Los sistemas de IA agentiva —una forma de inteligencia artificial capaz de planificar, utilizar herramientas y completar partes de un flujo de trabajo con una supervisión humana limitada— están pasando de la fase experimental al uso en producción en las empresas, a pesar de que las prácticas de gobernanza tienen dificultades para seguir el ritmo.
La brecha entre lo que pueden hacer los agentes y lo que contemplan los controles empresariales es cada vez mayor. Los agentes que antes presentaban recomendaciones para su revisión por parte de una persona, ahora inician flujos de trabajo, modifican configuraciones y transmiten información contextual a otros agentes sin esperar a recibir autorización. Los equipos de TI disponen cada vez más de esas capacidades como funciones predeterminadas de la plataforma, a menudo antes de que las políticas de gobernanza se hayan adaptado a ellas.
Esta guía aborda los cambios específicos en las capacidades, las modificaciones en los marcos normativos y los hitos regulatorios que los profesionales de las tecnologías de la información y la seguridad pueden evaluar en relación con su situación actual en materia de gobernanza.
Por qué la IA autónoma está evolucionando más rápido de lo que la gobernanza empresarial puede seguirle el ritmo
La IA agentiva hace referencia a los sistemas de inteligencia artificial capaces de planificar, tomar decisiones y actuar de forma autónoma para alcanzar objetivos con una intervención humana mínima. A diferencia de la IA tradicional, que responde a indicaciones, los sistemas agenticos desglosan objetivos complejos, utilizan herramientas externas y adaptan su enfoque en función de los resultados.
En la actualidad, la mayoría de las implementaciones en entorno de producción se basan en un modelo de lenguaje a gran escala (LLM) como núcleo de razonamiento, con capas adicionales que se encargan del uso de herramientas, la memoria y la orquestación.
Comprender esta arquitectura es importante para la gobernanza: la capa de razonamiento, la capa de herramientas y la capa de orquestación presentan, cada una de ellas, perfiles de riesgo distintos.
Un factor menos comentado, pero fundamental, en la gestión de los agentes es la calidad y la puntualidad de los datos en los que se basan los agentes durante su ejecución.
A medida que aumenta la autonomía, las decisiones ya no son revisadas paso a paso por personas, lo que significa que unos datos inexactos u obsoletos pueden traducirse directamente en acciones incorrectas. Estos marcos suelen centrarse en los permisos y la auditabilidad, pero la actualidad y la integridad de los datos son controles igualmente importantes.
La brecha entre lo que son capaces de hacer los sistemas de agencia y lo que tienen en cuenta la mayoría de los marcos de gobernanza empresarial está aumentando rápidamente. La adopción de la IA en las empresas se está acelerando a un ritmo superior al que estaban preparados para gestionar muchos programas de gobernanza de « » .
La encuesta « November 2025 » de McKinsey, disponible en , reveló que el 62 % de los encuestados afirmó que sus organizaciones, como mínimo, estaban probando agentes de IA, y el 23 % señaló que ya estaban implantando a gran escala un sistema de IA basado en agentes en algún ámbito de la empresa. La misma encuesta reveló que la mayoría de las organizaciones se encuentran todavía en la fase piloto, y que casi dos tercios aún no han implantado la IA a escala de toda la empresa, lo que ayuda a explicar por qué los programas de gobernanza se sitúan sistemáticamente por detrás de la curva de capacidades, en lugar de por delante de ella. Esto no significa que el uso de agentes sea generalizado, pero sí implica que los equipos de supervisión ya no pueden considerar la IA basada en agentes como una cuestión que solo atañe al futuro.
Cuando los agentes pueden iniciar flujos de trabajo de adquisición, modificar configuraciones o escalar solicitudes de acceso sin necesidad de aprobación humana, la cuestión de la gobernanza cambia. Ya no se trata únicamente de quién puede acceder a qué datos. Se trata de determinar qué procesos autónomos pueden desencadenar qué acciones empresariales y en qué condiciones.
Se trata de un cambio significativo con respecto a las generaciones anteriores de asistentes de IA e incluso a los chatbots y las interfaces conversacionales que les precedieron, los cuales estaban diseñados para ofrecer recomendaciones y esperar instrucciones de los usuarios. La generación actual actúa, y los marcos de gobernanza deben reflejar esa distinción.
En los apartados siguientes se abordan los cambios específicos en las capacidades, las actualizaciones del marco normativo y los hitos normativos que los equipos de TI y de seguridad pueden evaluar en relación con sus estructuras de gobernanza actuales. El denominador común de todos ellos: los agentes ya no operan en los márgenes de los procesos empresariales. Están integradas en los flujos de trabajo fundamentales que impulsan las compras, la gestión de la cadena de suministro, las operaciones de seguridad y la gestión de infraestructuras.
Actualizaciones de las capacidades de los modelos y lo que supone la mayor autonomía para el riesgo informático
Varias actualizaciones de la plataforma realizadas durante el último año han ampliado las funciones que los agentes pueden realizar sin intervención humana. Los modelos de inteligencia artificial subyacentes que impulsan a estos agentes también han mejorado su capacidad para el razonamiento en múltiples pasos, lo que significa que los mismos límites de control que resultaban adecuados hace doce meses podrían ya no ser suficientes para contener el abanico de acciones que un agente puede llevar a cabo en la actualidad. Las presentaciones de modelos realizadas por Anthropic, OpenAI y otras startups diversas han destacado específicamente, como objetivos de diseño, la capacidad de utilizar herramientas de forma prolongada y la planificación en varias etapas, capacidades que se traducen directamente en una mayor autonomía de actuación en las implementaciones empresariales.
