Si el Sistema de archivos cubre todas las áreas de la empresa el Agente IA hará el trabajo que se requiere

Tu agente de IA solo es tan bueno como tu sistema de archivo

https://www.unite.ai

Kate Liapun,

El 30 de diciembre de 2025, el servicio postal de Dinamarca entregó la última carta de sus 401 años de historia. Los 1,500 buzones restantes fueron retirados de las calles durante ese año. Mientras tanto, en julio de 2026 el gabinete federal alemán aprobó GeDIG, la ley de datos de salud e innovación digital, que eliminará gradualmente el fax de los consultorios médicos para el otoño de 2029 y hará obligatorios los referidos electrónicos.

Entonces, ¿cómo es que un país puede implementar tales cambios mientras otro aún está eliminando su dependencia de las máquinas de fax en este siglo? Teniendo en cuenta el uso de IA en los negocios de cada país, el 42 % de las empresas danesas utilizó al menos una tecnología de IA en 2025, la mayor proporción en Europa. Alemania se situó en el 26 %, por encima del promedio de la UE pero dieciséis puntos por debajo de Dinamarca.

Para mí, el contraste nos incita a replantear nuestras creencias sobre la adopción de IA. En particular, la creencia de que la elección del modelo es el punto de partida de la adopción de IA, ignorando la condición de los sistemas que rodean al modelo. Ambos países tienen acceso a los mismos modelos y proveedores de nube, pero la diferencia radica en si los procesos empresariales y públicos ya generan registros digitales fiables. Dado que un agente de IA no trabaja directamente con la realidad, sino con la versión de la realidad disponible en un sistema, naturalmente esto genera algunas limitaciones.

La primera limitación: la información nunca se digitalizó

Un agente no puede recuperar un documento que nunca ingresó al sistema. La forma del flujo de información de la organización determina lo que un agente puede incluso percibir como una tarea.

A nivel de país, los datos de Eurostat muestran que la adopción de IA en las empresas correlaciona con la digitalización de los procesos administrativos. Pero el mecanismo clave es que los países donde los ciudadanos ya reciben documentos oficiales de forma digital tienen menos interacciones fuera del sistema que las empresas deben conciliar, reduciendo la cantidad de trabajo de interpretación necesario antes de que la IA pueda usarse de forma segura en las operaciones.

A nivel de empresa, un estudio de IZA de 2026 sobre 1,907 compañías danesas encuentra que un aumento de una desviación estándar en la digitalización se asocia con una probabilidad 8 a 10 puntos porcentuales mayor de adoptar sistemas de IA centrales. Esto sugiere que la adopción de IA depende de si las operaciones internas de la empresa ya están organizadas de manera digitalmente estructurada y legible por máquinas. Si los procesos están fragmentados, hay poca información estable para que los sistemas o agentes de IA actúen.

Esto también puede ayudar a explicar por qué la digitalización impulsada por políticas no se traduce automáticamente en preparación para IA. La facturación electrónica B2B obligatoria de Italia creó un canal totalmente digital, pero la adopción general de IA sigue por debajo del promedio de la UE.

Digitalizar un solo paso no elimina el sistema analógico circundante.

La segunda limitación: la información existe solo en la cabeza de alguien

Los humanos gestionan las operaciones, lo que significa que la mayor parte del tiempo conocen detalles que la IA no. Un administrador financiero sabe que un inquilino pagó en efectivo, pero el pago nunca se ingresó al sistema contable. Como resultado, los registros bancarios y el sistema no concuerdan. El administrador entiende el porqué, mientras que la IA solo ve datos inconsistentes. Un administrador de propiedades recuerda que un propietario pidió no ser contactado durante dos semanas. Un equipo conoce la solución alternativa para un edificio o cliente, pero nadie la ha documentado.

ClarEval probó tareas con objetivos ausentes, premisas faltantes y terminología ambigua. El rendimiento del modelo cayó de alrededor del 89 % tras la clarificación a aproximadamente el 9 % cuando la ambigüedad permaneció sin resolver. 

Mientras tanto, Ambig‑SWE descubrió que permitir que un modelo cuestione a un usuario que posee la información faltante recuperó hasta el 74 % del rendimiento perdido. Esto implica que los ingenieros deberían construir un sistema capaz de solicitar aclaraciones desde el principio.

