Agentes de IA ya operan en hospitales y fábricas, pero la gobernanza de identidad corporativa nunca fue diseñada para ellos
Los agentes de IA ya están dentro de los hospitales, las fábricas y los centros de datos de las mayores empresas del mundo.
Y esto ya no es una promesa de futuro, es el presente ocurriendo ahora mismo, en tiempo real, con impacto directo en decisiones críticas que afectan vidas y operaciones enteras.
Pero hay un problema que la mayoría de las conversaciones sobre IA corporativa todavía está ignorando, y no tiene nada que ver con la capacidad de los modelos o con el poder computacional disponible.
El cuello de botella real es la gobernanza de identidad.
Ese sistema de gestión de identidad corporativa que tu empresa usa para controlar quién accede a qué fue construido pensando en humanos. Inicios de sesión, contraseñas, permisos por cargo, revisiones periódicas de acceso, todo diseñado para un mundo donde las identidades dentro de la red eran personas reales, con nombres y apellidos.
Ahora imagina un agente de transcripción médica que actualiza expedientes clínicos electrónicos automáticamente mientras el médico consulta al paciente, o un agente de visión por computadora que inspecciona piezas en una línea de producción industrial a una velocidad que ningún ser humano podría alcanzar. Estos dos escenarios están ocurriendo hoy, y ambos generan identidades no humanas que la infraestructura corporativa tradicional simplemente no puede rastrear, delimitar o revocar a la velocidad que la situación exige. 🤖
Los números confirman la magnitud del problema. Según datos presentados por el presidente de Cisco, Jeetu Patel, en la RSAC 2026, el 85% de las empresas están probando agentes de IA en proyectos piloto, pero solo el 5% llegó a producción de verdad. Esa brecha de 80 puntos porcentuales no existe por falta de tecnología. Existe por falta de confianza, y confianza, en este contexto, empieza por la identidad.
A continuación, vamos a desglosar por qué este problema es estructural, qué están proponiendo como solución especialistas como Michael Dickman, SVP y GM de la división de Campus Networking de Cisco, y cuáles son las condiciones reales para que las empresas consigan llevar sus agentes del piloto a producción sin abrir brechas críticas de seguridad en el camino. 👇
Por qué la infraestructura de identidad tradicional no fue hecha para agentes de IA
Durante décadas, el modelo de gobernanza de identidad corporativa funcionó bien porque el universo de identidades era relativamente predecible. Un empleado entraba en la empresa, recibía sus credenciales, tenía permisos ajustados según el cargo y, periódicamente, pasaba por revisiones de acceso. Cuando se iba, las credenciales se revocaban. Simple, auditable y humano. El problema es que los agentes de IA no encajan en ninguna de esas etapas tal como fueron concebidas, y esa incompatibilidad se está convirtiendo en uno de los principales bloqueos para la adopción a escala de la inteligencia artificial en las empresas.
Un agente de IA puede ser instanciado en segundos, operar de forma autónoma durante horas o días, tomar decisiones encadenadas sin intervención humana y, dependiendo de la arquitectura, comunicarse con otros agentes o sistemas externos de manera completamente asíncrona. Ningún sistema de gestión de identidad diseñado para humanos fue pensado para manejar este tipo de comportamiento. La ausencia de un ciclo de vida de identidad estructurado para entidades no humanas crea lagunas que van desde la dificultad de rastrear lo que el agente accedió hasta la imposibilidad de revocar permisos de forma granular e inmediata cuando algo sale mal.
