En 2024 y 2025, la conversación de IA empresarial giraba alrededor de un modelo: cuál rendía mejor, cuál escribía mejor código, cuál costaba menos por token. En 2026 esa pregunta quedó obsoleta. Agentic AI es la arquitectura en la que un sistema de IA no solo responde — planifica, ejecuta acciones y usa herramientas operativas de forma autónoma dentro de la infraestructura de una empresa. El problema no es si su organización va a adoptar agentes. Es que probablemente ya lo hizo, y nadie definió todavía quién audita lo que ese agente puede hacer. Esta guía cubre los tres frentes que un profesional TI necesita resolver antes de que un agente llegue a producción: gobernanza, seguridad y FinOps.
Lo esencial
- Un agente de Agentic AI mal configurado puede concentrar funciones de analista, operador y auditor en una sola entidad — algo que ningún marco de control interno permitiría en un humano.
- NIST lanzó en febrero 2026 un estándar específico para Agentic AI: encapsulamiento, permisos mínimos y autonomía gradual son ya el piso, no el techo.
- Gobernanza, seguridad y FinOps de Agentic AI no son tres proyectos separados — son tres vistas de la misma infraestructura de logging y control.
¿Qué cambió entre “modelo que responde” y “agente que actúa”?
Un modelo tradicional —incluyendo la mayoría de los chatbots corporativos de 2024— recibe una pregunta y entrega una respuesta. El humano decide qué hacer con ella. Un agente de Agentic AI colapsa ese paso: recibe un objetivo, planifica los pasos, y ejecuta acciones directamente sobre sistemas reales — repositorios de código, bases de datos, APIs internas, pipelines de CI/CD.
Esa diferencia no es cosmética. Es la diferencia entre dar una recomendación y tener acceso de escritura. Y es exactamente ahí donde la mayoría de las implementaciones de Agentic AI en producción hoy no tienen un dueño claro.
La señal regulatoria ya llegó. El NIST lanzó en febrero de 2026 su AI Agent Standards Initiative, un programa dedicado a estándares de interoperabilidad y seguridad para agentes autónomos — el primero de su tipo. El mensaje de fondo: la autonomía empresarial viable no es total, es acotada, gradual y gobernada.
La pregunta ya no es qué modelo rinde más. Es qué puede hacer ese modelo sin que nadie se entere hasta que algo falla.
El problema de concentración: Agentic AI con tres roles a la vez
Aquí está el riesgo técnico central, y es el que cualquier arquitecto de seguridad reconocería de inmediato si se tratara de un humano: muchos sistemas de Agentic AI le dan a un único agente la capacidad de consultar datos, ejecutar cambios y generar el log que documenta lo que hizo — analista, operador y auditor en una sola entidad.
En arquitecturas tradicionales de control interno, esa separación de funciones (segregation of duties) es un principio no negociable: la persona que ejecuta un cambio no puede ser la misma que lo aprueba ni la que lo audita. Un agente con permisos de escritura sobre un pipeline de CI/CD, capacidad de generar pull requests y acceso a las herramientas de monitoreo que reportarían un problema, viola ese principio por diseño — no por error de configuración, sino porque nadie definió la separación desde el inicio.
Punto clave
Si su agente de Agentic AI puede ejecutar una acción Y generar el registro que documenta esa acción, no tiene un sistema de auditoría — tiene un sistema que se audita a sí mismo. Eso no es gobernanza, es una ilusión de gobernanza.
Un dato que pone esto en perspectiva: según el reporte Gravitee State of AI Agent Security 2026, solo el 14.4% de las organizaciones reporta que sus implementaciones de Agentic AI salen a producción con aprobación de seguridad completa. El 85.6% restante está operando en algún punto entre “piloto que escaló sin que nadie lo notara” y “lo vamos a formalizar después”.
Gobernanza, seguridad y FinOps: tres vistas de la misma infraestructura
La buena noticia es que estos tres frentes — que suelen tratarse como proyectos separados con dueños distintos — convergen en la misma pieza de infraestructura: una capa de logging y políticas que se ubica entre Agentic AI y los sistemas que toca.
Cuando un agente llega a producción, tres equipos necesitan respuestas distintas de esa misma capa:
- Seguridad necesita rastros de auditoría: qué hizo el agente, cuándo, con qué credenciales, y si esa acción estaba dentro de su alcance autorizado.
- FinOps necesita costos reales, no solo conteo de tokens: qué modelo se usó, cuánto costó cada ejecución, y qué workflows están generando gasto fuera de presupuesto.
- Ingeniería necesita poder depurar fallas: si un agente tomó una decisión incorrecta, reconstruir el razonamiento y el contexto que la generó.
