Por qué la adopción de agentes de IA avanza más rápido que la preparación

El interés de la Administración por los agentes de IA avanza rápidamente. Según una investigación de IDC difundida por Route Fifty y Salesforce, el 82 % de las organizaciones encuestadas del sector público federal, estatal y local de Estados Unidos han adoptado IA agéntica, y el 60 % de los líderes gubernamentales creen estar por delante del sector privado en adopción.

Es una cifra impresionante. También es el tipo de cifra que merece una segunda mirada.

Adoptar no siempre significa estar preparado. Una agencia puede tener proyectos piloto, herramientas internas, funciones de IA habilitadas por proveedores, experimentos de automatización o primeros flujos de trabajo agénticos sin contar con la gobernanza, la arquitectura de datos, la supervisión, la formación de la plantilla y los controles necesarios para operar esos sistemas de forma responsable y a gran escala.

Ahí es donde reside el riesgo. Los agentes de IA no son simplemente otra función de software. Pueden interpretar información, utilizar herramientas, asignar trabajo, generar resultados, recomendar decisiones y, en algunos casos, llevar a cabo acciones acotadas. Cuanto más puede hacer un agente, más importante es saber a qué datos puede acceder, en qué decisiones puede influir, quién es responsable de su comportamiento y qué ocurre cuando se equivoca.

Por qué importa

La adopción de la IA en la Administración pública se está produciendo en un momento en que las agencias afrontan presión para mejorar la prestación de servicios, reducir la carga manual, modernizar sistemas obsoletos, reforzar la ciberseguridad y hacer más con recursos limitados. Los agentes de IA resultan atractivos porque prometen ayudar precisamente con esos problemas.

Un agente bien diseñado podría ayudar a clasificar solicitudes, resumir expedientes, asignar trabajo interno, asistir en la investigación de adquisiciones, respaldar flujos de trabajo de detección del fraude, preparar respuestas preliminares o ayudar al personal a desenvolverse en políticas y documentación complejas.

Son oportunidades reales. Pero los sistemas públicos están sujetos a expectativas diferentes de las herramientas habituales de productividad. La IA del sector público debe tener en cuenta la transparencia, la accesibilidad, la privacidad, las normas de contratación, la conservación de registros, la ciberseguridad, la auditabilidad y la confianza ciudadana.

GovExec informó en mayo de 2026 de que los responsables federales de TI muestran un interés creciente por las herramientas de IA autónoma a medida que se aceleran los proyectos piloto, pero que las carencias de gobernanza, datos y supervisión persisten en toda la Administración. Esa es la tensión central: las agencias avanzan rápido, pero muchas aún están creando las estructuras operativas necesarias para respaldar la IA agéntica de forma segura.

De la actividad piloto a la presión para pasar a producción

Un proyecto piloto puede ser útil sin estar listo para producción. Esa distinción importa.

Un pequeño proyecto piloto con un agente puede funcionar con pocos usuarios, datos seleccionados, supervisión manual y una tarea limitada. La producción es diferente. Cuando un agente pasa a formar parte de las operaciones diarias, la agencia necesita un modelo de soporte más sólido. ¿Quién es responsable? ¿Qué sistemas utiliza? ¿Cómo se revisan los resultados? ¿Qué registros se conservan? ¿Qué ocurre si el agente da una respuesta incorrecta, expone datos confidenciales o asigna mal el trabajo?

Estas preguntas son fáciles de posponer durante la experimentación. Resulta mucho más difícil responderlas después de que una herramienta de IA se haya extendido por los equipos y se haya integrado en los flujos de trabajo informales.

El mismo patrón se ha observado de forma más general en la IA empresarial. Las organizaciones pueden crear prototipos impresionantes antes de resolver los problemas de datos, flujos de trabajo, gobernanza e integración que determinan si un sistema puede escalar. Las agencias públicas afrontan el mismo reto, con una capa adicional de responsabilidad ante la ciudadanía.

El problema de la adopción descentralizada de la IA

La adopción de la IA en la Administración suele producirse de forma desigual. Distintas agencias tienen misiones, sistemas heredados, entornos de datos, mecanismos de contratación y niveles de madurez técnica diferentes. Algunos equipos pueden avanzar rápidamente. Otros pueden ser más cautelosos. Algunos pueden utilizar herramientas aprobadas a nivel corporativo. Otros pueden experimentar con funciones de IA integradas en plataformas de proveedores ya existentes.

Esa flexibilidad puede impulsar la innovación, pero también generar incoherencias. Sin un inventario claro y un modelo de gobernanza de referencia, las agencias pueden no saber qué agentes de IA están en uso, qué datos manejan, qué acciones pueden realizar o si cumplen las expectativas de seguridad y supervisión.

