87% de los equipos de datos ya pasa parte de su tiempo reverificando el contexto que le dieron a un agente de IA. Ese tiempo tiene nombre: el "impuesto de la alucinación"
Una encuesta de Collibra y Harris Poll a 300 líderes de datos y tecnología en Estados Unidos, publicada en septiembre, encontró que 76% de las organizaciones enfrentó obstáculos críticos para pasar sus agentes de IA de piloto a producción en el último año, y que 72% de los tomadores de decisión atribuye esos obstáculos a bases de datos deficientes, no a limitaciones del modelo. El reporte le pone nombre a un costo operativo que hasta ahora no tenía etiqueta propia: el tiempo que los equipos gastan reverificando el contexto que un agente de IA usó para decidir.
La tesis del artículoQue 72% de los líderes de datos atribuya los obstáculos de sus iniciativas de IA a la calidad de los datos, no al modelo, documenta un patrón consistente con lo que otras encuestas de la industria vienen reportando este año; lo que el propio reporte no resuelve es si ese costo de reverificación es una fase temporal de maduración que se reduce con mejor arquitectura de gobernanza, o un costo estructural permanente de operar agentes autónomos sobre datos empresariales que nunca se diseñaron pensando en que un sistema no humano los consumiría de forma continua.
Una encuesta de Collibra, realizada por Harris Poll entre 300 líderes de datos, privacidad e inteligencia artificial en Estados Unidos y publicada a mediados de septiembre, encontró que 87% de los equipos de datos dedica parte de su tiempo a reverificar el contexto que un agente de IA usó para tomar una decisión —una tarea tan recurrente que el propio reporte, titulado "Hallucination Tax Report", le puso nombre propio: el impuesto de la alucinación. No es un costo que aparezca en ningún presupuesto de TI de forma explícita, pero es, según esta encuesta, ya parte del costo operativo real de tener agentes de IA funcionando dentro de una organización.
La cifra que explica por qué tantos pilotos no llegan a producción
El hallazgo central del reporte es que 76% de las organizaciones encuestadas enfrentó obstáculos críticos para pasar sus iniciativas de IA de la fase piloto a producción en los últimos doce meses, incluso cuando, según el mismo reporte, prácticamente todas estaban ya desplegando agentes autónomos de algún tipo. Lo que distingue a este hallazgo de otras encuestas similares sobre adopción de IA es la causa que identifican los propios encuestados: 72% de los tomadores de decisión atribuye esos obstáculos a bases de datos deficientes, no a limitaciones del modelo de IA en sí. Es una distinción que importa: la conversación pública sobre por qué la IA generativa "no cumple lo prometido" tiende a enfocarse en la capacidad de los modelos, mientras que quienes efectivamente intentan llevar estos sistemas a producción identifican, de forma consistente, un problema distinto y más terrenal.
Por qué "reverificar contexto" es un trabajo nuevo, no una tarea antigua con otro nombre
Es tentador leer el 87% de equipos que reverifican contexto como una versión actualizada del trabajo tradicional de control de calidad de datos, pero hay una diferencia de naturaleza, no solo de grado. El control de calidad de datos tradicional se diseñó para un consumidor humano que revisa un reporte, nota una anomalía evidente y la reporta. Un agente de IA no hace eso: consume el contexto que se le entrega, actúa sobre él con la misma confianza independientemente de si ese contexto es correcto o está desactualizado, y no emite una señal de alerta cuando algo está mal —el error se manifiesta más tarde, en la decisión o acción que el agente tomó con base en información incorrecta, no en el momento en que consumió esa información. Verificar que el contexto que recibió un agente era el correcto es, por tanto, un trabajo que no existía en la misma forma antes de que los agentes autónomos empezaran a operar sobre datos empresariales de forma continua.
La brecha entre la velocidad del agente y la velocidad de la gobernanza
El problema de fondo que varias piezas de la industria de datos han empezado a documentar este año, más allá de esta encuesta específica, es una desalineación de velocidad: la gobernanza de datos tradicional se diseñó alrededor de ciclos de revisión periódica —auditorías trimestrales, validaciones antes de cada publicación de reporte—, mientras que un agente de IA consulta y actúa sobre datos de forma continua, muchas veces decenas o cientos de veces en el curso de una hora. Un marco de gobernanza diseñado para revisar datos una vez al trimestre no tiene manera de detectar, en tiempo real, que una tabla específica quedó desactualizada hace tres horas y que un agente ya tomó una docena de decisiones basadas en esa versión obsoleta. Esa desalineación de velocidad, más que la falta de reglas de gobernanza en sí, parece ser la raíz del problema que documenta el 87% de equipos reverificando contexto.
