La mayoría de las organizaciones no aplica sus políticas de gobernanza de datos a las herramientas de inteligencia artificial agéntica, según una encuesta reciente difundida por Campus Technology. El hallazgo expone una brecha estructural: los marcos de gobierno existen sobre el papel, pero no alcanzan a los sistemas de IA que actúan de forma autónoma sobre datos sensibles.
La IA agéntica —sistemas capaces de planificar, ejecutar tareas y tomar decisiones en cadena sin intervención humana continua— es cualitativamente distinta de los modelos de lenguaje de uso conversacional. Un agente no solo genera texto: consulta bases de datos, ejecuta APIs, escribe archivos y delega subtareas a otros agentes. Esa cadena de acciones autónomas convierte al data steward y al CDO en actores críticos, no opcionales, del ciclo de vida del sistema.
La brecha de enforcement: políticas que no llegan al agente
El problema central identificado en la encuesta no es la ausencia de políticas de gobernanza, sino su falta de aplicación efectiva sobre herramientas agénticas. Dicho de otro modo: muchas organizaciones tienen definidos sus estándares de calidad, clasificación y acceso a datos, pero esos controles no se extienden —técnica ni operativamente— a los agentes de IA que consumen o transforman esos mismos datos. Este gap de enforcement es análogo al que durante años existió con el shadow IT, pero con una diferencia crítica: un agente mal gobernado puede propagar decisiones erróneas o datos incorrectos a escala y velocidad imposibles para un usuario humano.
Desde la perspectiva del DAMA-DMBOK, los agentes agénticos introducen nuevas instancias en al menos cuatro dominios: calidad de datos (¿quién valida lo que el agente consume y produce?), seguridad de datos (¿qué accesos tiene el agente y con qué granularidad?), linaje de datos (¿es auditable la cadena de transformaciones que ejecuta?) y arquitectura de datos (¿está el agente catalogado como consumidor y productor reconocido?). Ninguno de esos dominios puede gestionarse informalmente cuando el agente opera en producción.
Linaje y ownership: los dos puntos de quiebre más frecuentes
El data lineage —la trazabilidad completa del origen, transformación y destino de cada dato— es el primer punto de quiebre cuando un agente entra en escena. Los sistemas de linaje tradicionales rastrean pipelines predefinidos; los agentes generan flujos dinámicos, en ocasiones no deterministas, que los catálogos convencionales no capturan. Sin linaje auditable, cualquier incidente de calidad o privacidad producido por el agente es prácticamente imposible de reconstruir hacia atrás.
El segundo punto de quiebre es el ownership. En gobernanza madura, cada dataset tiene un data owner y un data steward responsables. Cuando un agente accede a múltiples datasets para completar una tarea, ¿quién es el responsable del output compuesto? La respuesta no está en la mayoría de los marcos de gobierno actuales, y esa ambigüedad es exactamente la que la encuesta refleja como brecha operativa.
Cuándo aplica este análisis y cuándo no
La brecha de enforcement descrita es especialmente crítica cuando el agente opera sobre datos regulados: datos personales, información financiera, registros médicos o propiedad intelectual corporativa. En esos contextos, la ausencia de controles de gobernanza no es solo un riesgo operativo: es una exposición regulatoria concreta. En cambio, cuando el agente trabaja exclusivamente sobre datos públicos o sintéticos sin valor personal, el riesgo de governance disminuye significativamente, aunque el riesgo de calidad persiste.
También importa el grado de autonomía del sistema. Un agente que ejecuta tareas acotadas con supervisión humana en cada paso crítico es sustancialmente diferente, desde el punto de vista de governance, a un agente multi-step que opera en modo completamente autónomo durante horas o días. El nivel de control requerido debe escalar con el nivel de autonomía.
El ángulo regulatorio en América Latina: LGPD, Ley 25.326 y los vacíos de los marcos de IA
En América Latina, la tensión entre IA agéntica y gobernanza de datos adquiere una dimensión regulatoria adicional. La Lei Geral de Proteção de Dados (LGPD) de Brasil establece en su artículo 20 el derecho del titular a revisar decisiones tomadas exclusivamente por medios automatizados; si un agente de IA toma o condiciona decisiones que afectan a titulares de datos, ese artículo es directamente aplicable. La Ley 25.326 de Argentina, aunque anterior a la era agéntica, impone principios de finalidad y proporcionalidad que limitan el uso secundario de datos por parte de cualquier sistema automatizado, incluidos los agentes.
En México, el Instituto Nacional de Transparencia, Acceso a la Información y Protección de Datos Personales (INAI) aún no ha emitido lineamientos específicos para IA agéntica, pero los principios de la Ley Federal de Protección de Datos Personales en Posesión de los Particulares (LFPDPPP) —en especial los de responsabilidad y seguridad— aplican plenamente al tratamiento que un agente realice sobre datos personales. Colombia, con su régimen de habeas data (Ley 1581 de 2012), enfrenta la misma laguna interpretativa. Ningún marco regional ha sido actualizado explícitamente para contemplar el flujo dinámico de datos que caracteriza a los sistemas agénticos.
Tres controles de gobernanza para incorporar antes del despliegue agéntico
El EDM Council, a través de su marco CDMC (Cloud Data Management Capabilities), identifica el control de acceso y la clasificación de datos como capacidades fundacionales para cualquier entorno cloud. Esas mismas capacidades son el piso mínimo para desplegar un agente de IA en producción. En términos operativos, un programa de gobernanza que incorpore agentes debería contemplar al menos:
- Catalogación del agente como entidad consumidora y productora de datos, con owner asignado y permisos explícitamente documentados en el catálogo corporativo.
- Linaje dinámico habilitado: integración del agente con la herramienta de linaje existente (OpenLineage, Marquez, o el módulo nativo del catálogo) para capturar cada transformación en tiempo de ejecución.
- Revisión de clasificación de datos antes del onboarding: ningún agente debería acceder a datos de clasificación alta sin que el data steward haya validado explícitamente el caso de uso y los controles compensatorios.
El marco Non-Invasive Data Governance de Bob Seiner aporta un principio útil aquí: la gobernanza más efectiva es la que formaliza lo que ya ocurre, no la que impone procesos ajenos al flujo de trabajo. Aplicado a agentes, significa embeber los controles de governance directamente en el pipeline de despliegue —no como auditoría posterior, sino como gate de aprobación previo a producción.
La encuesta documenta un síntoma conocido en ciclos anteriores de adopción tecnológica: la política corre más lento que la implementación. Con agentes de IA, el costo de ese desfasaje puede ser proporcional a la autonomía del sistema desplegado.