El problema no es que todas las agencias necesiten exactamente la misma estrategia de IA. No es así. El contexto de la misión importa. Una agencia de transporte, una agencia sanitaria, una organización de defensa, un administrador de prestaciones y una oficina local de licencias no tendrán necesidades de IA idénticas.

Pero sigue siendo necesario establecer una base común. Las agencias necesitan expectativas coherentes sobre inventario, acceso a datos, registros, supervisión humana, pruebas, monitorización y respuesta ante incidentes. Sin esa base, la IA agéntica puede extenderse más rápido de lo que la organización es capaz de gobernarla.

La preparación de los datos es la base

Los agentes de IA dependen de los datos y del contexto. En la Administración, ese contexto suele estar repartido entre sistemas heredados, documentos normativos, plataformas de gestión de expedientes, hojas de cálculo, portales, sistemas de registros y conocimientos institucionales que quizá no estén documentados de forma clara.

Si los datos subyacentes están incompletos, desactualizados, son incoherentes o tienen permisos mal configurados, un agente puede seguir generando resultados con confianza. Esto es peligroso porque las respuestas pulidas pueden crear una falsa sensación de fiabilidad.

La preparación de los datos para la IA agéntica incluye varias cuestiones prácticas:

¿A qué fuentes de datos tiene permitido acceder el agente?
¿Quién es responsable de esas fuentes?
¿Hasta qué punto están actualizadas y son fiables?
¿Qué datos deben excluirse?
¿Cómo se aplican los permisos?
¿Puede la agencia rastrear un resultado hasta las fuentes utilizadas?
¿Qué registros deben conservarse?
¿Cómo se corrigen los errores cuando los datos de origen son incorrectos?

No son cuestiones teóricas de gobernanza. Determinan si se puede confiar en un agente de IA dentro de un flujo de trabajo real del sector público.

La supervisión debe corresponder al nivel de autonomía

No todos los agentes de IA generan el mismo nivel de riesgo. Un asistente interno que ayuda a resumir documentos normativos es diferente de un agente que asigna casos de prestaciones, recomienda medidas de control, respalda decisiones de contratación o modifica datos en un sistema operativo.

La supervisión debe ajustarse al nivel de autonomía e impacto del agente. Los casos de uso de bajo riesgo pueden requerir reglas de uso claras, controles de acceso y una revisión básica. Los casos de mayor impacto pueden necesitar aprobación formal, revisión con intervención humana, registros de auditoría, pruebas, vías de escalado y supervisión continua del rendimiento.

La clave es definir los límites antes del despliegue:

¿Qué puede hacer el agente por sí solo?
¿Qué requiere aprobación humana?
¿Qué acciones están prohibidas?
¿Qué nivel de confianza se requiere antes de utilizar un resultado?
¿Quién revisa las excepciones?
¿Quién rinde cuentas por los resultados?

Si esas preguntas no tienen respuesta, la agencia no cuenta con una estrategia de agentes de IA. Cuenta con un experimento de automatización de consecuencias poco claras.

La infraestructura organizativa importa tanto como la tecnología

El comentario de mayo de 2026 de Federal News Network sobre la creación de la infraestructura organizativa necesaria para implementar la IA a gran escala plantea un punto importante: las agencias no pueden permitirse elegir entre estabilidad y transformación. Necesitan preservar la fiabilidad de su misión y, al mismo tiempo, adaptarse con la rapidez suficiente para utilizar la IA de forma responsable.

Eso requiere algo más que herramientas. Requiere infraestructura organizativa. Las agencias necesitan equipos de gobernanza, responsables de los datos, responsables técnicos, responsables de políticas, directrices de contratación, procesos de revisión de riesgos, prácticas de supervisión, programas de formación y planes de respuesta a incidentes.

Aquí es donde muchos esfuerzos de IA se estancan. La tecnología recibe primero toda la atención. El modelo operativo llega después, si es que llega.

En el caso de la IA agéntica, ese orden es arriesgado. El modelo operativo debe diseñarse junto con la tecnología, porque el comportamiento del sistema, sus permisos, el acceso a los datos y la estructura de responsabilidades forman parte de la implementación.

Qué deberían hacer ahora las organizaciones gubernamentales

Las agencias y organizaciones del sector público no necesitan congelar la adopción de la IA hasta resolver por completo todas las cuestiones de gobernanza. Eso sería poco realista y probablemente contraproducente. Pero sí necesitan un camino disciplinado desde la experimentación hasta el uso responsable.