En lo que respecta a las plataformas, los principales proveedores están reduciendo las dificultades para la implementación en producción. Microsoft presenta Copilot Studio como una plataforma para crear y gestionar agentes, incluidos aquellos que pueden gestionar tareas o procesos empresariales de forma autónoma y participar en la coordinación entre múltiples agentes. SAP describe los «Joule Agents» como agentes que tienen en cuenta los procesos empresariales, que automatizan los flujos de trabajo a gran escala y coordinan procesos complejos entre distintas funciones. La implicación en materia de gobernanza no es que todos los flujos de trabajo de los sistemas ERP sean ahora totalmente autónomos por defecto, sino que cada vez más plataformas empresariales facilitan la configuración y la puesta en marcha de la ejecución de tareas impulsadas por agentes.
En el caso de los equipos de TI, ahora es necesario configurar los ámbitos de permisos de los agentes a nivel de flujo de trabajo, y no solo a nivel de acceso a los datos. La mayoría de las configuraciones de IAM de se limitan, por defecto, a los permisos de acceso a los datos, y rara vez se definen explícitamente las políticas que rigen el inicio de flujos de trabajo o la ejecución de acciones encadenadas, incluso en entornos que utilizan plataformas de identidad modernas.
Otro requisito que está surgiendo es la gobernanza de principio a fin a lo largo de todo el ciclo de vida de un flujo de trabajo impulsado por agentes. El riesgo no surge únicamente en el momento de la toma de decisiones, sino también en la forma en que se generan los conocimientos, se plantean las recomendaciones y se llevan a cabo las acciones. Los sistemas que separan estas fases entre distintas herramientas pueden dificultar el seguimiento de cómo una decisión ha dado lugar a un cambio concreto en el entorno.
La cuestión relativa a la gobernanza de cualquier capacidad de IA relacionada con bases de datos es siempre la misma: ¿qué grado de actualidad tienen los datos en los que se basa una decisión autónoma?, ¿qué capas de almacenamiento en caché o de replicación intervienen en el proceso? y ¿es esa latencia aceptable para el flujo de trabajo que se está automatizando? Esas preguntas son válidas independientemente del proveedor.
La tendencia en las actualizaciones de las plataformas es constante. Los agentes están pasando de desempeñar funciones de asesoramiento (sugerir medidas para que las aprueben las personas) a funciones de ejecución en el mundo real (tomar medidas dentro de unos parámetros definidos). Este cambio se debe, en parte, a los avances en el aprendizaje automático y el aprendizaje automático , que han mejorado la capacidad de los agentes para generalizar a partir de los patrones observados. La misma capacidad que los hace más útiles también hace que su comportamiento sea más difícil de predecir en los extremos de su distribución de entrenamiento.
| Cambio de capacidades | Ejemplo | Se ha creado una brecha en materia de gobernanza |
|---|---|---|
| Inicio del flujo de trabajo | Agentes de compras de SAP | Las políticas de IAM se centran en el acceso a los datos, no en los permisos de flujo de trabajo |
| Consultas de datos en tiempo real | Base de datos Oracle AI | Las decisiones de los agentes basadas en supuestos sobre la actualidad de los datos que podrían no ser ciertos |
| Acciones encadenadas | Agentes de remediación en varias etapas | Registros de auditoría que recogen las acciones individuales, pero no reflejan la cadena de decisiones |
Implicaciones para la empresa: Compruebe si sus políticas de IAM distinguen entre los permisos de acceso a los datos y los permisos para iniciar flujos de trabajo. Es posible que los agentes que operan dentro de ámbitos de acceso «autorizados» sigan desencadenando acciones empresariales fuera de los límites de gobernanza previstos. Asimismo, conviene que confirme con los proveedores de su plataforma —ya sean de ERP, de servicios en la nube o de terminales— qué funciones de los agentes se han habilitado de forma predeterminada en las últimas actualizaciones, ya que no todas las ampliaciones de funcionalidades se comunican a través de los canales habituales de notificación de cambios.
A medida que se amplían las capacidades de los modelos, la siguiente pregunta es cómo se coordinan los agentes entre sí en entornos de producción.
Cambios en el marco de trabajo de los agentes y en la orquestación que afectan a las implementaciones empresariales
Los sistemas multiagente, en los que agentes especializados se coordinan para gestionar diferentes aspectos de flujos de trabajo complejos, están pasando de los entornos de investigación a los entornos informáticos de producción. No se trata de simples cadenas de tareas. Implican una lógica de decisión ramificada, escalaciones condicionales y el traspaso de contexto entre sistemas, que puede abarcar simultáneamente las operaciones de seguridad, la gestión de servicios de TI y las capas de aplicaciones empresariales.
En muchas de las primeras implementaciones en el ámbito empresarial se incorporaban controles manuales entre la detección, el análisis y la actuación. Lo que está cambiando ahora no es la existencia de la automatización en sí misma, sino la facilidad con la que las plataformas permiten a los equipos coordinar a varios agentes especializados dentro de un mismo flujo de trabajo. Un agente que detecte un problema puede ahora transferir los resultados a otro agente o herramienta para su análisis o actuación posterior con una coordinación menos personalizada que antes.