La tercera limitación: la información existe pero no puede transmitirse

Algunos datos están disponibles dentro de la empresa y aún así no pueden llegar al modelo debido a normas de privacidad, controles de seguridad, contratos o políticas internas.

Un estudio basado en siete años de datos en la nube encontró que el RGPD —la ley fundamental de privacidad de datos de la UE— redujo el almacenamiento de datos en un 26 % y el procesamiento en un 15 % entre las empresas de la UE en comparación con empresas estadounidenses comparables. En otras palabras, la regulación de privacidad hizo que las empresas fueran menos intensivas en datos al limitar la cantidad de información que podían retener y procesar para análisis e IA. La adopción de IA generativa fue casi igual, con un 37 % de las empresas de la UE y un 36 % de las de EE. UU. Pero la brecha en la profundidad de la adopción de IA es enorme, con el 81 % de las empresas estadounidenses usando IA en al menos dos procesos internos, frente al 55 % en la UE. Una posible razón es que la información que ya existe dentro de las organizaciones suele ser más difícil de reutilizar para IA en Europa. Las conversaciones de soporte al cliente, por ejemplo, a menudo contienen datos personales recopilados para resolver problemas de los clientes. Según el principio de limitación de finalidad del RGPD (Artículo 5(1)(b)), estos datos no pueden simplemente reutilizarse para entrenar IA sin una base legal válida. Las empresas estadounidenses generalmente enfrentan menos restricciones federales equivalentes para reutilizar dichos datos.

Cómo construir el sistema correcto

La recuperación solo funciona cuando la respuesta existe en el sistema. Los agentes deben preguntar cuando falta información, nunca adivinar, y convertir llamadas o decisiones informales en registros estructurados. Las empresas también deben eliminar los flujos de trabajo paralelos en papel porque, si una tarea puede ocurrir fuera del sistema, parte del contexto permanecerá invisible.

Cada empresa debe reconocer sus propias brechas. 

• Mida si un hecho necesario para actuar correctamente estaba dentro del sistema o no. 
• Pruebe los flujos de trabajo con y sin los campos de revisión de privacidad excluidos. 
• Por último, para el flujo de trabajo que puede completarse en papel, ese es el agente que se debe construir al final.

Los agentes pueden mejorar la producción humana, pero no reparan lo que falta.

Read more...

Antes de seleccionar un modelo o construir un agente se debe preparar a una organización para la inteligencia artificial

Cuando el modelo no es el problema y el proceso es incorrecto

https://www.unite.ai/
Por Zuzana Drotárová,

Imagina un escenario común en los servicios financieros. Un equipo despliega la inteligencia artificial para revisar contratos: cientos de páginas, cláusulas repetitivas y trabajo rutinario que normalmente lleva a los empleados días. El modelo identifica los riesgos y referencias a los párrafos correctos. Sin embargo, la salida no suma.

Resulta que el problema está en la carpeta de contratos, donde los archivos se sientan uno al lado del otro con nombres como contract_v1.docx, contract_v2.docx, contract_final.docx, contract_final2.docx y contract_finalfinal_THIS_ONE.docx.

La inteligencia artificial seleccionó el archivo más recientemente guardado. Pero ese archivo era una versión anterior que alguien había abierto y guardado automáticamente la semana anterior.

El modelo hizo exactamente lo que se diseñó para hacer. El proceso, sin embargo, lo decepcionó.

Cuando el modelo no es el problema

En mi artículo anterior, argumenté que los fallos de la inteligencia artificial a menudo comienzan fuera del modelo – en la gobernanza, la propiedad y las estructuras de toma de decisiones que lo rodean. Pero la gobernanza es solo una parte del problema. Incluso un sistema de inteligencia artificial bien gobernado luchará si el proceso subyacente depende de documentos desactualizados, excepciones informales o rutas de aprobación diseñadas para un ritmo de trabajo mucho más lento.

Cuando un sistema de inteligencia artificial produce un resultado pobre, el modelo es usualmente el primer sospechoso. Tal vez se imaginó, malentendió la tarea o recibió una promoción débil. Pero a veces el modelo hizo exactamente lo que se suponía que debía hacer. El fallo ocurrió en el proceso que suministró su información o en la organización que no pudo actuar sobre su salida.