Investigaciones recientes refuerzan este diagnóstico. La IANS Research identificó que la mayoría de las empresas todavía no posee un control de acceso basado en roles lo suficientemente maduro ni siquiera para las identidades humanas actuales, y los agentes de IA van a hacer este escenario significativamente más difícil. Paralelamente, el IBM X-Force Threat Intelligence Index de 2026 registró un aumento del 44% en los ataques que explotan aplicaciones expuestas al público, impulsados justamente por controles de autenticación ausentes y por el descubrimiento de vulnerabilidades potenciado por IA. Estos datos muestran que el problema no es teórico: las brechas ya están siendo explotadas activamente.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Michael Dickman fue bastante directo al presentar este diagnóstico en la RSAC 2026. Para él, el avance de los agentes de IA en el entorno corporativo exige una revisión completa de cómo las empresas piensan la identidad, no como un ajuste incremental en los sistemas existentes, sino como una reformulación estructural que considera a las entidades no humanas como ciudadanos de primera clase dentro de la malla de seguridad corporativa. Sin esto, cada nuevo agente implantado en producción representa una superficie de ataque potencial que los equipos de seguridad simplemente no pueden monitorear con las herramientas que tienen hoy.
La confianza no puede ser una actualización posterior
Uno de los puntos más relevantes que Dickman planteó en la conversación exclusiva con VentureBeat es que la IA agéntica rompe un patrón que él observa en toda transición tecnológica anterior: primero viene la productividad, después la seguridad. Para él, con agentes autónomos, ese orden simplemente ya no funciona.
Dickman afirmó que la confianza no es algo donde la productividad del negocio viene primero y la seguridad es un pensamiento posterior. La confianza es, en realidad, uno de los requisitos clave. Es lo mínimo necesario desde el comienzo.
Esta diferencia se hace especialmente evidente cuando comparamos agentes que solo observan datos y recomiendan decisiones con agentes que ejecutan acciones de verdad. Cuando un agente actualiza autónomamente registros de pacientes, ajusta configuraciones de red o procesa transacciones financieras, el radio de impacto de una identidad comprometida se expande de forma dramática. Ya no estamos hablando de una alerta que alguien va a revisar después. Estamos hablando de acciones concretas, con efectos reales, ocurriendo a velocidad de máquina.
Y es justamente por eso que Dickman desglosa el problema de la confianza en cuatro condiciones fundamentales que cualquier empresa necesita considerar antes de llevar agentes a producción:
- Delegación segura: definir con precisión lo que cada agente puede hacer y mantener una cadena clara de responsabilidad humana. Cada agente necesita tener un dueño humano que responda por su comportamiento.
- Preparación cultural: las organizaciones necesitan repensar sus flujos de trabajo. Dickman usó la fatiga de alertas como caso de estudio: la solución tradicional era agregar alertas para que los analistas vieran menos elementos. Con agentes capaces de evaluar cada alerta individualmente, la lógica cambia completamente, y la cultura de trabajo necesita acompañar ese cambio.
- Economía de tokens: cada acción de un agente tiene un costo computacional real. La respuesta, según Dickman, son arquitecturas híbridas donde la IA agéntica se encarga del razonamiento mientras herramientas determinísticas tradicionales ejecutan las acciones, combinando la inteligencia de los modelos con la eficiencia y previsibilidad del software convencional.
- Juicio humano: Dickman compartió un ejemplo práctico en el que su equipo usó una herramienta de IA para redactar un documento de requisitos de producto. El agente produjo 60 páginas de contenido repetitivo que, a pesar de mostrar capacidad de respuesta técnica, dejaba claro que necesitaría un ajuste fino extensivo para ser relevante. No existe sustituto para el juicio humano y el talento necesario para trabajar con IA de forma hábil, destacó.
Lo que la red ve y los endpoints no pueden ver
Existe una capa de información que frecuentemente queda invisible en los sistemas de monitoreo corporativo y que Dickman considera fundamental para cualquier estrategia de gobernanza de agentes: la telemetría de red.
La mayoría de los datos corporativos hoy es propietaria, interna y fragmentada entre herramientas de observabilidad, plataformas de aplicación y pilas de seguridad. Cada equipo de dominio construye su propia visión. Ninguno ve el cuadro completo.