Esto modifica el radio de impacto de un agente mal configurado. Los errores ya no se limitan a los límites de una sola tarea. Un agente de detección que clasifique erróneamente un proceso legítimo puede activar un agente de corrección de que ponga en cuarentena un sistema de producción, todo ello antes de que un operador humano vea la alerta.
Muchas de las principales plataformas en la nube ya están facilitando considerablemente el acceso a flujos de trabajo coordinados y con múltiples agentes. AWS puso a disposición del público la colaboración entre múltiples agentes para Amazon Bedrock en March 2025, y a continuación lanzó Amazon Bedrock AgentCore, una plataforma modular de nivel empresarial para implementar y gestionar agentes en producción, que alcanzó la disponibilidad general en October 2025.
La tendencia es similar en todos los proveedores: los costes de infraestructura asociados al despliegue de sistemas multiagente en entorno de producción están disminuyendo rápidamente. A medida que estas capacidades se vuelven más fáciles de implementar, las herramientas de gobernanza deben adaptarse a las rutas de delegación, la lógica de supervisión, la observabilidad y la gestión de fallos.
La supervisión humana en los sistemas agentivos también se está volviendo cada vez más detallada. En lugar de un modelo sencillo de «aprobar o rechazar» al inicio de un flujo de trabajo, las organizaciones definen cada vez más puntos de control dentro de una secuencia de acciones. Esto permite a los equipos revisar, validar o anular pasos concretos sin bloquear todo el flujo de trabajo, lo que permite conciliar la rapidez con la responsabilidad.
Los marcos que permiten estos traspasos asíncronos, incluidas herramientas de orquestación de código abierto como LangGraph y AutoGen, también están reduciendo las barreras para la implementación de sistemas multiagente, lo que significa que los equipos de TI pueden encontrarse con implementaciones de agentes creadas al margen de las plataformas empresariales autorizadas. Las políticas de gobernanza deben tener en cuenta tanto los sistemas de agentes gestionados por proveedores como los desarrollados internamente.
La especialización vertical también se está acelerando. Por ejemplo, Visa aplica modelos de IA de « » para la detección de fraudes y la evaluación de riesgos en todas las transacciones de pago, mientras que las plataformas sanitarias diseñadas específicamente para este fin utilizan la IA en flujos de trabajo como la supervisión de sustancias controladas y el cumplimiento normativo clínico, contextos en los que los requisitos de precisión específicos del ámbito son mucho más estrictos de lo que un agente de uso general podría cumplir de forma fiable.
En lo que respecta a las decisiones de adquisición de TI, los agentes de uso general pueden ofrecer flexibilidad, pero los sistemas especializados pueden proporcionar una mayor precisión y pertinencia en casos de uso bien definidos. Este cambio hacia la optimización específica para cada ámbito también influye en la forma en que los equipos deben evaluar la eficacia de los agentes. El rendimiento dentro de los límites definidos de una tarea constituye un criterio de referencia más significativo que las puntuaciones generales de capacidad a la hora de evaluar la preparación para la producción.
Esta misma tendencia se está observando más allá del ámbito del software. Las plataformas robóticas están incorporando actualmente capas de inteligencia artificial autónoma para gestionar la secuenciación dinámica de tareas, pasando de las rutinas preprogramadas a la toma de decisiones adaptativa. Los proveedores de infraestructura como Nvidia, cuyos microservicios NIM y su plataforma AI Enterprise se utilizan cada vez más para implementar y ejecutar cargas de trabajo de agentes a gran escala, están facilitando la ejecución de estos sistemas en entornos de producción.
Para los equipos de gobernanza, ambas tendencias implican que el alcance de lo que hay que tener en cuenta va más allá de los agentes alojados en la nube y abarca también las implementaciones aceleradas por hardware y las implementaciones físicas.
Implicaciones para la empresa: Si está ejecutando o evaluando flujos de trabajo con múltiples agentes, compruebe si sus herramientas de supervisión pueden detectar los traspasos entre agentes. Muchas plataformas de observabilidad están diseñadas para flujos de solicitudes iniciados por el usuario, y no para el intercambio de señales entre agentes.
Los cambios en la orquestación influyen en la forma en que los agentes colaboran entre sí. En la siguiente sección se abordan, concretamente, los cambios que se están produciendo en los dispositivos finales y en el ámbito de las operaciones de seguridad.
Evolución específica de los terminales y nuevas superficies de ataque
A medida que la automatización basada en la inteligencia artificial se va integrando cada vez más en la gestión de terminales y las operaciones de seguridad, la superficie de ataque se amplía de formas que las herramientas de seguridad tradicionales no fueron diseñadas para supervisar. En el ámbito de los puntos finales y la capa de respuesta de , los avances recientes están generando, al mismo tiempo, nuevas capacidades y nuevos patrones de riesgo.
Desviación de los agentes en entornos de producción
La «deriva del agente» se produce cuando las microdecisiones acumuladas dan lugar a resultados que nadie había previsto ni aprobado explícitamente, a diferencia de la «alucinación del modelo», que se refiere a que el modelo genere resultados incorrectos. El riesgo de desviación suele deberse, no tanto a resultados erróneos de los modelos, sino más bien a que los flujos de trabajo se ejecutan con permisos demasiado amplios o que no se han supervisado lo suficiente a lo largo del tiempo. Un modelo puede comportarse exactamente según lo previsto y, aun así, salirse del ámbito previsto si no se aplican las medidas de control que delimitan el alcance del flujo de trabajo. Para los profesionales, esto convierte los puntos de aprobación, el registro por niveles, los planes de reversión y la revisión periódica de los ámbitos de actuación de los agentes en controles operativos fundamentales.