El riesgo de permisos heredados, un problema distinto pero relacionado
Un segundo problema que la discusión reciente sobre gobernanza de datos para agentes ha señalado, y que complementa el hallazgo central de esta encuesta, es que muchas implementaciones configuran a los agentes de IA para heredar automáticamente los mismos permisos de acceso a datos que tendría el usuario humano que los configuró, sin una capa adicional de restricción específica para lo que el agente efectivamente necesita consultar para su tarea. Es un atajo de implementación comprensible —configurar permisos granulares específicos para cada agente consume tiempo y recursos de ingeniería—, pero multiplica el riesgo: un agente con acceso heredado amplio que actúa sobre datos incorrectos no solo toma una mala decisión puntual, sino que lo hace con un radio de alcance sobre el sistema de datos mayor del que su tarea específica realmente requería.
Lo que esto implica para quien diseña arquitectura de datos, no solo para quien la gobierna
La lectura más útil de este reporte para equipos de datos no es "necesitamos más reglas de gobernanza", que es la respuesta genérica y poco específica que suele seguir a este tipo de hallazgo, sino una más concreta: la arquitectura de datos empresarial, diseñada durante años pensando en el consumo humano —reportes, dashboards, consultas puntuales—, necesita una capa adicional diseñada específicamente para el patrón de consumo de un agente autónomo, que es continuo, de alta frecuencia, y sin la capacidad de notar por sí mismo cuándo algo no cuadra. Esa capa adicional —monitoreo de frescura de datos en tiempo real, permisos específicos por tarea de agente en lugar de heredados, alertas automáticas cuando una fuente que un agente consulta regularmente cambia de forma inesperada— es, según la evidencia de esta y otras encuestas recientes de la industria, la inversión que efectivamente mueve la aguja entre un piloto que no escala y uno que sí.
Por qué este costo no aparece donde los presupuestos de TI lo buscarían
Una razón por la que el "impuesto de la alucinación" tardó tanto en tener nombre propio es que no aparece en ninguna de las categorías presupuestales donde un equipo de finanzas normalmente buscaría el costo de operar inteligencia artificial: no es el gasto en cómputo, no es la licencia del modelo, no es siquiera el salario del equipo de ingeniería que construyó al agente. Es tiempo disperso entre analistas de datos, ingenieros de datos y dueños de producto que, cada vez que una decisión de un agente parece sospechosa, tienen que detener lo que estaban haciendo y reconstruir manualmente qué contexto consultó el sistema y si ese contexto era correcto. Ese tipo de costo —fragmentado, distribuido entre varios roles, sin una línea presupuestal propia— es estructuralmente más difícil de medir y, por tanto, más difícil de justificar que se reduzca con inversión específica, precisamente porque ninguna hoja de cálculo lo está sumando como una sola cifra visible.
La comparación con otras encuestas de la industria que apuntan en la misma dirección
El hallazgo de Collibra no aparece de forma aislada: una encuesta de Cloudera junto con Harvard Business Review, también de este año, encontró que solo 7% de los líderes de TI consideraba que los datos de su organización estaban completamente listos para IA, y Gartner ha reportado que 63% de las organizaciones carecen de las prácticas de datos que la IA requiere, o no están seguras de tenerlas. La convergencia de estas tres fuentes —una encuestadora independiente trabajando con una publicación académica, una firma de análisis de la industria, y una encuesta patrocinada por un proveedor con interés directo en el tema— hacia la misma conclusión general reduce, aunque no elimina, la preocupación de que el hallazgo sea simplemente una cifra inflada por quien tiene un producto de gobernanza de datos que vender.
La pregunta que esta encuesta documenta pero no responde
Lo que el reporte de Collibra no puede resolver, por el tipo de evidencia que reúne, es si el "impuesto de la alucinación" que documenta hoy es una fase transitoria de una industria todavía aprendiendo a construir la capa de gobernanza correcta para agentes autónomos, o si es, en cambio, un costo operativo estructural que cualquier organización con agentes de IA en producción tendrá que presupuestar de forma permanente, de la misma manera en que presupuesta el costo de mantenimiento de cualquier otro sistema crítico. Esa respuesta solo la dará el tiempo, y específicamente, si las próximas ediciones de esta misma encuesta muestran que el porcentaje de equipos reverificando contexto baja conforme madura la inversión en gobernanza específica para agentes, o si se mantiene estable como un costo fijo nuevo del negocio de operar IA.
Fuentes
- Poor data foundations are behind most stalled enterprise AI projects, survey finds — CDO Magazine
- New survey from Collibra by the Harris Poll finds 72% of tech decision-makers feel AI initiatives are hindered by poor data foundations — Collibra
- Enterprise Data Governance Becomes the AI Agent Bottleneck — TechStrong TV
- The context gap: why AI agents break without fresh, governed data — No Jitter