Agentes de IA: el 97% opera con privilegios excesivos

El 97% de los agentes de IA que ya operan dentro de empresas arrastra privilegios excesivos, según el análisis que firma Rick Vanover, vicepresidente de Estrategia de producto en Veeam Software. En una compañía media, las identidades no humanas ya superan a los empleados humanos en una proporción de 82 a 1. Si tu startup está desplegando agentes, la pregunta ya no es si van a fallar, sino cuánto tardarás en enterarte y cuánto costará deshacerlo.

¿Por qué una persona supervisando agentes de IA ya no es suficiente?

Durante la primera ola de los grandes modelos de lenguaje (LLM), tener a alguien revisando los resultados alcanzaba para filtrar errores. Ese modelo se rompió. Los agentes operan a velocidad de máquina y sus fallos se propagan por distintos sistemas más rápido de lo que una persona puede comprender, identificar y corregir de forma manual.

El problema es que estos errores suelen parecer correctos a primera vista. Cuando alguien los detecta, el daño ya se tradujo en transacciones perdidas, flujos de trabajo interrumpidos y costos colaterales. Y rastrear el recorrido exacto del error entre sistemas es, en la práctica, casi imposible: la salida habitual es un restablecimiento completo, que genera más interrupciones y un costo mayor que el error original.

Vanover lo plantea con una analogía simple: la industria construyó un «botón de deshacer» para los errores humanos y ahora necesita el equivalente para la IA. La diferencia es que ese botón no puede ser el mismo. Hay que pasar de restauraciones orientadas al sistema a restauraciones orientadas al cambio.

El 97% de los agentes opera con privilegios excesivos

Los datos que cita el artículo son incómodos. McKinsey ha constatado que más del 60% de las organizaciones está experimentando con agentes de IA, y la palabra clave es «experimentando»: la mayoría lo hace sin entender plenamente el impacto que esos agentes pueden tener en el resto de su operación.

El 97% de los agentes cuenta con privilegios excesivos. Una sola alucinación apoyada en datos erróneos podría llevar a que un agente borre una base de datos de producción y sus copias de seguridad en cuestión de segundos. No es un ejercicio teórico: ya ocurrió.

El punto de fondo es que los agentes internos tienen hoy más poder que algunos empleados. Publican, despliegan y modifican elementos de forma automática. La supervisión humana sigue siendo necesaria, pero dejó de ser un control suficiente.

Zero Trust no fue diseñado para agentes de IA

El hueco no está solo en lo que los agentes pueden hacer, sino en a qué pueden acceder. Con privilegios sin restricciones, un agente alcanza todo el ecosistema de datos de la organización, incluidos los datos no estructurados que nadie recuerda: historiales de chat, archivos mal clasificados, documentos históricos o redundantes.

Las arquitecturas tradicionales como Zero Trust se diseñaron para usuarios humanos con dispositivos cuyo acceso se gobierna dentro de perímetros definidos. Un agente que interactúa directamente con los datos a velocidad de máquina puede sortear esas medidas centradas en endpoints e identidades. A eso se suman los agentes en la sombra, difíciles de rastrear y controlar.

El Cloud Security Alliance (CSA) llegó a una conclusión parecida en su informe «Defining Non-Human Identity»: las identidades no humanas necesitan un modelo de gobernanza propio, no un apéndice del que se usa para empleados. La recomendación es asignar a cada agente un patrocinador humano y un responsable de supervisión, inventariarlos desde el onboarding y reemplazar los secretos persistentes por credenciales de vida corta, según recoge Campus Technology.

El marco regulatorio todavía va detrás. NIST publicó un borrador para acelerar la adopción de identidad y autorización de agentes de software e IA, pero los estándares federales definitivos no se esperan antes de 2027, según GovTech. Y la confianza del mercado es limitada: un informe de PwC citado por el mismo medio señala que solo el 22% de las organizaciones autorizaría acciones de IA totalmente autónomas.

La propuesta de Vanover para cerrar la brecha es mover la seguridad desde el perímetro hacia el dato: en lugar de añadir capas sobre los datos, integrar la política en ellos mediante clasificación y enmascaramiento, de modo que se aplique antes de que el agente tenga tiempo de actuar.