Desplegar la inteligencia artificial revela problemas de proceso que siempre existieron pero nunca fueron visibles – como una herramienta de diagnóstico. Expone debilidades que la gente compensó previamente sin pensarlo: contexto perdido, propiedad poco clara y soluciones informales que nunca se documentaron.

Velocidad sin capacidad

La inteligencia artificial no solo acelera la salida. También acelera las escaladas, las solicitudes de decisión y el descubrimiento de problemas. Un modelo señala una anomalía en tiempo real, no el viernes por la tarde cuando alguien finalmente encuentra el tiempo para revisar los registros.

Las organizaciones no están diseñadas para este ritmo. Los procesos de aprobación, las rutas de escalada, la autoridad de toma de decisiones – todo se calibró para la velocidad humana. Cuando la inteligencia artificial produce salidas más rápido de lo que la organización puede absorber, pueden ocurrir tres cosas:La inteligencia artificial espera una decisión, borrando la ganancia de eficiencia.
Los empleados ignoran su salida y regresan a lo que creen que funciona – el antiguo proceso.

Los empleados empujan las decisiones hacia adelante sin verificarlas adecuadamente porque se sienten presionados para mantener la velocidad.

Algunos empleados regresan a las verificaciones manuales porque se sienten más seguros. Otros aprueban resultados que no han tenido tiempo de verificar porque se sienten presionados para mantener la velocidad prometida por la tecnología. En ambos casos, la organización paga por una salida más rápida sin volverse más rápida para tomar decisiones responsables.

La propiedad también puede volverse borrosa. ¿Quién es responsable de revisar una anomalía señalada, decidir si el modelo está equivocado y escalar el problema cuando varios equipos están involucrados? Sin una respuesta clara, la inteligencia artificial continúa ejecutándose en segundo plano, produciendo salidas que nadie verdaderamente posee.

Esto refleja un problema organizacional más amplio. Como observó un análisis de Forbes de finales de 2025, cuando la tecnología cambia los flujos de trabajo más rápido de lo que una organización puede absorber, el resultado no es la eficiencia; es el exceso de trabajo. La inteligencia artificial puede acelerar una etapa de un proceso, pero su valor aún depende de si la organización que la rodea puede absorber y actuar sobre lo que produce.

El conocimiento silencioso que nadie escribió

Imagina que Martín sabe que el contrato de la empresa con un proveedor incluye una excepción para pagos por debajo de 2.000 euros. Fue acordado verbalmente hace tres años pero nunca se documentó. Cuando la empresa despliega la inteligencia artificial para automatizar las aprobaciones de pago, el sistema bloquea el pago – correctamente, según el contrato escrito.

Este es un conocimiento tácito: conocimiento organizacional que vive en las cabezas de las personas en lugar de en los sistemas. Cada empresa lo tiene. Y la mayoría de las empresas no tienen idea de cuánto tienen.

La inteligencia artificial solo puede utilizar el conocimiento que se ha hecho accesible para ella. La excepción de Martín no existe desde la perspectiva del sistema. Sin ese contexto, su decisión puede ser técnicamente correcta pero operativamente incorrecta.

McKinsey ha identificado el mismo desafío en las implementaciones de inteligencia artificial agente. Construir agentes de inteligencia artificial efectivos requiere que las empresas codifiquen prácticas expertas que pueden existir en procedimientos estándar – o solo como conocimiento tácito en las cabezas de los empleados. En otras palabras: la implementación de la inteligencia artificial puede ser la primera vez que una organización ve cuánto el proceso depende de lo que Martín sabe.

La fuente falsa de verdad

La salida de la inteligencia artificial más peligrosa no siempre es obviamente incorrecta. Puede ser una respuesta creíble, profesionalmente presentada, producida a partir de información desactualizada.

Durante años, muchos departamentos han operado con múltiples versiones del mismo documento porque Jane del departamento legal siempre sabe cuál es el autoritativo. La inteligencia artificial, desafortunadamente, no.

A menos que se le hayan dado reglas para distinguir entre versiones, el sistema no tiene razón para cuestionar el documento que recibe. Y así la revisión de la inteligencia artificial se ejecuta correctamente – en el documento equivocado. Eso puede ser peor que no tener revisión en absoluto porque la salida parece creíble.