Mapear la cartera de agentes de IA: Identificar los agentes, proyectos piloto, funciones integradas de proveedores, herramientas no oficiales y flujos de trabajo automatizados que ya están en uso.
Documentar los casos de uso y los responsables: Cada agente debe tener un responsable empresarial, un responsable técnico, una finalidad prevista, fuentes de datos y límites de decisión.
Clasificar el riesgo: Clasificar los casos de uso según el nivel de autonomía, la sensibilidad de los datos, el impacto público, la importancia operativa y la exposición normativa o relacionada con las políticas.
Estandarizar la gobernanza básica: Establecer expectativas mínimas para el acceso a los datos, el registro de actividad, las pruebas, la revisión humana, la supervisión y la conservación de registros.
Desarrollar primero la preparación de los datos: Mejorar la calidad de los datos, los metadatos, los permisos, la trazabilidad de las fuentes y los patrones de integración antes de ampliar la autonomía.
Planificar la respuesta a incidentes: Definir qué ocurre cuando un agente comete un error, expone datos incorrectos, genera una recomendación deficiente o se comporta de forma inesperada.
Formar al personal: Los empleados deben comprender qué pueden hacer los agentes, en qué fallan, cómo utilizarlos de forma responsable y cuándo escalar sus inquietudes.

El objetivo no es ralentizar la innovación por sí misma. El objetivo es evitar que la adopción avance más rápido que la capacidad de la agencia para gestionar el riesgo.

Cómo Ridiculous Engineering aborda la preparación para la IA agéntica

En Ridiculous Engineering, abordamos la IA agéntica como un problema de implementación y de modelo operativo, no solo como un problema de selección de herramientas. El modelo importa, pero el sistema que lo rodea importa más: la calidad de los datos, los permisos, el diseño de los flujos de trabajo, la supervisión, la auditabilidad, la supervisión humana, las integraciones y la responsabilidad.

Esto es especialmente cierto en entornos del sector público y regulados. Los agentes de IA deben ser útiles, pero también lo bastante explicables, gobernables y sostenibles como para operar dentro de organizaciones reales.

Ayudamos a las organizaciones a definir el camino práctico desde el interés hasta la preparación. Esto puede incluir el inventario de agentes, la evaluación de casos de uso, el mapeo de flujos de trabajo, la revisión de fuentes de datos, el diseño de la gobernanza, la planificación de integraciones, la evaluación de proveedores, la estrategia de supervisión y el apoyo a la implementación de sistemas agénticos que necesitan funcionar en producción, no solo en un proyecto piloto.

El primer paso suele ser sencillo: averiguar qué está ocurriendo ya. Muchas organizaciones descubren que el uso de la IA es más amplio de lo que la dirección imaginaba. Una vez que el panorama es visible, resulta mucho más fácil decidir qué casos de uso merece la pena ampliar, cuáles necesitan controles más estrictos y cuáles deberían pausarse o rediseñarse.

Adopción no es lo mismo que preparación

La cifra de adopción del 82 % es una señal de que la IA agéntica no es una tendencia lejana en el sector público. Las agencias y organizaciones del sector público ya están avanzando. Es probable que algunas lo hagan de forma reflexiva. Otras podrían estar avanzando más rápido de lo que sus modelos de gobernanza, datos y supervisión pueden respaldar.

Las agencias que más se beneficien no serán las que tengan más agentes. Serán las que comprendan dónde deben utilizarse los agentes, qué límites necesitan, en qué datos pueden confiar y cómo mantener intacta la responsabilidad humana.

Si su organización está explorando los agentes de IA, ya los está probando o intenta comprender si sus bases de gobernanza y datos están preparadas para el uso en producción, Ridiculous Engineering puede ayudar. Trabajamos con clientes para aclarar los casos de uso, diseñar barreras prácticas y crear sistemas de IA agéntica que se adapten a la organización en lugar de adelantarse a ella.

El gobierno agéntico no se definirá únicamente por las estadísticas de adopción. Se definirá por la capacidad de las agencias para convertir la automatización inteligente en un servicio público fiable.

Fuentes y lecturas adicionales: Salesforce: El auge del gobierno agéntico, Route Fifty: Líderes gubernamentales y adopción de la IA agéntica, GovExec: Las agencias consideran la IA agéntica, pero persisten las dudas sobre su preparación, Federal News Network: De la estrategia a la estructura, Foro Económico Mundial: Hacer que la IA agéntica funcione para el gobierno

Gobierno agéntico: por qué el 82 % de las agencias está adoptando agentes de IA, pero la preparación sigue rezagada