DATA·TRENDS
Latam
Buenos Aires, ArgentinaNewsletter
DGL Talent - El talento en datos. Lo conocemos.
Data GovernanceExplicativo

Shadow AI: cómo los agentes de IA eluden los programas de gobernanza de datos

LR
La Redacción
20 de nov de 2026 · 5 min de lectura
Shadow AI: cómo los agentes de IA eluden los programas de gobernanza de datos

Los agentes de inteligencia artificial que los empleados despliegan sin autorización formal —el fenómeno conocido como shadow AI— representan hoy uno de los vectores más silenciosos de erosión de los programas de gobernanza de datos. A diferencia del shadow IT clásico, estos agentes no solo consumen datos: los copian, los transforman, los envían a APIs externas y generan outputs que ningún data steward trazó ni aprobó.

El término shadow AI describe el uso de herramientas de inteligencia artificial generativa o agentes autónomos fuera de los canales sancionados por la organización. No es un fenómeno marginal: según estimaciones del sector citadas por TechTarget, una proporción significativa de los empleados en empresas medianas y grandes ya utiliza alguna herramienta de IA generativa sin pasar por los controles de TI o de gobernanza. El problema se agudiza cuando esas herramientas no son solo interfaces de chat, sino agentes con capacidad de acción: pueden conectarse a bases de datos, ejecutar consultas, leer archivos compartidos y enviar resultados a servicios de terceros sin dejar rastro en los sistemas de registro oficiales.

Por qué los agentes de IA rompen el modelo de gobernanza tradicional

Los marcos de gobernanza de datos —DAMA-DMBOK, DCAM del EDM Council, ISO/IEC 38505— fueron diseñados sobre una premisa implícita: los datos se mueven entre sistemas identificables, con propietarios (data owners) y administradores (data stewards) asignados. Un agente de IA autónomo quiebra esa premisa en al menos tres puntos críticos. Primero, el data lineage: si un agente extrae datos de un data warehouse, los combina con información de un archivo local y genera un reporte enviado a una dirección de correo externa, ese flujo no aparece en ningún catálogo de datos ni en las herramientas de linaje que el equipo de gobernanza monitorea. Segundo, la clasificación de datos: los agentes frecuentemente procesan información sin verificar su nivel de clasificación (confidencial, restringido, público), porque nadie configuró esa lógica en el momento de su despliegue informal. Tercero, el ownership: ¿quién es el data owner de un output generado por un agente no registrado? La respuesta es nadie, y eso es exactamente el problema.

Cuándo aplica este riesgo y cuándo no

El riesgo de shadow AI en gobernanza aplica con mayor intensidad en organizaciones que ya tienen un programa de gobernanza formalizado pero no lo han extendido a los flujos de datos generados por IA. Si una empresa no tiene catálogo de datos ni clasificación formal, shadow AI es un problema entre muchos; si tiene ese programa, shadow AI es una amenaza directa a su integridad. No aplica de la misma manera cuando los agentes de IA están desplegados dentro de un entorno controlado, con acceso explícito aprobado, logging auditado y un data steward responsable de los flujos generados. La diferencia entre IA gestionada e IA en las sombras no es tecnológica: es de proceso y de accountability.

Tres vectores concretos de bypass en programas de gobernanza

  • Acceso directo a fuentes de datos no catalogadas: los agentes pueden conectarse a APIs internas o carpetas de red que nunca fueron incorporadas al inventario de activos de datos, omitiendo los controles de acceso basados en roles.
  • Generación de datos derivados sin trazabilidad: los outputs de un agente —tablas, resúmenes, archivos— son datos nuevos que no tienen origen registrado en el catálogo, rompiendo el linaje desde la fuente hasta el consumo.
  • Exfiltración involuntaria hacia servicios de terceros: muchos agentes funcionan sobre modelos de IA en la nube cuyos términos de servicio permiten el uso de los inputs para reentrenamiento, lo que puede implicar transferencia de datos fuera del perímetro organizacional sin que el data owner lo sepa.

Lo que enfrentan los equipos de gobernanza en Brasil, México y Argentina

En América Latina, el riesgo adquiere una dimensión regulatoria adicional. En Brasil, la Lei Geral de Proteção de Dados (LGPD) exige que las organizaciones mantengan registros de operaciones de tratamiento de datos personales; un agente de IA que procesa datos de clientes sin registro formal puede generar una violación directa de esa obligación, con exposición a sanciones de la Autoridade Nacional de Proteção de Dados (ANPD) de hasta el 2% de los ingresos locales. En Argentina, la Ley 25.326 y las disposiciones de la AAIP imponen obligaciones similares de registro y seguridad. En México, la LFPDPPP establece el principio de responsabilidad (accountability) que exige que el responsable del tratamiento pueda demostrar —no solo afirmar— que sus procesos cumplen con la norma. Un flujo de datos procesado por un agente no registrado hace esa demostración técnicamente imposible. Los equipos de gobernanza en la región que reportan a reguladores sectoriales (como el BCRA en Argentina o la CNBV en México) enfrentan la presión adicional de que sus marcos de control sean auditables, y shadow AI introduce puntos ciegos sistemáticos en esa auditabilidad.

Qué puede hacer un CDO esta semana para reducir la exposición

El primer paso no es tecnológico sino de inventario: lanzar una encuesta anónima entre áreas de negocio para identificar qué herramientas de IA están siendo usadas al margen del proceso formal de aprobación. La experiencia de equipos de gobernanza en empresas de servicios financieros de la región indica que los resultados suelen triplicar las estimaciones previas del área de TI. Con ese inventario, el CDO puede priorizar qué flujos incorporar al catálogo de datos y qué herramientas bloquear o regularizar. El segundo paso es extender la política de clasificación de datos para que incluya explícitamente los outputs generados por agentes de IA como activos de datos con owner asignado. El tercer paso es trabajar con el área legal y de cumplimiento para actualizar los registros de tratamiento exigidos por LGPD, Ley 25.326 o LFPDPPP de manera que reflejen los flujos reales, no solo los formalmente aprobados. Ignorar los flujos informales no los hace inexistentes ante un regulador.

El marco DCAM del EDM Council incluye la capacidad de gestión del ciclo de vida del dato como uno de sus dominios centrales; extenderla a los outputs de agentes de IA no es una opción futura, es una brecha de madurez activa que los reguladores de la región ya tienen en su radar.

El briefing semanal de datos, privacidad e IA en LATAM

Análisis, regulación y noticias curadas. Sin ruido, directo al punto.