Implementar esto como un AI Gateway —una capa intermedia que registra cada llamada del agente con su costo, su contexto y su resultado— resuelve los tres frentes desde un único punto de control, en lugar de tres iniciativas paralelas que terminan sin dueño.
Si este análisis te resulta útil, recíbelo cada semana: 👉 Suscríbete al newsletter de DacmosGroup
Cómo empezar: encapsulamiento antes de autonomía
El marco que está emergiendo —tanto de NIST como de los principales proveedores cloud— se puede resumir en cuatro decisiones que un equipo de TI en LATAM puede empezar a implementar esta semana, sin esperar a que el estándar se formalice:
1. Definir el entorno de ejecución de Agentic AI. ¿En qué sistemas puede actuar, y en cuáles no? Un agente que ayuda con documentación no necesita las mismas credenciales que uno que modifica infraestructura.
2. Aplicar permisos mínimos, no permisos heredados. La tentación operativa es darle al agente las credenciales de un usuario humano existente porque es más rápido. Esa es exactamente la práctica que NIST y los frameworks de identidad (OAuth 2.0, OpenID Connect, SPIFFE/SPIRE) buscan corregir: el agente necesita una identidad propia, no humana, con su propio alcance.
3. Separar quién ejecuta de quién audita. Si el agente genera el log de sus propias acciones, ese log debe almacenarse y revisarse fuera de su alcance de escritura. No es desconfianza — es la misma separación de funciones que ya aplica a cualquier proceso financiero.
4. Empezar con autonomía acotada y escalar gradualmente. Aprobación humana para acciones de alto impacto (cambios en producción, accesos a datos sensibles), autonomía completa solo para acciones de bajo riesgo y alto volumen. La autonomía se gana con datos de comportamiento, no se asume desde el día uno.
Lo que viene: de directriz voluntaria a requisito de cumplimiento
El patrón histórico de NIST es predecible: directriz voluntaria → estándar de industria → expectativa regulatoria → requisito de cumplimiento. Lo que NIST publique durante 2026 sobre identidad y autorización de Agentic AI probablemente aparecerá en marcos de cumplimiento, cuestionarios de proveedores y litigios hacia 2027.
Para un equipo de TI en LATAM, la decisión estratégica no es si esperar el mandato regulatorio. Es si construir la gobernanza ahora, mientras todavía es una ventaja competitiva — o hacerlo después, como respuesta a una auditoría o un incidente que ya generó el daño reputacional.
Preguntas frecuentes
¿Qué es Agentic AI y en qué se diferencia de un chatbot o asistente de IA?
Agentic AI es la arquitectura en la que un sistema de IA planifica y ejecuta acciones de forma autónoma sobre sistemas reales —código, bases de datos, APIs— en lugar de solo responder preguntas. Un chatbot recomienda; un agente actúa.
¿Qué significa “separación de funciones” aplicado a un agente de IA?
Significa que el agente que ejecuta una acción no debería ser también quien genera y controla el log que audita esa acción. Es el mismo principio de control interno que se aplica a procesos financieros, adaptado a una entidad de software autónoma.
¿Necesito esperar a que NIST publique el estándar final para empezar?
No. Los cuatro principios —entorno definido, permisos mínimos, separación de auditoría y autonomía gradual— ya se pueden implementar hoy con frameworks de identidad existentes (OAuth 2.0, OpenID Connect, SPIFFE/SPIRE), sin depender de la versión final del estándar.
¿Por qué gobernanza, seguridad y FinOps de Agentic AI se resuelven juntos?
Porque los tres dependen de la misma infraestructura: una capa de logging (AI Gateway) que registra cada acción del agente con su costo, contexto y resultado. Construir esa capa una vez resuelve auditoría, control de gasto y depuración de fallas simultáneamente.
¿Su equipo ya mapeó qué credenciales tiene cada agente de Agentic AI corriendo en su infraestructura — o todavía no existe ese inventario? Cuéntame en los comentarios, me interesa el dato real de la región, no el de los reportes globales.
Si quieres que sigamos esta conversación cada semana, suscríbete al newsletter de DacmosGroup.
Este artículo complementa “El 85% de los proyectos de IA fracasan por la misma causa. Y no es el modelo que elegiste” — si la primera etapa es tener datos listos para IA, esta es la siguiente: gobernar lo que esos datos alimentan una vez que el agente está en producción.
Totalmente de acuerdo. La gobernanza de la Agentic AI ya no puede ser un proyecto separado; debe ser parte del diseño de la infraestructura desde el día uno. Especialmente relevante el punto sobre no heredar credenciales de usuarios humanos.
¡Gracias por compartir esta guía!