Un empleado experimentado puede saber dónde está la verdad y puede navegar a través del caos. Un sistema, sin embargo, necesita una forma confiable de identificar qué información es actual, aprobada y relevante.

El conocimiento tácito, los documentos no fiables y los procesos de aprobación construidos para la velocidad de salida humana parecen ser problemas separados. Pero comparten la misma causa raíz. Ninguno de ellos fue creado por la inteligencia artificial, pero la inteligencia artificial los hace más difíciles de ignorar.

Preguntas para responder antes de construir un agente

Antes de desplegar un agente de inteligencia artificial, una organización debe poder responder tres preguntas.

¿Qué decisiones dependen del conocimiento que nunca se ha documentado?

Esto significa identificar las excepciones, los atajos y las llamadas de juicio que los empleados experimentados aplican sin describirlas conscientemente. Las entrevistas solas pueden no revelar todo este conocimiento. Las organizaciones pueden necesitar observar cómo se realiza el trabajo en la práctica y compararlo con el proceso oficial.

¿Cómo identificará el sistema la información que es actual, aprobada y relevante?

Darle al agente acceso a más documentos no soluciona el problema si no puede distinguir un contrato aprobado de un borrador o una política activa de una desactualizada. La versión, la propiedad, el estado de aprobación y las reglas de retención deben ser lo suficientemente claras para que el sistema identifique qué fuente debe gobernar su decisión.

¿Pueden los procesos de aprobación y escalada existentes absorber el volumen y la velocidad de su salida?

Los equipos deben estimar no solo cuánto trabajo puede completar el agente, sino también cuántas revisiones, excepciones y escaladas puede crear ese trabajo. El Marco de gestión de riesgos de inteligencia artificial de NIST recomienda definir claramente los roles y las responsabilidades para la supervisión humana de los sistemas de inteligencia artificial. Estos deben diseñarse para el volumen esperado antes de que se despliegue el sistema – no después de que los empleados se sientan abrumados por él.

Estas no son preguntas para responder una vez y olvidar. Los procesos cambian, los documentos envejecen y el conocimiento no documentado se acumula nuevamente. La preparación, por lo tanto, debe mantenerse, no establecerse solo antes del lanzamiento.

La preparación para la inteligencia artificial comienza con el proceso

La preparación para la inteligencia artificial no es solo una prueba de la tecnología. Es una prueba de si la organización ha hecho sus propios procesos lo suficientemente explícitos para que la tecnología pueda operar dentro de ellos.

Preparar a una organización para la inteligencia artificial, por lo tanto, implica más que seleccionar un modelo o construir un agente. Significa aclarar la propiedad, identificar la información autorizada, documentar las excepciones y rediseñar cómo se revisan, escalan y actúan sobre las salidas.

Este es un trabajo difícil, pero un despliegue fallido eventualmente obligará a la organización a hacerlo de todos modos. La única variable es el momento.

Read more...

Los Agentes de IA o identidades no humanas (NHI) y la seguridad de la empresa

La forma en que la gestión de identidades digitales se ha vuelto fundamental para los proyectos de agentes IA 

https://www.scworld.com
Por Elena Böhm

(Adobe Stock)

¿Cuántos equipos de seguridad conocen realmente a sus agentes de IA?

Es una pregunta que más organizaciones deben responder al introducir la IA agente en sus procesos e interacciones. Después de todo, no darían a humanos anónimos y anónimos acceso a datos confidenciales ni les permitirían realizar transacciones. Lo mismo ocurre con los agentes de IA.

Las organizaciones de todo el mundo lo son invertir agresivamente en IA agente, y se espera que el gasto alcance los 9.400 millones de dólares este año y más de 139.000 millones de dólares en 2034. Esa tasa de adopción requiere una cuidadosa consideración de las implicaciones de seguridad de todos aquellos agentes que interactúan con datos confidenciales.

Los agentes de IA necesitan identidades —, una forma de verificar cada una individualmente y establecer barandillas sobre lo que está permitido hacer. En gran medida en la forma en que los equipos de seguridad administran el acceso a sistemas y aplicaciones en función del rol y las responsabilidades de un empleado, la gobernanza de los agentes de IA se ha vuelto esencial a medida que estos trabajadores digitales manejan las consultas de los clientes, administran el inventario o se involucran en operaciones comerciales de muchas otras maneras. Los argumentos a favor de un enfoque completo para la gestión de identidades digitales para agentes de IA incluyen el control de acceso, la capacidad de limitar y revocar privilegios y la auditabilidad.