La brecha de detección: compruebe si sus registros y detecciones distinguen entre los cambios iniciados por personas, la actividad de las cuentas de servicio y las acciones activadas por agentes. De no ser así, la actividad de los agentes podría resultar más difícil de rastrear durante un incidente y más fácil de pasar por alto durante la supervisión rutinaria.
La proliferación de credenciales derivada del acceso persistente de los agentes
Estos sistemas requieren, cada vez más, un acceso con credenciales persistentes en múltiples sistemas para desempeñar sus funciones. Una herramienta de corrección capaz de aplicar parches a los terminales, actualizar configuraciones y reiniciar servicios requiere credenciales para cada acción.
Las credenciales de los agentes suelen tener un ámbito de aplicación más amplio que el de cualquier usuario humano concreto, y permanecen activas de forma continua, en lugar de solo durante un horario laboral definido. A esto se suma el hecho de que los agentes suelen autenticarse a través de API que conectan los sistemas de gestión de terminales, de identidad y de aplicaciones empresariales, lo que significa que una sola cuenta de servicio comprometida puede atravesar varias capas de integración simultáneamente. La mayoría de los marcos de gestión de accesos privilegiados (PAM) no se diseñaron para gestionar este patrón.
Estos riesgos suelen verse agravados en entornos fragmentados. Cuando los agentes recurren a distintas fuentes de datos, planos de control y sistemas de ejecución, resulta difícil mantener una supervisión coherente y garantizar el cumplimiento de las políticas. Un modelo de datos y ejecución más unificado puede reducir estos puntos ciegos al garantizar que las decisiones, las acciones y la supervisión se basen todas en una misma fuente de información fiable.
Acceso a los datos más allá de los límites del sistema
Los agentes que consultan datos de múltiples fuentes para fundamentar la toma de decisiones están explorando entornos de datos de formas que plantean dificultades en materia de visibilidad. Una única consulta de un agente puede abarcar datos de telemetría de terminales, sistemas de identidad, plataformas de inteligencia empresarial y datos de aplicaciones empresariales.
Dado que los agentes pueden encadenar consultas entre estas fuentes de forma autónoma, es posible que el alcance total de la información a la que se ha accedido para tomar una decisión no quede reflejado en el registro de acceso de ningún sistema concreto. Es posible que el registro tradicional del acceso a los datos, diseñado para ofrecer visibilidad aplicación por aplicación, no refleje el panorama completo de a qué ha accedido un agente para tomar una decisión.
La proliferación de herramientas de IA en los dispositivos finales
Existe una carencia en materia de gobernanza que recibe menos atención que la proliferación de credenciales o el acceso a los datos, pero que resulta más sencilla y más inmediata: la mayoría de las organizaciones no disponen de un inventario preciso de las herramientas de IA que ya se están ejecutando en su entorno de terminales. Los modelos de lenguaje de gran tamaño locales, los servidores MCP, los archivos de modelos de IA y las aplicaciones de IA de terceros pueden instalarse y ejecutarse en los terminales antes de que los equipos de TI o de seguridad tengan conocimiento de su existencia. Sin ese inventario, las políticas de gobernanza carecen de una base sobre la que aplicarse.
No se trata de un riesgo futuro. A medida que proliferan las herramientas de IA entre los desarrolladores y los usuarios avanzados, la superficie de ataque de la IA en los terminales se está ampliando independientemente de las implementaciones autorizadas. Los programas de gobernanza que se centren exclusivamente en los flujos de trabajo de agentes autorizados pasarán por alto los riesgos que supone el uso de IA no autorizada que se ejecuta en paralelo a ellos.
Repercusiones para la empresa: la proliferación de herramientas de IA y la proliferación de credenciales se potencian mutuamente. Compruebe si sus reglas de detección del SIEM abarcan las cuentas de servicio de los agentes con el mismo rigor que las cuentas de usuario, y si su inventario de terminales recoge ahora artefactos específicos de la IA, además del software tradicional. Si los cambios de configuración iniciados por el agente no generan alertas, existe una laguna en la detección.
Actualizaciones normativas y de estándares que marcan el rumbo de la implantación de la IA autónoma
Los marcos normativos se están adaptando a las capacidades de la IA con capacidad de acción, y está comenzando la fase de aplicación de la normativa.
Hitos en la aplicación de la Ley de IA de la UE
El régimen basado en el riesgo de la Ley de IA de la UE puede aplicarse a los sistemas de IA utilizados en contextos contemplados, como las infraestructuras críticas y el empleo, pero el momento en que se aplique es importante. La ley entró en vigor en el año 2024, y algunas de sus disposiciones comenzaron a aplicarse en el año 2025. En el caso de los sistemas de IA de alto riesgo, está previsto que las obligaciones relativas a la puesta en servicio y al registro de datos, que son las más relevantes para la gobernanza empresarial, entren en vigor el August 2, 2026.
