La IA agéntica —sistemas capaces de tomar decisiones y ejecutar acciones de forma autónoma en cadena— está llegando a las organizaciones antes de que sus datos estén en condiciones de soportarla. Para los equipos de gobierno de datos en América Latina, esto no es una advertencia futura: es el problema del trimestre.
A diferencia de los modelos de lenguaje que simplemente responden preguntas, los agentes de IA operan en loops: consultan fuentes, toman decisiones intermedias, invocan herramientas externas y producen efectos en sistemas reales. Cada paso de esa cadena depende de datos. Si esos datos tienen linaje (data lineage) desconocido, propietarios (data owners) indefinidos o clasificaciones inconsistentes, el agente amplifica el error en lugar de resolverlo. El output incorrecto de un chatbot es una molestia; el output incorrecto de un agente que procesa órdenes de compra o evalúa solicitudes de crédito es un problema de negocio —y potencialmente legal.
El problema no es el modelo, es el dato que lo alimenta
El DAMA-DMBOK define la calidad del dato como una de las diez áreas de conocimiento del gobierno de datos, y no por accidente: datos sin definición semántica consistente producen resultados no reproducibles. En el contexto agéntico, esto se agrava porque el agente puede encadenar múltiples fuentes sin intervención humana. Un pipeline donde el campo “cliente activo” tiene tres definiciones distintas en tres sistemas —CRM, ERP y data warehouse— ya era un riesgo en BI tradicional. En IA agéntica, ese campo puede activar o bloquear una acción autónoma con consecuencias directas.
El EDM Council, a través de su framework CDMC (Cloud Data Management Capabilities), identifica el control de acceso basado en clasificación como una capability crítica. Para que un agente opere con datos sensibles de forma confiable, el catálogo de datos debe indicar no solo dónde está el dato, sino quién puede usarlo, bajo qué condición y con qué restricción regulatoria. Sin esa capa, el agente toma decisiones con datos a los que, en un proceso manual, ningún analista habría tenido acceso.
Lo que el CDO necesita revisar esta semana
El punto de partida operativo es el inventario de datos que ya están —o estarán pronto— disponibles para sistemas agénticos. Tres preguntas concretas para ese inventario:
- ¿Cada dataset tiene un data steward identificado con responsabilidad formal sobre su calidad y clasificación?
- ¿El data lineage está documentado hasta el nivel de campo, o solo a nivel de tabla o sistema?
- ¿Las políticas de acceso reflejan sensibilidad regulatoria, o son herencias de permisos históricos que nadie auditó?
Si la respuesta a cualquiera de esas tres preguntas es negativa o incierta, el dato en cuestión no debería alimentar un agente autónomo. Ese es el criterio mínimo, no el ideal. Bob Seiner, referente de Non-Invasive Data Governance, sostiene que las organizaciones no necesitan programas nuevos para gobernar datos en IA: necesitan hacer cumplir las políticas que ya definieron pero que nadie estaba aplicando con rigor. La IA agéntica simplemente hace visible lo que ya estaba roto.
El contexto regulatorio de LATAM agrega urgencia
En Brasil, la LGPD (Lei Geral de Proteção de Dados) establece responsabilidad para el controlador por el tratamiento automatizado de datos personales, incluyendo decisiones que afecten a titulares. Un agente de IA que clasifica clientes, aprueba solicitudes o genera comunicaciones personalizadas es, en términos jurídicos, un mecanismo de decisión automatizada sujeto a los artículos 20 y concordantes. Si el dato que lo alimenta no tiene trazabilidad ni control de calidad documentado, la organización no puede demostrar el cumplimiento ante la ANPD en caso de un reclamo. En Argentina, la situación es análoga bajo la Ley 25.326 y las resoluciones de la AAIP, que ya han señalado el tratamiento automatizado como área de atención prioritaria. En México, la LFPDPPP y los lineamientos del INAI sobre decisiones automatizadas imponen obligaciones similares para el sector privado.
El punto de confluencia es claro: los marcos de privacidad de la región no esperan a que las organizaciones “maduren” su gobierno de datos antes de exigir accountability. La ANPD puede sancionar hoy por un tratamiento automatizado que no pueda auditarse. Eso convierte el data lineage y el data ownership en requisitos de compliance, no solo en buenas prácticas de arquitectura.
Confianza como requisito de diseño, no como resultado
El concepto de “trustworthy AI” —IA confiable— que promueven tanto la Unión Europea en su AI Act como los marcos emergentes en América Latina no se construye en la capa del modelo. Se construye en la capa del dato. Un agente que opera sobre un catálogo bien gobernado, con stewardship activo, lineage documentado y políticas de acceso auditadas, puede ser explicado, auditado y corregido. Uno que opera sobre un lago de datos sin gobierno es, por definición, una caja negra, independientemente de cuán sofisticado sea el modelo subyacente.
Las organizaciones que lleguen tarde al gobierno de datos no van a poder desplegar IA agéntica confiable: van a desplegar riesgo agéntico.
Deja un comentario