Dickman explicó que la diferencia crucial es entre saber y adivinar. Lo que la red puede ver son las comunicaciones de datos reales entre sistemas. No es una suposición de que un sistema necesita hablar con otro, sino cuáles sistemas están efectivamente comunicándose. Ese dato comportamental bruto se convierte en la base para correlación interdominio, y sin él, las organizaciones no tienen una forma confiable de aplicar políticas para agentes a lo que él llama velocidad de máquina.
Esta telemetría se vuelve aún más valiosa a medida que IoT e IA aplicada al mundo físico se proliferan. Agentes de visión por computadora analizando comportamiento de consumidores en tiendas o ejecutando control de calidad en líneas de producción generan datos altamente sensibles que exigen controles de acceso precisos.
Dickman reforzó que todas estas aplicaciones requieren esa confianza que mencionamos desde el inicio, porque estamos hablando de datos extremadamente sensibles sobre quién está haciendo qué dentro de una tienda o lo que está ocurriendo en el piso de fábrica.
Microsegmentación y acceso privilegiado como pilares de la nueva arquitectura
Si la gobernanza de identidad es el problema central, la microsegmentación y el control de acceso privilegiado están entre las respuestas más consistentes que están surgiendo en el debate técnico. La idea detrás de la microsegmentación es relativamente directa: en vez de conceder al agente de IA acceso a segmentos amplios de la red corporativa, se definen perímetros extremadamente granulares alrededor de cada agente, limitando exactamente qué recursos puede acceder, con qué otros sistemas puede comunicarse y en qué condiciones ese acceso está permitido. Es el principio del menor privilegio aplicado de forma mucho más precisa que el tradicional control por perfil de usuario.
Dickman fue enfático al describir la microsegmentación como una garantía de acceso con menor privilegio implementada en la capa de red, y no dependiente de agentes instalados en los hosts, que pueden ser eludidos o presentar otros problemas.
El control de acceso privilegiado entra como capa complementaria, especialmente en los casos donde el agente necesita operar sobre datos sensibles o ejecutar acciones con impacto sistémico, como actualizar una base de datos de salud, mover archivos financieros o accionar procesos automatizados en infraestructura crítica. En estos escenarios, el agente no puede simplemente tener una clave de API con permiso permanente. Se necesita un modelo de acceso temporal, auditable y revocable en tiempo real, donde cada sesión privilegiada es tratada como un evento aislado que necesita ser registrado, justificado y monitoreado de punta a punta. Esto representa un cambio significativo respecto al modelo actual, donde tokens y credenciales de servicio suelen tener vida útil larga y alcance amplio.
La combinación de estos dos enfoques, microsegmentación con acceso privilegiado bien gestionado, empieza a crear lo que los especialistas están llamando malla de identidad para agentes de IA. Una arquitectura donde cada agente tiene una identidad única, rastreable, con alcance definido y comportamiento esperado documentado. Cuando el agente se desvía de ese comportamiento esperado, ya sea accediendo a un recurso fuera de su perímetro o estableciendo una comunicación no autorizada con otro sistema, el entorno puede detectar, alertar y reaccionar de forma proporcional.
Dickman ancló este framework en un escenario de la vida real. Un familiar suyo se fracturó el tobillo recientemente, lo que lo llevó a una sala de examen donde observó un agente de transcripción médica actualizando el expediente clínico electrónico, sugiriendo opciones de prescripción y trayendo el historial del paciente en tiempo real. El médico aprobaba cada decisión, pero el agente ejecutaba tareas que antes requerían entrada manual en múltiples sistemas. Las implicaciones de seguridad golpean diferente cuando son los registros de alguien a quien quieres los que aparecen en la pantalla.
