Oracle Deep Trust: confianza integrada en la IA empresarial

Qué es Oracle Deep Trust AI Architecture

Oracle presentó Deep Trust AI Architecture, un modelo de referencia que trata la confianza como una propiedad incorporada de la plataforma tecnológica empresarial, en lugar de dejar esa responsabilidad en manos de cada agente y aplicación de IA. El anuncio se hizo en el marco de Oracle AI World, en Las Vegas, el 26 de octubre de 2026, según el comunicado distribuido por PRNewswire.

La propuesta nace de un problema que muchos equipos ya conocen: cuando cada agente de IA tiene que implementar por su cuenta los permisos, la privacidad y las reglas de negocio, basta un agente mal configurado para exponer datos o ejecutar una acción indebida. Oracle propone mover esas salvaguardas a las capas de base, de modo que cada agente nuevo las herede desde el primer día en lugar de reimplementarlas.

"Los modelos de IA permiten ahora alcanzar niveles extraordinarios de productividad e innovación. Sin embargo, las empresas no pueden aprovechar estos beneficios si no pueden confiar en lo que genera la IA", afirmó Juan Loaiza, vicepresidente ejecutivo de AI Database Technologies de Oracle.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Las cuatro capas donde Oracle incrusta la confianza

El modelo se apoya en cuatro capas de la plataforma empresarial, con capacidades que hasta ahora existían por separado dentro del portafolio de Oracle:

Plataforma de software. Oracle Autonomous AI Database aplica parches de seguridad de forma automática en el motor de base de datos, el sistema operativo, el almacenamiento y el firmware, antes de que las actualizaciones se hagan públicas. El parcheo es gradual, de modo que las aplicaciones siguen corriendo sin interrupciones, y el cifrado siempre activo protege los datos en reposo y en tránsito, con descifrado transparente para usuarios y aplicaciones autorizados. Está disponible en los principales proveedores de nube a hiperescala y en instalaciones locales mediante Oracle Cloud@Customer.
Datos y reglas de negocio. Si las políticas de acceso viven únicamente en el código de la aplicación, una app generada por IA puede implementarlas mal y un agente que accede directo a la base de datos puede eludirlas por completo. Oracle Deep Data Security permite definir reglas de acceso de usuarios finales dentro de Oracle AI Database y aplicarlas a cada consulta SQL.
Acceso de los agentes. Las API de Oracle Deep Trust Data dan acceso controlado de lectura y escritura a objetos de negocio lógicos, como una orden de compra, en lugar de permitir SQL arbitrario. A esto se suma Oracle Deep NL2SQL —la conversión de lenguaje natural a consultas SQL—, que aporta a la IA contexto del negocio (terminología, prácticas y métricas de la organización) junto con conocimiento de cómo se define y organiza la información.
Desarrollo de aplicaciones. Oracle APEX AI Application Generator traduce descripciones en lenguaje natural a APEXlang, un lenguaje declarativo y abierto para definir aplicaciones. Oracle APEX ejecuta esas definiciones en un motor centralizado que aporta seguridad, escalabilidad y disponibilidad de nivel empresarial, y simplifica el mantenimiento y las actualizaciones continuas.

Oracle compara el enfoque con su Maximum Availability Architecture (MAA), el modelo que durante años usaron las empresas para mantener sus sistemas de misión crítica operativos. La lógica es la misma: estandarizar en la plataforma lo que hoy cada equipo de desarrollo resuelve por su cuenta, y con criterios distintos.

Por qué la confianza en la IA se volvió el cuello de botella

Los datos del sector explican por qué Oracle puso el foco justamente aquí. Según la encuesta 2026 State of Agentic AI de CrewAI, que cubrió a 500 ejecutivos sénior, el 65% de las empresas encuestadas ya usa agentes de IA y todos los consultados planean ampliar su adopción durante 2026. Gartner, citado en el mismo análisis publicado por ETCIO, proyecta que el 40% de las aplicaciones empresariales incluirá agentes de IA específicos para tareas hacia finales de 2026.

El problema es que la adopción avanza más rápido que el control. La investigación 2026 de ChapsVision encontró que el 86% de los líderes empresariales identifica la fiabilidad, la seguridad, la privacidad y la exactitud como barreras importantes para implementar IA agéntica. Y el informe Reimagine 2026 de AWS, basado en entrevistas con 154 ejecutivos de 128 organizaciones, describe un fenómeno que nombra como shadow AI: uno de los líderes consultados señaló que los CIOs que pasaron años gestionando shadow IT ahora enfrentan IA no autorizada a una escala diez veces mayor. Una encuesta de Strand Partners para AWS citada en ese mismo documento encontró que más de la mitad de las pymes y grandes empresas usa IA, pero solo el 24% tiene un enfoque documentado para su uso responsable y apenas el 10% cuenta con una estrategia de gobernanza de datos.