Recuperación precisa: deshacer el cambio, no todo el sistema

El segundo frente es la recuperación. Confiar en la combinación de supervisión humana y restauraciones a escala de todo el sistema no es sostenible en la era de la IA agéntica: son caras y suelen provocar daños colaterales que superan el costo del error original, simplemente porque les falta precisión.

La alternativa es un proceso orientado al cambio. Atribuyendo cada modificación a objetos concretos o a cambios a nivel de registro, y considerando sus dependencias, es posible identificar exactamente qué tocó el agente y revertir solo esas acciones. Se sigue restaurando, pero con puntería: deshacer únicamente lo que hay que deshacer.

El artículo es directo con la urgencia: si una organización todavía no tuvo que enfrentar una restauración completa por un error de un agente, no es una posibilidad, es cuestión de tiempo.

¿Qué tan grande es el problema? Los números del sector

Gartner proyecta que para 2028 el 25% de las brechas empresariales podría estar relacionado con el uso indebido de agentes de IA, según recoge Diario Digital RD. La misma consultora advierte que más del 40% de los proyectos de IA agéntica podría cancelarse antes de 2027 por falta de valor percibido y problemas de implementación, de acuerdo con Actualidad eCommerce.

La adopción real todavía es incipiente: alrededor del 11% de las organizaciones tiene agentes en producción, según las referencias que manejan consultoras como Deloitte. En banca, la Autoridad Bancaria Europea señala que cerca del 55% de los bancos encuestados usa IA generalista o agéntica en procesos de cliente.

Las pruebas de seguridad tampoco son tranquilizadoras. Zscaler encontró vulnerabilidades críticas en todos los sistemas empresariales de IA que analizó y logró comprometer el 90% en menos de 90 minutos, según Actualidad eCommerce.

En América Latina el patrón se repite. El estudio «El estado de la transformación digital en América Latina 2026» de ManageEngine encontró que el 95% de los encuestados en República Dominicana se considera preparado para adoptar IA, pero el 73% admite dificultades para convertir esas inversiones en beneficios comerciales tangibles, con la gobernanza de datos entre los principales obstáculos.

¿Qué significa esto para tu startup?

Si tu equipo ya tiene agentes corriendo —o está a punto de ponerlos en producción—, la gobernanza no es un tema de compliance para más adelante. Es lo que decide si un error se convierte en una anécdota o en un incidente que te cuesta el trimestre.

• Inventario con dueño nombrado. Lista cada agente, incluidos los que se crearon en pruebas y nunca se apagaron. Para cada uno define un patrocinador humano y un responsable de supervisión, como recomienda el CSA.
• Privilegio mínimo y credenciales de vida corta. Cada agente accede solo a los sistemas, herramientas y datos que necesita para su función, y por tiempo limitado. Nada de secretos persistentes que sobreviven al proyecto.
• Límites de autonomía explícitos. Las acciones de alto impacto —borrar registros, modificar configuraciones críticas, transferir fondos, enviar comunicaciones a clientes— deberían requerir aprobación humana.
• Políticas dentro del dato. Clasifica y enmascara la información sensible para que la restricción se aplique antes de que el agente actúe, no después.
• Ensaya el «deshacer». Antes del primer incidente, prueba si puedes revertir un cambio puntual sin restaurar todo el sistema. Si la respuesta es no, ya sabes cuál es tu próximo proyecto.

Conclusión

La supervisión humana no desaparece: se reubica. Las personas siguen teniendo el control, pero necesitan mecanismos de recuperación precisos para corregir lo que un agente hizo mal sin apagar media operación. La diferencia entre una startup que escala con IA agéntica y una que vive apagando incendios no está en la potencia del modelo, sino en cuánto tardó en diseñar sus controles. Con recuperación precisa, un error de la IA deja de ser un desastre corporativo y se convierte en una corrección puntual.

Fuentes

• MuyComputerPro (fuente original)
• Campus Technology
• GovTech
• Diario Digital RD
• Actualidad eCommerce