Visibilidad interdominio: el desafío que nadie quiere admitir
Hay un aspecto del problema que recibe mucha menos atención de la que merece, y que en la práctica puede ser el más difícil de resolver: la visibilidad interdominio. Cuando un agente de IA opera dentro de un único sistema, en un único dominio corporativo, el desafío de monitoreo ya es considerable. Pero el escenario que se está volviendo cada vez más común es mucho más complejo que eso. Los agentes de IA modernos frecuentemente necesitan comunicarse con servicios externos, acceder a APIs de terceros, integrar datos de fuentes que están fuera del perímetro de la empresa y, en arquitecturas más avanzadas, colaborar con otros agentes que pueden estar corriendo en infraestructuras completamente diferentes.
Dickman explicó que no se trata solo de agregación, sino de la creación de conocimiento a partir de la red. Existen nuevos insights que surgen cuando se observan las comunicaciones de datos reales. Y a partir de ahí, la cuestión se convierte en qué hacer primero, segundo y tercero. En otras palabras, el desafío estratégico no es capacidad, sino secuenciamiento.
También destacó dónde está la trampa más común. El Equipo A construye el Agente A sobre los Datos A. El Equipo B construye el Agente B sobre los Datos B. Cada silo produce automatización incrementalmente útil. Pero el insight interdominio nunca se materializa.
Profesionales independientes validan este patrón. Kayne McGladrey, miembro senior del IEEE, observó que las organizaciones están adoptando como estándar la clonación de perfiles de usuarios humanos para agentes, y que la expansión descontrolada de permisos comienza desde el primer día. Carter Rees, VP de IA en Reputation, identificó la razón estructural: una vulnerabilidad significativa en la IA corporativa es el control de acceso roto, donde el plano de autorización plano de un LLM falla en respetar los permisos del usuario. Etay Maor, VP de Inteligencia de Amenazas en Cato Networks, llegó a la misma conclusión por el lado adversarial: necesitamos una visión de Recursos Humanos para agentes, con onboarding, monitoreo y offboarding.
En este contexto, la visibilidad interdominio deja de ser un recurso deseable y pasa a ser una condición de seguridad no negociable. Si el equipo de seguridad no puede rastrear lo que un agente hace cuando cruza la frontera del dominio corporativo, es imposible garantizar que los datos están siendo tratados de acuerdo con las políticas de la empresa, que las interacciones con sistemas externos son legítimas o que un agente comprometido no está exfiltrando información a través de una cadena de llamadas aparentemente inofensivas. Esta ceguera interdominio es uno de los vectores de riesgo más subestimados en la discusión sobre agentes de IA en entorno corporativo, y cualquier estrategia de gobernanza que ignore este punto está incompleta por definición.
Cisco ha invertido en soluciones que intentan abordar exactamente esta laguna, proponiendo un modelo donde la identidad del agente es portable entre dominios de forma segura y donde las políticas de acceso y auditoría siguen al agente independientemente de dónde esté operando. Es un modelo ambicioso que involucra estandarización de protocolos, cooperación entre proveedores y un cambio en la forma como las empresas negocian confianza con socios externos. El camino es largo, pero la dirección se está haciendo más clara a medida que los casos de uso reales van revelando dónde las lagunas de visibilidad crean riesgos concretos.
Cinco prioridades antes de que los agentes lleguen a producción
Con base en el framework presentado por Dickman, existen cinco acciones prioritarias que cualquier organización que quiera llevar agentes de IA del piloto a producción necesita considerar:
1. Forzar la alineación multifuncional ahora. Define lo que la organización espera de la IA agéntica involucrando a líderes de línea de negocio, TI y seguridad. Dickman observa que la capa de coordinación humana se mueve más lentamente que la tecnología, y esa brecha es el verdadero cuello de botella.
Herramientas que usamos a diario
2. Preparar IAM y PAM para agentes en entorno de producción. Dickman señaló específicamente que los sistemas de gestión de identidad y acceso y de acceso privilegiado no están lo suficientemente maduros para cargas de trabajo agénticas hoy. La gobernanza necesita estar sólida antes de escalar los agentes. Esto se convierte en el desbloqueo de la confianza, dijo. Porque cuando la plataforma tecnológica está lista, necesitas la gobernanza y política correctas encima de ella.