El día May 7, 2026, los legisladores de la UE alcanzaron un acuerdo político sobre el «Omnibus Digital», que incluye un aplazamiento de 16 meses para los sistemas de IA de alto riesgo nuevos o modificados sustancialmente que figuran en el anexo III. La adopción formal aún está pendiente. Hasta que se apruebe la legislación, las organizaciones deben considerar el August 2026 como la fecha límite de planificación vigente y estar atentas al proceso de la Ley Ómnibus Digital para conocer las novedades.
Para los equipos que trabajan en casos de uso de alto riesgo contemplados, la conclusión más precisa a corto plazo es la siguiente:
- Registro y conservación: Asegúrese de que el sistema pueda generar registros y de que los responsables de la implementación puedan conservar dichos registros bajo su control durante el período requerido.
- Supervisión humana: . Asigne al personal responsable y defina cómo se lleva a cabo la supervisión durante el uso.
- Revisión de casos de uso y riesgos: . Compruebe si la implementación entra dentro de una categoría de alto riesgo y si se aplican obligaciones adicionales antes de su uso en producción.
Actualizaciones del Marco de Gestión de Riesgos de la IA (RMF) del NIST para sistemas autónomos
El Marco de Gestión de Riesgos de la Inteligencia Artificial del Instituto Nacional de Estándares y Tecnología (NIST) sigue siendo el principal marco voluntario que utilizan muchas organizaciones como guía para la gobernanza de la inteligencia artificial. El NIST ha ampliado sus directrices mediante recursos como el «AI RMF Playbook» y los perfiles de IA generativa, prestando cada vez más atención al comportamiento de los sistemas de IA en entornos de producción.
En el caso de los equipos que implementan sistemas basados en agentes, la tendencia práctica se orienta hacia una supervisión continua. La gobernanza no se limita únicamente a las pruebas previas a la implementación. Esto requiere un seguimiento continuo del comportamiento de los agentes, de los datos en los que se basan y de cómo las decisiones se traducen en acciones a lo largo del tiempo.
Esto incluye documentar las fuentes de datos y los flujos de datos que sirven de base para las decisiones de los agentes, especialmente en entornos en los que los agentes consultan sistemas en tiempo real en lugar de conjuntos de datos estáticos.
Para las organizaciones que utilizan el NIST como referencia, el enfoque pasa de «probar antes de la implementación» a «supervisar y validar tras la implementación».
Repercusiones para la empresa: Si su implementación automatiza acciones de gran repercusión, documente desde ya los procedimientos de reversión, los puntos de aprobación y las vías de escalado. Incluso en los casos en que la normativa no exija explícitamente la existencia de «anillos de implementación», la reversión controlada constituye una medida de seguridad operativa fundamental y un elemento importante para la auditabilidad.
Cómo evaluar si su marco de gobernanza se ha adaptado a los cambios
A la luz de los avances mencionados anteriormente, los equipos de TI y de seguridad pueden evaluar su situación actual en materia de gobernanza en función de criterios específicos.
| Criterio de evaluación | Pregunta de diagnóstico | Riesgo si no se aborda |
|---|---|---|
| Actualidad de los datos para la toma de decisiones | ¿Son los datos lo suficientemente actuales como para ajustarse a la tolerancia del flujo de trabajo respecto a retrasos o desviaciones? | Los agentes pueden actuar basándose en condiciones que ya no existen o que ya no son relevantes |
| Controles de gobernanza | ¿Están documentados los límites de autorización de los agentes y se aplican mediante políticas? | Acción autónoma no controlada fuera del ámbito previsto |
| Implantación progresiva | ¿Su implementación admite la puesta en marcha por fases, los procedimientos de reversión y criterios de progresión definidos? | Fallos generalizados debidos a cambios a gran escala que no se han sometido a pruebas |
| Integración | ¿Pueden los agentes intercambiar información con las herramientas existentes de SIEM, ITSM y de terminales? | Una automatización aislada que genera puntos ciegos |
| Auditabilidad y trazabilidad | ¿Podría reconstruir qué hizo el agente, qué herramientas o datos utilizó y qué autorizaciones o controles se llevaron a cabo? | Deficiencias en el cumplimiento normativo, una reconstrucción deficiente de los incidentes y una escasa confianza en los operadores |
A medida que las organizaciones evalúan estos criterios, queda claro que la gobernanza ya no se limita a definiciones estáticas de políticas. Depende de cómo se fundamentan las decisiones en tiempo de ejecución, de cómo se ejecutan las acciones en los distintos sistemas y de cómo se supervisan y validan los resultados.
Antes de analizar cada criterio, establezca unos parámetros de referencia para sus implementaciones actuales de agentes: cuántas cuentas de servicio de agente están activas, cuántos permisos a nivel de flujo de trabajo se han concedido y cuántos cambios de configuración iniciados por agentes se han producido en los últimos 30 días. Sin estos puntos de referencia, resulta difícil aplicar los criterios de evaluación que se indican a continuación:
- Actualidad de los datos para la toma de decisiones: . La cuestión clave es si los datos que sirven de base para las decisiones del agente están lo suficientemente actualizados para la acción que se va a llevar a cabo. En entornos que evolucionan rápidamente, incluso los retrasos más breves entre la recopilación de datos y la ejecución de los agentes pueden dar lugar a medidas correctivas incorrectas o innecesarias, sobre todo cuando no hay ninguna persona que revise las decisiones en tiempo real. La validación de la latencia real entre la actualidad de los datos y la acción del agente es una medida concreta que la mayoría de los equipos aún no han llevado a cabo.
