Zoho lanzó Analytics 7.0 con agentes de inteligencia artificial integrados y, por primera vez en su plataforma de análisis, incorporó controles explícitos de gobernanza de datos sobre esas capacidades autónomas. El movimiento marca un cambio en cómo los proveedores de BI posicionan la confiabilidad de sus modelos: ya no alcanza con mostrar dashboards; ahora hay que explicar qué datos tocó el agente, con qué permiso y con qué trazabilidad.
Zoho Analytics 7.0 introduce agentes de IA capaces de responder preguntas, generar reportes y ejecutar análisis sin intervención manual paso a paso. Lo relevante para los equipos de gobierno de datos no es la capacidad generativa en sí —que ya ofrecen competidores como Power BI Copilot o Tableau Pulse— sino la capa de gobernanza que Zoho dice haberle adosado: controles de acceso por rol, auditoría de las acciones del agente y restricciones sobre qué conjuntos de datos puede consultar cada instancia del modelo, según se informó en el lanzamiento.
Por qué los agentes de IA generan un problema nuevo en data lineage
Un agente de IA en una plataforma de analytics no es una consulta SQL estática. Es un proceso autónomo que puede encadenar múltiples fuentes, transformar datos intermedios y producir un output sin que el usuario final vea cada paso. Eso rompe el modelo clásico de data lineage —la trazabilidad campo a campo desde el origen hasta el reporte— que frameworks como DAMA-DMBOK definen como requisito básico para la confiabilidad de los datos. Si el agente actúa como caja negra, el data steward pierde visibilidad sobre qué transformaciones ocurrieron y bajo qué contexto.
La respuesta estándar de la industria hasta ahora fue delegar ese problema al equipo de MLOps o de seguridad. Zoho apuesta a resolverlo desde la propia plataforma de analytics: cada acción del agente quedaría registrada en un log auditable, y los permisos sobre datasets se heredan del esquema de roles ya definido en la organización. Si eso se implementa con la granularidad que se describe, el data steward podría revisar retrospectivamente qué hizo el agente, sobre qué datos y con qué autorización —sin necesidad de instrumentar una capa de observabilidad externa.
Cuándo aplica este modelo de gobernanza / cuándo no
Este enfoque es válido cuando la organización ya tiene un esquema de roles y permisos maduros dentro de la plataforma Zoho y sus datos viven mayormente en ese ecosistema. En ese escenario, el agente hereda controles existentes sin trabajo adicional de configuración. El modelo no resuelve el problema cuando los datos de análisis vienen de fuentes externas sin clasificación formal, cuando la organización opera un entorno multicloud con distintos motores de datos, o cuando la política de acceso no está documentada más allá de los permisos técnicos. En esos casos, el log del agente existe pero no tiene un marco de referencia para interpretarlo: saber que el agente consultó una tabla no dice nada si nadie definió antes qué nivel de sensibilidad tiene esa tabla ni quién es su data owner.
Tampoco reemplaza un programa de gobernanza de datos. Según el EDM Council, la capacidad de auditoría de un sistema analítico corresponde al nivel operacional del DCAM (Data Management Capability Assessment Model), no al estratégico. Tener logs del agente es una condición necesaria, no suficiente, para afirmar que la organización gobierna sus datos.
Implicancias para organizaciones en Argentina, México y Brasil que usan BI en entornos regulados
En América Latina, la gobernanza de agentes de IA en analytics no es solo una decisión de arquitectura: tiene consecuencias regulatorias directas. En Brasil, la Lei Geral de Proteção de Dados (LGPD) obliga a registrar el tratamiento de datos personales, incluyendo los procesos automatizados que los utilizan; un agente de IA que consulta datasets con información de clientes sin trazabilidad documentada puede configurar un tratamiento no registrado. En Argentina, la Ley 25.326 y las disposiciones de la AAIP imponen obligaciones similares sobre el registro de bases de datos y sus usos. En México, el INAI ha emitido criterios sobre decisiones automatizadas bajo la LFPDPPP que aplican cuando el output del agente influye en decisiones que afectan a personas.
Para los equipos de gobierno de datos en bancos, aseguradoras o utilities que usan plataformas de BI en estas jurisdicciones, la pregunta práctica no es si Zoho 7.0 es mejor que la competencia: es si la auditoría del agente genera registros exportables que puedan incluirse en el Registro de Actividades de Tratamiento que exigen LGPD y los marcos equivalentes de la región. Eso todavía no está claro en la documentación pública disponible al cierre de esta nota.
Tres preguntas que un CDO debería hacerle al vendor antes de habilitar agentes en producción
- ¿El log de acciones del agente es exportable en formato estructurado (JSON, CSV) para integrarlo al sistema de gestión de incidentes o al registro de tratamientos?
- ¿Los controles de acceso del agente respetan las políticas de enmascaramiento de datos sensibles definidas aguas arriba, o el agente puede ver datos que el usuario humano equivalente no vería?
- ¿Existe un mecanismo para definir el alcance máximo de datasets que el agente puede consultar, independientemente de los permisos del usuario que lo activa?
Estas preguntas no son exclusivas de Zoho: son el test mínimo para cualquier plataforma de analytics que incorpore capacidades agénticas. Según el marco Non-Invasive Data Governance de Bob Seiner, el principio es que las responsabilidades sobre los datos no cambian porque intervenga un sistema automatizado; el data steward sigue siendo accountable, y el sistema debe facilitarle el ejercicio de esa responsabilidad, no ocultarle información.
La documentación técnica completa de Zoho Analytics 7.0, incluyendo las especificaciones de su modelo de permisos para agentes, está disponible en el portal oficial de Zoho para desarrolladores; conviene revisarla antes de planificar cualquier despliegue en entornos con datos regulados.
