El AI Governance Institute, en un reporte del 13 de agosto de 2026, reveló que la mitad de las empresas no confían plenamente en las decisiones tomadas por sus agentes de IA. Este dato proviene de un estudio global de MIT Technology Review Insights en colaboración con Google Cloud, que encuestó a 300 ejecutivos y apunta a una infraestructura de datos débil como el principal impedimento para un despliegue efectivo. ChipOS, también el 12 de agosto de 2026, reforzó la idea de un “cambio estructural” en la adopción de agentes, enfatizando la necesidad de arquitecturas que permitan el despliegue, inspección, gobernanza y mantenimiento de los flujos de trabajo de los agentes, uniendo intrínsecamente la confianza con la arquitectura de datos subyacente. En esencia, la promesa de la IA agentiva es inmensa, pero su materialización está directamente ligada a la fiabilidad de la información que la alimenta.
Confianza en Agentes de IA vs. Infraestructura de Datos Inadecuada
La dicotomía central en el escalamiento de los agentes de IA radica en la brecha entre la confianza que los ejecutivos depositan en sus sistemas y la calidad de la infraestructura de datos que los soporta. Por un lado, la investigación muestra una clara correlación entre el acceso a datos y la confianza. Mientras aproximadamente la mitad de los ejecutivos encuestados expresan dudas sobre las decisiones de sus agentes de IA, el 100% de los considerados “líderes en datos” –aquellas organizaciones que permiten a la IA acceder a más del 70% de sus datos empresariales– confían plenamente en ellos. Rajpreet Bajwa, Vicepresidente de Ingeniería de Infraestructura de Datos en Shopify, enfatiza esta necesidad, afirmando que los agentes requieren acceso “seguro y confiable” a los datos para maximizar su utilidad. La experta en IA, Aishwarya Srinivasan, complementa esta visión señalando que muchos proyectos prometedores de IA fracasan por “déficits de confianza”, no por limitaciones técnicas, evidenciando que la clave del éxito es construir esa confianza desde el diseño inicial de los sistemas.
Por otro lado, la infraestructura de datos heredada y fragmentada emerge como el principal antagonista. Según el informe de Google/MIT, más del 55% de los encuestados reportan que los sistemas de datos antiguos impiden el escalado efectivo de la IA agentiva, y un alarmante 68% afirma que estos sistemas ralentizan significativamente la velocidad de operación de los agentes. El medio CIO, citando el mismo estudio el 13 de agosto de 2026, calificó a los silos de datos empresariales como un “problema existencial de infraestructura” para la IA agentiva. Estas estructuras de datos dispares y desorganizadas no solo dificultan el acceso y la integración, sino que también introducen inconsistencias y errores que socavan la precisión y la fiabilidad de los agentes. La paradoja es clara: las organizaciones invierten en IA de vanguardia, pero la base sobre la que se asienta sigue siendo, en muchos casos, precaria y desactualizada, comprometiendo no solo la confianza sino también el potencial transformador de la tecnología.
Los datos hablan
Las cifras son contundentes y dibujan un panorama desafiante para la adopción de la IA agentiva. Como ya se mencionó, solo la mitad de los ejecutivos confía en las decisiones de sus agentes de IA. Esta cifra contrasta drásticamente con el 100% de confianza observado en las organizaciones clasificadas como “líderes en datos”, que conceden a sus sistemas de IA acceso a más del 70% de sus datos empresariales. La media general de acceso es mucho más baja: las organizaciones solo otorgan a la IA acceso a un 45% de sus datos empresariales, dejando una vasta porción de información desaprovechada o inaccesible.
