El 29 de mayo de 2026, CDO LATAM realizó el webinar “Agentes de Datos sobre una plataforma de analítica integrada”, auspiciado por Snowflake. El encuentro reunió a líderes de datos, analítica e inteligencia artificial para analizar cómo los agentes pueden transformar la toma de decisiones empresariales y qué condiciones son necesarias para implementarlos con éxito.
Moderador:
- Alejandro Palomino, Director of Analytics COE en Belcorp.
Panelistas:
- Danilo Lazaro, Senior District Director en Snowflake.
- Rodrigo Blandon, Director- GBS Data Science, Analytics and Transformation Services en The Estée Lauder Companies Inc.
- Nelson Rodriguez, Chief Analytics Officer/CRO en Atria.
Los agentes de datos surgen por la convergencia de varias capacidades
La discusión partió de una idea central. Los agentes no aparecen como una tecnología aislada, sino como resultado de la convergencia entre inteligencia artificial generativa, RAG, plataformas integradas de datos, cómputo escalable y capa semántica.
En la conversación se marcó una diferencia importante entre un chatbot tradicional y un agente. Un agente no solo conversa. También puede interpretar información, comprender contexto y ejecutar acciones. Esa capacidad lo convierte en una herramienta con mayor potencial para apoyar decisiones, coordinar procesos y conectar información dispersa dentro de una organización.
Uno de los ejemplos comentados fue el cambio en la forma en que las áreas de negocio acceden a información. Antes, una solicitud podía pasar por equipos de datos, visualización y negocio antes de convertirse en reporte. Con agentes, aparece una capa intermedia capaz de reducir fricción, responder preguntas y relacionar datos de distintas funciones.
La discusión también abordó el problema del One Source of Truth. En organizaciones sin trazabilidad sólida, una misma métrica puede aparecer con versiones diferentes en reportes distintos. Ese escenario reduce confianza y dificulta la toma de decisiones. Los agentes pueden ayudar, pero solo si operan sobre una base confiable.
Automatización y agente no son lo mismo
Uno de los temas más relevantes fue la diferencia entre automatización y agente. La automatización ejecuta un proceso definido. El agente puede adaptarse cuando el proceso requiere interpretación, contexto adicional o una acción no prevista de forma explícita.
En el panel se usó un ejemplo cotidiano para explicar esta diferencia. Una automatización puede indicar los pasos para preparar una receta si todos los ingredientes están disponibles. Un agente, en cambio, puede proponer una alternativa si falta un ingrediente, evaluar lo disponible y adaptar la solución al objetivo final.
Trasladado al mundo empresarial, la diferencia se vuelve más relevante. En prevención de fraude, por ejemplo, un modelo de machine learning puede generar una alerta sobre una solicitud. Un agente puede complementar esa alerta con información adicional, como imágenes, audio o ubicación, y acercarse a una decisión operativa más completa.
También se comentó el caso de procesos bancarios asociados a evaluación de documentos para hipotecas y fraude. En ese contexto, los agentes pueden reducir tiempos de validación cuando combinan revisión documental, cruces de información y reglas de decisión. El valor no está solo en acelerar tareas, sino en coordinar pasos que antes dependían de intervención manual.
La autonomía aumenta el valor, pero también exige control
La autonomía fue presentada como una de las fronteras más importantes para entender los agentes. No todos los agentes deben tener el mismo nivel de capacidad para actuar. Algunos solo consultan información, otros sugieren decisiones y otros podrían ejecutar acciones dentro de un proceso.
Para explicar esta gradación, se hizo una analogía con los niveles de conducción autónoma. Así como no es lo mismo un vehículo con asistencia básica que uno capaz de operar sin timón, tampoco es lo mismo un agente que responde preguntas que uno autorizado a detener una solicitud, aprobar un proceso o activar una acción empresarial.