En paralelo, la paciencia con los pilotos que nunca llegan a producción se está agotando. Una encuesta de Gartner a CIOs de 2026, recogida por TechTimes, indica que solo el 17% de las organizaciones ha desplegado agentes de IA por completo, mientras que más del 60% espera hacerlo en los próximos dos años. El mismo informe proyecta que más del 40% de los proyectos de IA agéntica se cancelarán hacia finales de 2027, por costos crecientes, valor de negocio poco claro y controles de gobernanza insuficientes.

Para Oracle, la apuesta también tiene una lectura financiera. El análisis de Simply Wall St publicado en Yahoo Finance señala que la compañía sostiene su tesis de demanda de IA sobre contratos de infraestructura de gran tamaño, una cartera de pedidos (RPO) de US$638.000M y una utilización de GPU del 97,9%, y plantea que Deep Trust AI y las extensiones de su Autonomous AI Lakehouse permiten adjuntar más gasto en software de IA y bases de datos sobre esa capacidad ya contratada. El mismo análisis menciona que la compañía reporta 150 millones de usos de IA y clientes como Liberty Energy y SharkNinja ampliando cargas de trabajo gobernadas.

¿Qué significa esto para tu startup?

No necesitas ser cliente de Oracle para que el anuncio te sirva. Lo que Oracle está estandarizando a escala empresarial es, en realidad, una lista de verificación que cualquier equipo puede aplicar desde hoy —incluso con dos o tres agentes en producción.

El primer cambio de mentalidad es dejar de tratar la seguridad del agente como una instrucción dentro del prompt. Si tu única barrera es pedirle al modelo que "no gaste más de X", estás confiando en que el modelo interprete bien la instrucción y la respete siempre. Las reglas que importan (límites de gasto, datos sensibles, acciones irreversibles) tienen que vivir fuera del agente, en la capa que efectivamente decide si la acción se ejecuta o no.

Acciones concretas para implementar esta semana:

Audita los agentes que ya corren en tu empresa. No hablamos solo de los que aprobaste: incluye los que armaron tus equipos de ventas, soporte o finanzas con herramientas de no-code. El informe de AWS describe organizaciones que descubrieron agentes en producción que nadie recordaba haber creado, cada uno con sus propias credenciales y permisos de acceso a herramientas.
Dale a cada agente un rol y un alcance mínimos. Un agente que procesa facturas necesita ver registros financieros y órdenes de compra, pero no la base de datos de empleados. Definir eso explícitamente reduce la superficie de daño si algo falla.
Empieza con aprobación humana y amplía la autonomía por etapas. El informe de AWS lo resume con una analogía útil: trata al agente como el periodo de prueba de un empleado nuevo. Actividades rutinarias y de bajo riesgo pueden correr solas; decisiones con impacto financiero o sobre clientes deberían requerir revisión.
Clasifica por riesgo antes de construir, no después. Rafael Cavalcanti, director de Datos e IA de Bradesco, construyó un árbol de clasificación que pregunta si el caso de uso involucra datos personales, si corre en vivo o por lotes y si hace falta un humano en el circuito; cada combinación de respuestas mapea a un nivel de riesgo y a un conjunto de controles, según el informe de AWS publicado por Help Net Security.
Deja rastro de cada acción. Qué hizo el agente, cuándo, con qué información y quién aprobó. Sin eso, cuando algo salga mal, la investigación se convierte en una discusión de opiniones.

Hay un matiz que conviene no perder: comprar una plataforma que prometa gobernanza no resuelve el problema de gobierno. Como advierte el análisis del informe de AWS, las limitaciones de seguridad deben definirse fuera del agente porque los agentes "pueden malinterpretar o rodear las reglas embebidas". La arquitectura ayuda; la disciplina de tus equipos sigue siendo tuya.

Conclusión

Oracle está apostando a que la confianza en la IA deja de ser un diferenciador y se convierte en un requisito de infraestructura. El movimiento es coherente con lo que muestran los datos: la adopción de agentes creció más rápido que la capacidad de controlarlos, y los proyectos sin gobernanza son los candidatos naturales a la cancelación.

Para un founder, la ventana de oportunidad no está en esperar a que el mercado madure, sino en construir ahora las tres cosas que ninguna plataforma puede darte por ti: saber qué agentes tienes, qué puede hacer cada uno y quién responde cuando se equivoca. Las startups que resuelvan eso antes de escalar van a poder mover más autonomía, más rápido y con menos sobresaltos que las que tengan que desarmar todo a mitad de camino.