- Controles de gobernanza y supervisión humana: La cuestión práctica va más allá de si existen límites de aprobación, sino de si se aplican de manera coherente en el momento de la ejecución. Muchas organizaciones cuentan con modelos de aprobación informales o parcialmente implantados que no limitan por completo lo que un agente puede hacer una vez que inicia un flujo de trabajo.
- Integración: Los retos de la integración suelen tener menos que ver con la conectividad y más con la coherencia. Cuando en los flujos de trabajo de los agentes intervienen varios sistemas, las diferencias en los modelos de datos, los controles de acceso y el registro de eventos pueden generar lagunas en la visibilidad y dificultar el seguimiento de cómo las decisiones se traducen en acciones.
- Implementación progresiva y por fases: A medida que los agentes comienzan a aplicar los cambios directamente, la estrategia de implementación pasa a formar parte de la gobernanza. Las implantaciones progresivas, la ejecución por fases y los criterios de avance documentados pueden actuar como controles de seguridad que limiten el alcance de las decisiones erróneas. En este modelo, el diseño de la implantación no es solo una cuestión operativa, sino también un mecanismo de gobernanza.
Un aspecto que merece la pena evaluar en cualquier plataforma es si la reversión requiere la intervención de una persona o si el sistema puede activarla automáticamente cuando la ejecución no supera la validación. La reversión automática en caso de fallo constituye un control de gobernanza cualitativamente diferente. Reduce el margen de tiempo entre una acción fallida y la respuesta humana, lo cual resulta fundamental en entornos en los que los agentes llevan a cabo cambios con rapidez y a gran escala.
Algunas plataformas también están empezando a introducir indicadores de confianza vinculados a las recomendaciones y a las acciones automatizadas. Estas señales pueden ayudar a los equipos a determinar cuándo permitir una ejecución totalmente automatizada y cuándo es necesario realizar una revisión humana adicional. Aunque aún no están estandarizados, los controles basados en la confianza se están imponiendo como una forma de hacer que el comportamiento de los agentes resulte más predecible y auditable.
Lo que los equipos de TI y de seguridad pueden priorizar en los próximos 90 días
Teniendo en cuenta los avances que se abordan en esta guía, a continuación se indican las medidas concretas que los equipos de TI y de seguridad pueden adoptar a corto plazo. Estas siete medidas son de carácter táctico, pero también deberían servir de base para una revisión más amplia de la estrategia en materia de inteligencia artificial.
- Auditar los ámbitos de permisos de los agentes en relación con las políticas de IAM. Compruebe los permisos a nivel de flujo de trabajo que ahora exigen los agentes autónomos de ERP y de terminales. La mayoría de las configuraciones de IAM se limitan al acceso a los datos, y no a la puesta en marcha de flujos de trabajo.
- Revise las reglas de detección del SIEM para las cuentas de servicio de los agentes. Si las reglas de detección se aplican únicamente a las cuentas de usuario, es posible que los cambios de configuración iniciados por el agente no generen alertas.
- Documente los procedimientos de reversión, los puntos de aprobación y las vías de escalado para los flujos de trabajo de los agentes que tienen un gran impacto. La implementación y la reversión controladas constituyen medidas de seguridad operativas fundamentales, independientemente de los requisitos normativos, y, en el caso de las implementaciones sujetas a las disposiciones sobre alto riesgo de la Ley de IA de la UE, respaldan directamente la documentación de auditabilidad que exigen dichas obligaciones.
- Evalúe la cobertura de la supervisión de los traspasos entre agentes. Si está ejecutando flujos de trabajo con varios agentes, compruebe si las herramientas de observabilidad pueden rastrear el paso de contexto entre los agentes.
- Confirme las hipótesis sobre la actualidad de los datos para las decisiones de los agentes. En el caso de cualquier agente que tome decisiones autónomas basadas en el estado de un terminal o de un sistema, compruebe hasta qué punto esos datos están realmente actualizados.
- Identifique en qué puntos los flujos de trabajo que van de la información a la acción traspasan los límites entre herramientas. Si en los procesos de identificación, toma de decisiones y ejecución intervienen varios sistemas, confirme cómo se regulan, registran y supervisan dichas transiciones.
- Identidades de los agentes de inventario y cuentas de servicio. Documente qué agentes pueden acceder a qué herramientas, con qué credenciales y con qué autorización o límites de RBAC. A menudo, esta es la forma más rápida de detectar un acceso excesivamente amplio antes de que se convierta en un problema de gobernanza.
Si la documentación sobre gobernanza de la IA de su organización se redactó antes de que las capacidades de los agentes se incorporaran a los niveles predeterminados de la plataforma, es probable que no tenga en cuenta los permisos a nivel de flujo de trabajo, los traspasos entre múltiples agentes ni los requisitos de documentación de la Ley de IA de la UE; todos ellos son ahora cuestiones operativas, y no meras consideraciones futuras.
En conjunto, estas carencias ponen de manifiesto un reto más amplio: la gobernanza ya no es solo una cuestión de políticas. Depende de disponer de datos precisos y actualizados, de la capacidad de actuar en función de dichos datos dentro de flujos de trabajo controlados y de la visibilidad necesaria para comprender qué están haciendo los sistemas autónomos en tiempo real en todo el entorno.