Esta distinción obliga a definir con precisión qué decisiones puede tomar un agente y cuáles deben seguir bajo revisión humana. También obliga a validar la calidad de los insights que produce, porque una respuesta incorrecta puede afectar procesos, clientes, riesgos financieros o reputación.
La autonomía aporta valor cuando está bien delimitada. Sin límites, gobierno y monitoreo, puede amplificar errores.
Sin datos gobernados, los agentes aceleran malas decisiones
El panel insistió en que los agentes dependen directamente de la calidad de los datos. Si la base de información está mal organizada, el agente no resuelve el problema. Solo permite tomar una decisión equivocada con mayor velocidad.
La conversación abordó varios elementos necesarios para que los agentes funcionen de forma confiable. Entre ellos aparecen el almacenamiento adecuado de información, la estructuración de pipelines, la disponibilidad de datos relevantes, la identificación de datos faltantes, el gobierno de datos y la estrategia de datos.
También se remarcó que no basta con tener datos. Las organizaciones deben saber qué información poseen, qué información no poseen y qué deben capturar para mejorar sus decisiones. Un agente puede interpretar y actuar, pero su desempeño está condicionado por la fundación sobre la que opera.
En ese sentido, la madurez de datos sigue como una condición previa para buena parte de los casos de uso empresariales. La inteligencia artificial no reemplaza la necesidad de gobierno, calidad ni trazabilidad.
La capa semántica ordena el lenguaje entre negocio, datos y modelos
La capa semántica ocupó un lugar central en la conversación. Su función fue descrita como el puente que permite traducir datos técnicos en conceptos comprensibles para el negocio y para los modelos que interactúan con esa información.
Uno de los ejemplos tratados fue la definición de ingresos. Para un área comercial, el ingreso puede asociarse a la firma de un contrato. Para finanzas, al momento en que entra el dinero. Para producto, a la activación del servicio. Las tres miradas pueden convivir, pero un agente necesita saber cuál definición aplica según la pregunta, el contexto y el proceso.
La capa semántica ayuda a organizar hechos, métricas y dimensiones. Permite que una pregunta de negocio no se pierda entre tablas, variables y definiciones ambiguas. También ayuda a reducir costos y mejorar performance, porque evita que los modelos busquen repetidamente información sin una estructura clara.
Otro tema relevante fue la seguridad. Cuando los datos salen de su entorno controlado para ser procesados en distintos motores, las organizaciones pueden perder parte del perímetro de gobierno que ya habían construido. La visión discutida planteó el valor de acercar el motor al dato, en lugar de mover el dato de forma constante.
En plataformas integradas, la capa semántica también permite sostener gobierno, seguridad y consistencia desde el origen del dato hasta su consumo. Para casos sensibles, como información de clientes, salarios o datos personales, esta capa se vuelve especialmente crítica.
La confianza en las métricas no se construye solo con tecnología
La conversación también abordó una dimensión menos técnica. Una capa semántica puede estar bien diseñada, pero la confianza en los indicadores requiere adopción, acuerdos y legitimidad dentro de la organización.
La madurez semántica no depende únicamente de modelos, vistas o definiciones técnicas. También depende de que las áreas funcionales acepten las métricas oficiales, entiendan su trazabilidad y asuman responsabilidad sobre sus datos.
En ese punto apareció el concepto de data ownership. Las áreas de negocio no pueden delegar por completo la definición de KPIs en tecnología. Deben participar en la construcción de métricas oficiales, catálogos confiables y criterios de interpretación.
También se mencionó el enfoque de Data Mesh como un modelo donde las funciones asumen mayor responsabilidad sobre sus datos. Más que un concepto puramente técnico, fue presentado como una forma de distribuir propiedad, definición y confianza dentro de la organización.
Por dónde empezar en una estrategia de agentes
El panel presentó distintos enfoques para empezar. Una postura planteó invertir el embudo tradicional de datos. En lugar de preguntar qué se puede producir con la data disponible, la organización debería preguntarse qué problema de negocio quiere resolver y qué acciones necesita tomar con mayor eficiencia.
