Los sistemas de IA agéntica —aquellos capaces de tomar decisiones y ejecutar tareas de forma autónoma, encadenando acciones sin intervención humana por cada paso— redefinen quién consume datos en una organización, con qué frecuencia y con qué nivel de privilegio. Para los equipos de gobernanza de datos, eso no es una evolución incremental: es un cambio de supuesto sobre el que está construido todo el marco de control.
Un agente de IA no es un usuario que consulta un dashboard ni un modelo que recibe un dataset curado. Es un proceso autónomo que puede leer registros, escribir en sistemas, invocar APIs y tomar decisiones sobre datos en tiempo real, a veces sin que ninguna persona revise cada acción. Kroll, firma especializada en riesgo y asesoría financiera, advirtió recientemente sobre el impacto específico de estos sistemas en los marcos de gobernanza corporativa de datos, señalando que las organizaciones que adoptan IA agéntica sin adaptar sus controles quedan operando con un modelo de governance diseñado para actores humanos en un entorno donde los actores ya no lo son.
Qué rompe la IA agéntica en un marco de gobernanza tradicional
La gobernanza de datos convencional, tal como la articula el DAMA-DMBOK, asume que los datos fluyen entre sistemas y personas identificables, con roles definidos: data owner, data steward, data custodian. El acceso se controla por identidad humana, los permisos se auditan por usuario y el linaje (data lineage) se traza a partir de transformaciones documentadas. Un agente de IA agéntica opera de forma diferente: actúa bajo la identidad de una cuenta de servicio, accede a múltiples dominios de datos en una sola sesión, genera outputs que se convierten en inputs de otros agentes, y puede modificar registros sin que haya un steward que valide cada operación.
Esto genera al menos tres brechas estructurales. Primero, el ownership del dato se vuelve ambiguo: si un agente combina datos de Recursos Humanos, CRM y sistemas financieros para generar una recomendación, ¿quién es el data owner responsable del output? Segundo, el linaje se fragmenta: las herramientas actuales de catalogación —Collibra, Alation, Microsoft Purview— no fueron diseñadas para capturar cadenas de razonamiento de agentes LLM como parte del linaje. Tercero, la clasificación de datos deja de ser estática: un agente puede cruzar datos de bajo riesgo y producir inferencias de alto riesgo (por ejemplo, combinar datos de ubicación y horarios laborales para inferir condición de salud), sin que ningún proceso de clasificación lo haya anticipado.
Cuándo aplica este análisis y cuándo no
Este impacto es real en organizaciones que ya desplegaron o están piloteando agentes de IA conectados a sistemas de producción: CRMs, ERPs, bases de datos de clientes, repositorios de documentos legales o financieros. No aplica —o aplica de forma muy limitada— a organizaciones que usan IA generativa solo como interfaz de usuario sin acceso a sistemas internos, ni a modelos predictivos clásicos que consumen datos en batch sin escribir de vuelta. La distinción operativa clave es si el agente tiene capacidad de acción sobre sistemas reales (write access, API calls con efecto) o solo de consulta.
Controles de governance adaptados a agentes: tres capacidades mínimas
El EDM Council, en su marco CDMC (Cloud Data Management Capabilities), identifica el control de acceso basado en propósito y la trazabilidad de uso como capabilities centrales. Aplicadas a agentes de IA, esas capacidades se traducen en tres requerimientos mínimos que un CDO debería evaluar antes de autorizar cualquier despliegue agéntico en producción:
- Identidad de agente auditada: cada agente debe operar bajo una identidad de servicio única, con permisos granulares por dominio de datos y sin acceso heredado de cuentas de administrador genéricas.
- Linaje extendido a outputs de agentes: los catálogos de datos deben registrar no solo qué datos consumió el agente, sino qué decisión tomó con ellos y qué sistemas impactó, como un nodo más en el grafo de linaje.
- Clasificación dinámica de inferencias: el proceso de clasificación de datos debe contemplar los outputs de agentes como nuevos activos de dato, no como simples logs, y aplicar las mismas reglas de sensibilidad que aplican a los datos de origen.
El escenario regulatorio en América Latina ya presiona en esta dirección
En Brasil, la LGPD (Lei Geral de Proteção de Dados) exige que el tratamiento automatizado de datos personales sea transparente y que los titulares puedan solicitar revisión humana de decisiones que los afecten. Un agente de IA que procesa datos de empleados o clientes y toma decisiones sobre esa base queda directamente dentro del alcance del artículo 20 de la LGPD. En Argentina, la Agencia de Acceso a la Información Pública (AAIP) aún no emitió lineamientos específicos sobre decisiones automatizadas con IA agéntica, pero la Ley 25.326 de Protección de Datos Personales establece el derecho a no ser sometido a decisiones con efectos jurídicos basadas exclusivamente en tratamiento automatizado. En México, el INAI ha señalado en criterios recientes que los responsables deben poder explicar cualquier tratamiento automatizado que impacte a titulares. Ninguno de estos marcos distingue si el agente automatizado es un algoritmo clásico o un LLM con capacidad agéntica: el tratamiento de datos personales activa las obligaciones de cualquier forma.
Esto implica que los CDO de organizaciones con operaciones en Brasil, Argentina o México que estén evaluando despliegues agénticos deben incluir en el análisis de impacto no solo la arquitectura técnica, sino también si el agente toma decisiones sobre datos personales y si existe un mecanismo de revisión humana documentado. La ausencia de ese mecanismo es, en los tres marcos legales citados, una brecha de cumplimiento, no solo una deuda técnica.
Para los equipos de gobernanza de datos, la pregunta concreta no es si adoptar IA agéntica, sino si los controles de ownership, linaje y clasificación que hoy tienen pueden rastrear a un agente tan bien como rastrean a un analista humano. Si la respuesta es no, ese gap es el punto de partida.