Afortunadamente, brindar identidades seguras a los agentes de IA no requiere dominar habilidades completamente nuevas. Los equipos de seguridad pueden aplicar gran parte de los conocimientos técnicos y infraestructura de clave pública (PKI) ya se utilizan para documentos de seguridad, correo electrónico y sitios web.

Gestionar identidades a una escala sin precedentes

Es común que los proveedores de tecnología que desarrollan y venden agentes de inteligencia artificial incluyan la gestión de identidades entre sus capacidades de seguridad. Es un buen comienzo y estas soluciones puntuales suelen ser suficientes para proyectos agentes estrictamente controlados. Pero según mi experiencia en proteger entornos de IoT, que pueden comprender millones de dispositivos, la escalabilidad sigue siendo uno de los grandes desafíos de la IA agente. Las empresas que hacen todo lo posible con agentes de IA podrían encontrarse con 10 veces más certificados digitales para disputar que los que tienen hoy. Necesitan un enfoque más integral.

Hay otras razones prácticas para adoptar un enfoque de plataforma más integral para el aprovisionamiento y la administración de identidades no humanas (NHI). Algunas organizaciones pueden decidir una estrategia de múltiples proveedores, tal vez con agentes de servicio al cliente de un proveedor y agentes de ventas de otro. O bien, los socios comerciales pueden tener diversos agentes de inteligencia artificial que necesitan compartir datos. Estas y otras situaciones similares pueden funcionar mejor con un enfoque neutral para los proveedores que utilice estándares de la industria para la interoperabilidad.

X.509 ha sido una especificación vital durante años, un estándar internacional para certificados de clave pública, las credenciales digitales que permiten transportes y transacciones seguros. Estos certificados X.509 se utilizan ampliamente para autenticación y cifrado de datos en la web y otros canales, y estas mismas salvaguardias pueden (y deben) aplicarse a los agentes de IA. El funcionamiento interno de X.509 incluye una autoridad certificadora que verifica la identidad, las firmas digitales y los números de serie únicos –, todos los componentes necesarios para una sólida gobernanza del agente de IA.

Otras especificaciones importantes que encajan en un marco sólido para identidades de IA agente a escala son OAuth y OpenID Connect, que admiten autorización y autenticación, respectivamente. El Protocolo de contexto modelo (MCP) de estándar abierto, que ahora se utiliza para brindar a los agentes de IA acceso a fuentes de datos, aprovecha ambos estándares. Esto muestra cómo la gestión de identidades se ha entrelazado estrechamente con la IA agente.

Dinamice los privilegios de acceso a los datos

Los entornos de IA agente cambian constantemente, a medida que los agentes de IA razonan y realizan tareas de forma cada vez más autónoma. Para mantenerse al día, es esencial que los equipos garanticen que la asignación de identidad y la gestión del ciclo de vida sean igualmente dinámicas. Esto incluye, por ejemplo, la posibilidad de rescindir privilegios de acceso a datos cuando ya no sean necesarios.

Lo que no queremos son identidades estáticas dentro de sistemas que parecen un problema esperando a suceder. Un concepto valioso en identidades digitales son los secretos compartidos “, que son contraseñas, claves API y otros datos confidenciales que se almacenan centralmente y se utilizan para una ejecución segura. Sin embargo, con secretos compartidos, corremos el riesgo de que agentes deshonestos de la IA se apropien indebidamente de esta información altamente confidencial.

Los profesionales pueden minimizar esa posibilidad utilizando tokens de acceso único o de corta duración, entre otras técnicas. También recomiendo la firma inmediata, en la que las firmas electrónicas garanticen que sólo los agentes previstos estén tomando medidas.

Gran parte de esto consiste en bloquear y abordar a profesionales de la seguridad experimentados. Pero creo que una amplia muestra representativa de líderes empresariales y tecnológicos debería comprender lo que está en juego a medida que comienzan a implementar agentes de IA en todos los departamentos y flujos de trabajo. Al hacerlo, las empresas pueden seguir adelante con la confianza de que sus agentes de IA son colegas y contribuyentes de buena fe, no extraños digitales.

Read more...