Gobernanza de datos para IA: agentes que se estancan

El demo salió increíble. El agente respondió preguntas de pipeline en lenguaje natural, los fundadores quedaron impresionados y alguien dijo "lancémoslo" en la reunión. Tres semanas después, el mismo agente le dijo a un cliente que su factura estaba pagada cuando no lo estaba, citó un número de ingresos que el CFO no reconoció y lo desconectaron sin hacer ruido. El modelo no se volvió menos inteligente entre el demo y producción. Conoció tus datos.

Esa historia es 2026 en miniatura. Gartner predijo en agosto de 2025 que el 40% de las aplicaciones empresariales incluirá agentes de IA para tareas específicas a fines de 2026, frente a menos del 5% en 2025. Al mismo tiempo, los datos son lo primero que señalan los líderes: en la encuesta CDO Insights 2026 de Informatica a 600 líderes de datos (enero de 2026), alrededor de la mitad citó la calidad de los datos como el principal desafío para desplegar IA agéntica. Informatica vende software de gestión de datos, así que tiene un interés comercial en esa respuesta. El cuello de botella se movió, y la mayoría de los presupuestos no se ha dado cuenta.

¿Qué significa tener datos listos para IA?

No significa datos perfectos. Significa datos conocidos. Cuatro propiedades, en la práctica:

• Una definición por métrica. "Cliente activo", "MRR" y "churn" significan exactamente una cosa, por escrito, con un dueño. Si tu dashboard de ventas y tu hoja de finanzas no coinciden en ingresos, un agente elige una al azar y responde con total confianza.
• Linaje documentado. Puedes rastrear cualquier número que el agente cite hasta la tabla y la transformación que lo produjo. Cuando el agente se equivoca, encuentras el porqué en minutos, no en una semana de arqueología.
• Controles de calidad donde importan. Frescura, nulos, duplicados y anomalías de volumen monitoreados en las tablas que el agente lee. No en las 400 tablas. En las 20 que alimentan respuestas.
• Reglas de acceso que el agente hereda. El agente ve lo que puede ver la persona que pregunta, y nada más. "Los permisos los agregamos después" es la historia de cómo un bot de soporte termina recitando sueldos.

¿Por qué fallan los agentes si los dashboards funcionaban bien?

Porque los dashboards perdonan y los agentes no. Una persona que lee una gráfica un poco desactualizada entrecierra los ojos, cruza fuentes e interpola. Doce años de cultura de BI descansan sobre esa corrección de errores humana y silenciosa. Un agente no entrecierra los ojos. Toma la data tal cual y luego actúa: manda el correo, crea el ticket, aplica el descuento, le responde al cliente.

Esa es la parte incómoda de la brecha de preparación. Tus datos nunca fueron tan buenos como los dashboards los hacían ver. El agente no creó el problema de calidad. Quitó el amortiguador humano que lo venía absorbiendo.

¿Cuánta gobernanza necesita de verdad una empresa mediana?

Menos de lo que dicen los manuales corporativos, y más de la que tienes. El stack completo de gobernanza (comités, programas de stewardship, reuniones trimestrales) está diseñado para empresas de 5,000 personas; en una de 100 no hay quién lo alimente. Lo que una empresa de 20 a 500 personas necesita es gobernanza mínima viable:

1. Una capa de métricas con dueños con nombre. Cada métrica que un agente puede citar tiene una definición y un humano responsable. Ese es el trabajo real de la capa semántica en 2026: dejó de ser un accesorio de BI y se volvió el contrato entre tus datos y tu IA.
2. Contratos sobre las tablas críticas. Las 15 a 25 tablas que alimentan agentes y reportes ejecutivos llevan validación de esquema, SLAs de frescura y un canal de alertas que alguien de verdad lee.
3. Un modelo de accesos, no excepciones de acceso. Roles mapeados una vez, heredados por cada herramienta, agentes incluidos.
4. Un set de evaluación. Cincuenta preguntas reales con respuestas verificadas, que se corren de nuevo en cada cambio. Si la precisión del agente cae, lo sabes antes que tus clientes.

Lo plantearíamos como un proyecto de 30 a 60 días para una empresa mediana, no como un programa de transformación. Y es el gasto en IA con mejor retorno disponible, porque reduce el costo de cada proyecto de IA que venga después, el argumento que desarrollamos en cuánto cuesta implementar IA. Una aclaración: gobernar los datos que alimentan a la IA no es lo mismo que gobernar el uso de la IA. Esa otra mitad, políticas, riesgo y cumplimiento, la cubrimos en la guía de gobernanza de IA.

Primero los datos, después el agente

Nuestra lectura: el orden importa más que el proveedor. Si despliegas un agente sobre datos no preparados, terminas atendiendo incidentes y la confianza de la organización en la IA paga el costo. Si primero inviertes seis semanas en preparación, el agente tiene una posibilidad real de aguantar frente a clientes. Mismo modelo, mismo presupuesto, distinto orden. Gartner predijo en junio de 2025 que más de cuatro de cada diez proyectos de IA agéntica se cancelarán para fines de 2027, por costos crecientes, valor de negocio poco claro o controles de riesgo insuficientes. Apostaríamos a que buena parte de esa ola viene de equipos que lanzaron primero y arreglaron los datos después.

Ese cruce entre datos y agentes es exactamente donde nuestras prácticas de Data y AI trabajan como un solo equipo: preparación, capa de métricas y evaluaciones por un lado, diseño de agentes por el otro, un contrato en vez de dos proveedores señalándose entre sí. Y si quieres una lectura honesta de dónde está parada tu operación de datos frente a las otras siete dimensiones, eso es lo que mapea el DGTL Readiness Index.

Relacionados: Modern data stack para empresas medianas → · Cuánto cuesta implementar IA → · Infraestructura de datos para B2B →