Ese enfoque permite definir mejor las métricas oficiales, el alcance de la capa semántica y los procesos donde un agente puede aportar valor real.
Otra mirada reconoció que no todos los casos requieren una infraestructura completa desde el inicio. Para ciertos usos acotados, como un agente conversacional de apoyo a equipos comerciales, puede ser suficiente partir con un conjunto bien estructurado de documentos, una base vectorial y un proceso de preparación que permita al modelo responder con contexto.
El criterio práctico fue diferenciar entre casos estructurales y casos acotados. Algunos proyectos requieren conectividad, ingesta, almacenamiento, capa semántica, gobierno y estrategia de datos. Otros pueden iniciar con un alcance menor si el problema está bien definido y la información base es controlable.
La recomendación común fue no partir por la tecnología. Antes de construir un agente, la organización debe evaluar madurez, objetivo, impacto en negocio, seguridad, gobierno, ciclo de vida y mantenimiento.
FinOps, ciclo de vida y gobierno de agentes
Otro punto tratado fue el costo. Los agentes pueden consumir recursos relevantes por procesamiento, licenciamiento, tokens y operación. Por eso, no todo proceso necesita un agente. En algunos casos, una automatización simple, un dashboard o una revisión del proceso puede resolver mejor el problema.
El enfoque de FinOps aparece como una disciplina necesaria para evaluar cuánto cuesta construir y operar un agente frente al retorno esperado. Si una automatización entrega un resultado suficiente, añadir una capa agéntica puede ser innecesario.
También se discutió la necesidad de gobernar el ciclo de vida de los agentes. Crear agentes puede ser relativamente sencillo, pero mantenerlos, actualizarlos y decidir cuándo retirarlos es más complejo. Si el proceso de negocio cambia y el agente no se ajusta, el resultado deja de ser confiable.
La operación de agentes requiere responsables, monitoreo, seguridad, criterios de actualización y reglas para su retiro. Sin esa gobernanza, las organizaciones pueden acumular agentes que ya no responden a procesos vigentes.
La adopción depende del dolor que resuelve
Hacia el cierre, el panel abordó el reto de la adopción. No basta con definir un caso de uso, construirlo y medir su precisión. La adopción real depende de que las personas encuentren valor concreto en su trabajo diario.
Se señaló la importancia de identificar dolores reales. Un agente muy sofisticado puede tener baja adopción si resuelve un problema poco relevante. En cambio, un agente más acotado puede lograr mayor impacto si reduce tiempo, mejora decisiones o libera capacidad en un proceso crítico.
Uno de los ejemplos comentados fue el proceso de financial planning. Cuando una actividad que antes se realizaba por trimestre pasa a ejecutarse mensualmente, el esfuerzo operativo aumenta. Un agente que apoye estimaciones intermedias puede aportar valor si reduce carga y mantiene un nivel adecuado de precisión.
También se contrastó con casos como la medición de uso de reportes y dashboards. Aunque puede ser información útil, no necesariamente representa un dolor tan fuerte como otros procesos que consumen más horas, generan presión operativa o afectan decisiones de negocio.
La adopción de agentes no depende solo de formación interna. También requiere cultura, comunicación, pequeñas experiencias de uso y un marco de trabajo que permita avanzar sin perder control.
Conclusión
La conversación mostró que los agentes de datos representan una evolución importante en la forma en que las organizaciones interactúan con la información. Sin embargo, su efectividad depende de elementos que van mucho más allá del modelo de IA, como la calidad de los datos, la capa semántica, el gobierno y la claridad sobre los problemas de negocio que se buscan resolver.
A medida que estas tecnologías continúan madurando, las organizaciones enfrentan el desafío de equilibrar innovación, control y adopción. En ese contexto, la discusión coincidió en que el valor de un agente no se mide por su complejidad técnica, sino por su capacidad para generar resultados concretos y sostenibles para el negocio.