Cómo contribuye Tanium a la gobernanza de la IA autónoma
La plataforma de TI autónoma Tanium de ofrece información en tiempo real sobre los terminales y una ejecución regulada para las operaciones de TI y seguridad, proporcionando la capa de datos y control de la que dependen los flujos de trabajo asistidos por IA y basados en agentes.
Dicha base combina la inteligencia de los terminales en tiempo real con la arquitectura de cadena lineal patentada por Tanium, junto con la puntuación de confianza y de riesgo, la implementación progresiva basada en anillos y las integraciones profundas. Sobre esa base, Tanium incorpora consultas en lenguaje natural, flujos de trabajo autónomos con controles que incluyen la intervención humana y una supervisión centralizada de la actividad autónoma.
Tanium Atlas, el sistema operativo autónomo, aúna todos esos elementos en una única experiencia regulada en la que la inteligencia, la orientación y la acción se integran en un mismo flujo de trabajo. A medida que el ecosistema de la IA agentiva sigue evolucionando, Tanium amplía esta base para que las organizaciones puedan mantener la visibilidad, aplicar medidas de gobernanza y actuar con confianza a medida que los sistemas se vuelven más autónomos.
La eficacia de la IA agentiva en las operaciones de TI y seguridad depende menos de la sofisticación del modelo y más de la seguridad con la que sea capaz de pasar de la información a la acción dentro de unos límites definidos. Los sistemas que integran datos en tiempo real, una ejecución controlada y resultados observables en un único flujo de trabajo están mejor preparados para facilitar una automatización segura y escalable.
- La información sobre los terminales en tiempo real ayuda a los equipos a basar las decisiones asistidas por IA en el estado actual de los dispositivos. Tanium Ask utiliza interacciones en lenguaje natural para extraer información y facilitar la investigación. Además, el Tanium Ask Agent de lleva esto a la práctica al admitir flujos de trabajo automatizados con intervención humana para la detección de datos, la gestión de software y mucho más.
- Los controles con intervención humana están integrados en las acciones delicadas. Tanium Ask Agent mantiene la supervisión humana a lo largo de los flujos de trabajo de los agentes, exigiendo una confirmación previa a las acciones que afectan directamente a los terminales o a las configuraciones de Tanium. Los administradores pueden supervisar, aprobar y revertir los cambios, lo que permite a los equipos mantener el control sobre las acciones que la plataforma realiza en su nombre.
- La puntuación de confianza facilita la implantación controlada de los cambios automatizados. La implementación progresiva con las puntuaciones de confianza de ofrece a las organizaciones un mecanismo para planificar los cambios por fases y evaluar su posible impacto antes de proceder a su ejecución generalizada.
- La supervisión centralizada de la actividad autónoma proporciona un nivel de gobernanza unificado. Tanium Action Oversight ofrece informes continuos sobre el sistema y visibilidad del estado actual de la actividad autónoma en toda la plataforma. En lugar de basarse en los registros de módulos individuales o en una supervisión puntual, todos los sistemas están integrados en este componente de gobernanza centralizado, lo que proporciona a los equipos de TI y de seguridad una visión unificada de lo que la plataforma está realizando de forma autónoma, en qué ámbito y en qué condiciones.
- La orquestación basada en guías de procedimientos permite crear flujos de trabajo controlados y repetibles. Tanium Automate permite a los equipos crear guías de procedimientos que encadenan acciones en secuencias lógicas y repetibles, con muy poco o ningún código, para automatizar tareas habituales como la aplicación de parches, la corrección de vulnerabilidades y la implementación de aplicaciones. Gracias a las implementaciones por fases y a la supervisión de los usuarios integrada en el flujo de trabajo, los equipos pueden limitar el impacto de los errores y controlar cómo se amplía la automatización en los entornos de producción.
- La gestión proactiva de vulnerabilidades contribuye a reducir el riesgo derivado en entornos automatizados. Tanium Guardian notifica automáticamente a los equipos los problemas emergentes, incluidas las vulnerabilidades de día cero, y ofrece recomendaciones sobre las medidas que deben adoptar los operadores. Los contenidos y análisis de Guardian son elaborados por el Equipo de Respuesta a Emergencias de Vulnerabilidades (VERT) de Tanium, una iniciativa liderada por Tanium en la que colaboran expertos en seguridad de la empresa, socios del sector y clientes.
- La unificación de las operaciones de TI y seguridad puede reducir los puntos ciegos en la supervisión. Tanium Threat Response supervisa la actividad de los terminales en tiempo real, facilita la búsqueda de amenazas y utiliza Tanium Signals para la detección y las alertas continuas. Dado que la investigación y la respuesta se llevan a cabo en la misma plataforma, los equipos pueden crear y ajustar las detecciones sin necesidad de cambiar de contexto ni de herramienta.
Este enfoque refleja la ventaja operativa que supone abordar la gobernanza de forma conjunta en las capas de datos y de ejecución. Un enfoque integral que abarca la recopilación de datos en tiempo real, la ejecución de flujos de trabajo regulados, la generación de registros de auditoría y la detección unificada es lo que distingue a los marcos de gobernanza capaces de adaptarse a la IA agentiva de aquellos que crean nuevos puntos ciegos a medida que se amplían las capacidades de los agentes.
Cuando los agentes trabajan a partir del estado actual de los dispositivos finales, operan dentro de flujos de trabajo auditables y activan alertas mediante una cobertura de detección unificada, la brecha de supervisión que hace que la IA basada en agentes resulte arriesgada pasa de ser un hecho dado por sentado a ser un problema que se puede abordar.
