo, DAMA International
La IA agéntica llegó a las empresas latinoamericanas con los mismos plazos de adopción que en cualquier otro mercado, pero con marcos regulatorios en construcción y equipos de governance todavía dimensionados para un mundo donde los datos los movían las personas.