Las barreras de escalado son igualmente preocupantes. Más del 55% de los encuestados reportan que los sistemas de datos heredados son un impedimento significativo para escalar la IA agentiva, y un 68% adicional afirma que estos sistemas no solo son una barrera, sino que también ralentizan la velocidad y eficiencia de los agentes de IA. La mala calidad de los datos tiene un costo cuantificable y devastador: Gartner estima que, para 2026, la mala calidad de los datos costará a las organizaciones un promedio de 12.9 millones de dólares anualmente. McKinsey, por su parte, encontró que el 80% de los fallos en proyectos de IA se deben directamente a problemas de calidad de datos, lo que subraya la criticidad de este factor.
La inversión en calidad de datos, sin embargo, ofrece un retorno significativo. Las organizaciones que invierten en mejorar la calidad de sus datos antes de desarrollar modelos de IA ven un retorno de 3 a 5 veces mayor en sus inversiones en IA y experimentan un 40% menos de fallos en proyectos. De hecho, los programas dedicados a la calidad de datos pueden ofrecer un ROI del 300% al 500% en tan solo 18 meses, un testimonio de su impacto. Estos números también explican por qué los equipos de IA dedican entre el 60% y el 80% del tiempo total de un proyecto a la preparación y limpieza de datos, un esfuerzo que podría reducirse drásticamente con una mejor estrategia inicial. Carlie Idoine, Vicepresidenta y Analista de Gartner, refuerza esta idea al afirmar que las organizaciones se dirigen hacia un modelo operativo “AI-first”, donde la IA es una consideración central en cada decisión, flujo de trabajo e inversión, pero sin un compromiso empresarial claro con la calidad de los datos, el potencial completo de esta visión no se realizará.
Que significa para Latam
Latinoamérica se encuentra en el epicentro de un fenómeno que algunos llaman el “Big Bang Agentivo”, donde el software ya no solo responde preguntas sino que persigue objetivos de forma autónoma. La región está experimentando una adopción acelerada de la IA, con tasas que rivalizan con las de economías más ricas, lo que demuestra un apetito voraz por la innovación tecnológica. Para 2026, se espera que el 70% de las organizaciones en la región utilicen IA compuesta, que incluye la implementación de agentes inteligentes en diversas funciones. Un informe de Hi Insights de junio de 2026 es aún más revelador: el 99% de las startups en la región ya utilizan algún tipo de IA, y un impresionante 72% están probando o desplegando agentes autónomos, lo que sugiere una rápida curva de aprendizaje y aplicación en el ecosistema emprendedor.
Casos específicos resaltan esta tendencia. México, por ejemplo, lidera la adopción de IA conversacional en la región, con el 36% de sus empresas utilizando estas soluciones, superando el promedio global del 28%, según datos de Twilio de enero de 2026. Grandes jugadores como Mercado Libre y Walmart (en su operación regional) están inmersos en esta transición, explorando cómo los agentes pueden optimizar sus operaciones y la experiencia del cliente. José Eduardo Ferreira, Vicepresidente Regional de Ventas LATAM en Twilio, enfatiza que el liderazgo de México no se limita a la rapidez en la implementación, sino que radica en la capacidad de orquestar una arquitectura de datos que elimine la fricción y garantice transiciones fluidas entre agentes digitales y humanos, un desafío fundamental para la escalabilidad.
Sin embargo, esta rápida adopción no está exenta de desafíos. Latinoamérica se encuentra en un momento crucial para la regulación de la IA, buscando un equilibrio delicado entre la protección de datos y la promoción de la innovación. Países como Perú, México y Colombia ya cuentan con leyes de protección de datos que, en algunos casos, prohíben el perfilado automatizado, lo que requiere una cuidadosa planificación en el despliegue de agentes de IA. El problema es que el uso de la IA ha avanzado a un ritmo más rápido que la preparación institucional y la formulación de marcos regulatorios robustos, creando una brecha que podría generar riesgos si no se aborda. La urgencia radica en establecer mecanismos de gobernanza de datos y de IA que aseguren la confianza, la transparencia y la equidad en el despliegue de estas poderosas herramientas, garantizando que el “Big Bang Agentivo” en la región sea un motor de progreso sostenible y ético.
