Agentes de IA: por qué la autonomía sin datos fiables sólo genera errores a gran escala
La inteligencia artificial está entrando en una nueva fase en TI y seguridad. Durante los últimos años, su función se ha centrado en ayudar a los profesionales a responder preguntas, analizar información, generar informes y sugerir acciones. Ahora, de acuerdo con Tanium, se está presenciando un cambio más profundo: la IA está pasando de ser una herramienta de asesoramiento a una herramienta de ejecución.
En lugar de recomendar la actualización de un punto final, un agente aplica el parche. En lugar de alertar sobre una máquina comprometida, la aísla. En lugar de generar un informe sobre una vulnerabilidad, inicia la remediación directamente en la infraestructura. El objetivo principal no es añadir otra herramienta de IA al entorno corporativo, sino cambiar el rol que desempeña la IA dentro de la operación.
Para quienes gestionan la infraestructura, esto altera significativamente su rutina diaria. El profesional deja de ejecutar manualmente cada paso de una respuesta y comienza a definir políticas, supervisar agentes, establecer límites y evaluar resultados. De ejecutor a supervisor y estratega.
Sin embargo, existe una condición fundamental para que los agentes actúen de forma segura: datos fiables. Y es precisamente aquí donde la mayoría de las organizaciones no están preparadas, no por falta de herramientas, sino por un exceso de ellas. El entorno típico de una gran empresa mexicana ha acumulado, a lo largo de una década, una docena de agentes distintos en el mismo punto final, una CMDB alimentada por sincronizaciones periódicas, hojas de cálculo de excepciones y consolas que no se comunican entre sí. Cada una de estas fuentes ofrece una respuesta diferente a la pregunta “¿Cuántos servidores Windows tenemos y qué versión ejecutan?”. Ninguna responde en tiempo real.
Para ilustrar el riesgo, Tanium plantea el siguiente escenario: a las tres de la mañana, un agente de IA identifica una vulnerabilidad crítica en explotación activa, consulta el inventario corporativo, localiza 12,000 activos afectados y comienza automáticamente la remediación. Al amanecer, el equipo descubre dos cosas: el inventario consultado tenía 48 horas de antigüedad y el número real de activos expuestos era de 19,000. Siete mil máquinas siguen vulnerables, y nadie lo sabe porque el informe de automatización indica que el proceso está completo.
El agente no cometió ningún error. Ejecutó exactamente lo que se le indicó, con la información que recibió. El problema no estaba en el modelo, sino en los datos. Esta distinción diferenciará a las organizaciones que extraen valor real de la IA de agentes de aquellas que simplemente aceleran sus propios errores.
Mientras tanto, el período de exposición se ha acortado. El Informe de Investigaciones de Violaciones de Datos de Verizon de 2026 señala la explotación de vulnerabilidades como el principal vector inicial de intrusión, presente en el 31% de las violaciones analizadas. Sólo el 26% de las vulnerabilidades del catálogo CISA KEV —aquellas con explotación conocida— reciben atención inmediata, lo que subraya la urgencia de contar con inventarios precisos y actualizados antes de delegar acciones críticas a sistemas autónomos.