3. Adoptar un enfoque de plataforma para la infraestructura de red. Una estrategia de plataforma permite compartir datos entre dominios de maneras que soluciones fragmentadas de punto no consiguen. Esa base compartida es lo que hace que la correlación interdominio sea operacionalmente real.
4. Diseñar arquitecturas híbridas desde el inicio. La IA agéntica se encarga del razonamiento y la planificación. Las herramientas determinísticas tradicionales ejecutan las acciones. Dickman ve esta combinación como la respuesta para la economía de tokens, entregando la inteligencia de los modelos de fundación con la eficiencia y previsibilidad del software convencional. No construyas sistemas puramente basados en agentes cuando los sistemas híbridos cuestan menos y fallan de forma más predecible.
5. Hacer de los primeros casos de uso una referencia de confianza. Elige dos o tres casos de alto valor y constrúyelos con control de acceso basado en roles, gestión de acceso privilegiado y microsegmentación desde el primer día. Incluso implementaciones modestas entregadas con las mejores prácticas intactas construyen la confianza organizacional que acelera todo lo que viene después. 🚀
Lo que separa al 5% que llegó a producción del 85% que todavía está en el piloto
Volver al dato de Cisco es importante porque revela algo que va más allá de la cuestión técnica. El 85% de las empresas que todavía están en fase de piloto con sus agentes de IA no están paradas por falta de casos de uso interesantes o por ausencia de modelos suficientemente capaces. Lo que frena el avance, en la práctica, son preguntas que los equipos de seguridad y compliance no pueden responder con las herramientas y procesos que tienen disponibles hoy: quién es ese agente dentro de nuestra red, qué puede acceder, cómo sabemos si se está comportando como debería y qué pasa si no lo está haciendo.
Las empresas que llegaron al 5% en producción real generalmente tienen algunas características en común. Trataron la gobernanza de identidad para agentes como un proyecto separado y prioritario, no como un apéndice del proyecto de IA. Invirtieron en microsegmentación antes de expandir el alcance de los agentes, garantizando que cada nuevo agente implantado operara dentro de un perímetro bien definido desde el primer día. Y establecieron procesos de auditoría continua que permiten identificar desvíos de comportamiento en tiempo real, en vez de depender de revisiones periódicas que ya no tienen sentido a la velocidad a la que operan los agentes.
Dickman resumió esta lógica de forma bastante directa: haz la gobernanza con cuidado, pero haz la aplicación y la implementación de forma rápida. Tiene que hacerse a velocidad de máquina.
Estos elementos, identidad estructurada, microsegmentación, control de acceso privilegiado y visibilidad interdominio, forman el conjunto mínimo de condiciones que parece separar las implementaciones que consiguen escalar con seguridad de aquellas que quedan atrapadas en el piloto por tiempo indefinido. No es una lista exhaustiva, y cada sector tiene sus particularidades, pero es un punto de partida mucho más concreto que las conversaciones genéricas sobre confianza en IA que dominan buena parte de los debates corporativos hoy. 🔐
El avance de los agentes de IA en las empresas va a seguir ocurriendo, con o sin la gobernanza adecuada. La diferencia es que, sin ella, cada nueva implantación añade riesgo sin añadir control, y la acumulación de riesgos no monitoreados en sistemas críticos tiende a manifestarse en los momentos más inconvenientes. Las empresas que entiendan esto temprano tienen una ventana real para construir una ventaja competitiva que va mucho más allá de la tecnología en sí, porque la confianza operacional a escala es exactamente el tipo de activo que toma tiempo construir y que es muy difícil de copiar.
Como lo planteó Dickman: puedes garantizar esa confianza para la organización, y eso va a desbloquear la velocidad. Porque cada nuevo agente hereda la arquitectura de confianza que los primeros exigieron. En cambio, las organizaciones que todavía están debatiendo si deben empezar van a ver cómo esa distancia aumenta. La confianza teórica no llega a producción.