A medida que la IA agencial se expande a los entornos de terminales, los retos en materia de visibilidad pasan de centrarse en las listas de aplicaciones a centrarse en el comportamiento en tiempo de ejecución, los modelos locales y los marcos de trabajo de agentes integrados. Este vídeo ofrece una visión práctica de cómo se manifiestan esos riesgos y de cómo los equipos pueden empezar a clasificarlos y supervisarlos mediante Tanium.
Preguntas frecuentes sobre los avances en la IA agentiva
¿Sigue tratando de comprender qué significa la IA agentiva y cómo afecta a su entorno? Estas respuestas breves abordan las preguntas más habituales que se plantean los equipos en estos momentos, a medida que las capacidades evolucionan y las expectativas en materia de gobernanza se van adaptando. Utilícelos para aclarar qué está cambiando, qué implicaciones tiene para su perfil de riesgo y en qué debe centrarse a partir de ahora.
¿Cuáles son las últimas novedades en materia de IA agentiva?
La IA agentiva está pasando de la asistencia tipo chat a sistemas capaces de planificar, utilizar herramientas y completar flujos de trabajo de varios pasos. Los recientes lanzamientos de proveedores como SAP, Microsoft, AWS y Oracle ponen de manifiesto que las empresas disponen ahora de más opciones listas para usar a la hora de crear y coordinar agentes, pero la mayoría de las organizaciones aún se encuentran en una fase inicial a la hora de ampliarlas.
¿Por qué fracasan tantas iniciativas de IA con capacidad de acción en la fase de producción?
Muchos fallos se deben a una deficiencia en la gobernanza: los equipos aún no han armonizado las expectativas en cuanto a la actualidad de los datos, los límites de aprobación, los controles de identidad y la observabilidad con lo que los flujos de trabajo autónomos pueden realmente hacer en producción. La encuesta « November 2025 » de McKinsey, disponible en , reveló que casi dos tercios de los encuestados afirmaron que sus organizaciones aún no habían comenzado a implantar la inteligencia artificial a escala empresarial, lo que ayuda a explicar por qué el entusiasmo en torno a los agentes sigue superando a la madurez operativa.
¿Cómo influyen las actualizaciones de la IA agentiva en los procesos de toma de decisiones?
Las recientes actualizaciones de la plataforma han hecho que los agentes pasen de desempeñar funciones de asesoramiento a funciones de ejecución, lo que significa que ahora inician flujos de trabajo y modifican configuraciones sin tener que esperar a la aprobación de un usuario. Esto transforma el proceso de toma de decisiones, que pasa de «el agente propone y el ser humano aprueba» a «el agente actúa dentro de unos parámetros definidos». Para los equipos de TI, esto significa que la gobernanza debe tener en cuenta ahora los permisos a nivel de flujo de trabajo, y no solo los controles de acceso a los datos, y que las herramientas de supervisión deben registrar las acciones iniciadas por los agentes con el mismo rigor que las iniciadas por los usuarios.
¿Tiene futuro la IA agentiva?
La adopción de la IA agentiva se está acelerando: casi el 70 % de las empresas que participaron en la encuesta «CISO Village» de Team8's 2025 —una comunidad de responsables de seguridad de grandes empresas— afirman que ya cuentan con agentes de IA en producción. Es probable que esa cifra refleje la situación de las empresas pioneras en la adopción de estas tecnologías, más que la de la organización media; Según la encuesta « November 2025 » de McKinsey , la mayoría de las empresas se encuentran todavía en fases iniciales. En conjunto, los datos indican que la adopción es desigual, pero avanza rápidamente en el segmento más alto del mercado.
El futuro de esta tecnología depende de si los marcos de gobernanza logran adaptarse a las capacidades de los agentes. Las organizaciones que lo consigan serán aquellas que consideren la gobernanza no como un ejercicio de política, sino como una disciplina operativa, integrada en la forma en que se asignan, supervisan y regulan a los agentes desde el principio.
Si bien las herramientas de « » como ChatGPT han permitido a muchas organizaciones familiarizarse con los resultados generados por IA, los sistemas agenticos representan una categoría fundamentalmente diferente: no se limitan a responder a consultas, sino que inician acciones, y esa distinción es lo que hace que la gobernanza sea tan crucial.
Las empresas que aborden las carencias de visibilidad desde el principio estarán en condiciones de ampliar con confianza las implementaciones de IA autónoma. Las organizaciones que no lo hagan se verán obligadas a gestionar incidentes que podrían haberse evitado con límites más claros y una mejor información sobre los dispositivos finales.
La gobernanza ya no es solo una cuestión de políticas: depende de disponer de datos precisos y actualizados, de la capacidad de actuar dentro de flujos de trabajo controlados y de la visibilidad necesaria para comprender qué están haciendo los sistemas autónomos en tiempo real.
Solicite hoy mismo una demostración gratuita y personalizada en para descubrir cómo Tanium facilita la gobernanza de la IA basada en agentes. Escuche nuestro podcast « » en y siga a Tanium en , en LinkedIn ( ) y en las redes sociales para mantenerse al día sobre la gobernanza de la IA agentiva, la seguridad de los terminales y las novedades en el ámbito de las tecnologías de la información empresariales.
