En los últimos años hemos visto un boom de la Inteligencia Artificial Generativa. Hoy lo estamos viendo en los agentes de IA y, en un futuro no tan lejano, probablemente hablaremos con normalidad de IA física o computación cuántica.
Pero antes de mirar tan lejos, vamos a hablar del presente, en la tendencia actual que todos desean adoptar y que, sin embargo, la mayoría de usuarios y empresas aún no saben explotar correctamente: Los agentes de Inteligencia Artificial.

🤖¿Qué son estos agentes y por qué son el futuro?

Puede que muchos de vosotros ya hayáis escuchado este término, pero para los que no lo conozcan, de manera muy didáctica y para no entrar en detalles técnicos…se los resumo de la siguiente manera, los agentes de IA se pueden considerar asistentes virtuales que, además de generar texto, son capaces de ejecutar acciones concretas.

Desde un agente que puede reservar una habitación de hotel en función de criterios específicos, hasta otro que es capaz de simplificar y optimizar tareas complejas del día a día. La clave no está solo en que responden, sino en que actúan.

Además, los agentes permiten escalar conocimiento. Capturan lógica, contexto y experiencia humana y la ponen a trabajar de forma continua, sin depender de procesos manuales repetitivos, esto los los convierte en una pieza clave del futuro digital

Sin embargo, este futuro no se basa en tener agentes cada vez más sofisticados, sino de algo mucho más básico: que los agentes entiendan bien el entorno en el que operan. Y eso solo es posible cuando los datos están gobernados y aportan valor.

A su vez cabe destacar que en el estado actual de la tecnología resulta indispensable incorporar un enfoque human-in-the-loop. La IA debe actuar como un optimizador de nuestras capacidades, no como una autoridad incuestionable.

🍋Los frutos de la IA: recogiendo la cosecha de un buen trabajo

Esta imágen del árbol representa una idea sencilla, pero a menudo de la que no se habla mucho en el mundo de los datos: la IA no da frutos sin buenas raíces. Da frutos cuando se ha cultivado  una base sólida de datos, gobierno y calidad.

En la parte visible del árbol encontramos el modelo y su output, lo que todo el mundo ve, lo que suele mostrarse en esas presentaciones y reportes ejecutivos. Es importante, por supuesto, pero representa solo una pequeña parte del valor real. ¿Qué pasaría si esos resultados finales realmente no muestran la realidad? Seguramente tomaremos malas decisiones y dependiendo del ámbito en el que trabajemos podrían tener grandes repercusiones.

Los frutos que aparecen en las ramas: automatización, eficiencia, mejores decisiones, escalabilidad, no nacen sólo de un buen modelo, sino bajo tierra, de hecho, a raíz de esto dependerá la calidad del fruto

Las raíces, ocultas a simple vista, simbolizan ese trabajo paciente y muchas veces poco pasado por alto: definir datos maestros coherentes, establecer reglas claras de gobierno, asegurar la calidad de los datos y construir pipelines fiables. Sin estas raíces, el árbol no crece. Y si crece, no da los frutos que esperamos.

La metáfora es clara: no se puede recolectar una buena cosecha sin haber cuidado antes el terreno. Las organizaciones que hoy recogen buenos frutos con la IA son aquellas que invirtieron en hacer bien lo que no se veía. Las que entendieron que gobernar datos no era frenar la innovación, sino prepararla.

Este trabajo de base cobra todavía más relevancia en el contexto actual, donde la Inteligencia Artificial empieza a operar bajo un marco legal y ético cada vez más definido. Iniciativas como la ley AI Act de la Unión Europea refuerzan la necesidad de contar con datos gobernados, trazables y con significado claro. No puede haber IA responsable sin comprender de dónde proceden los datos, cómo se utilizan y bajo qué reglas se toman las decisiones.

La ética y la conciencia en el uso de la IA no se añaden al final del proceso; se construyen desde las raíces. Desde la calidad de los datos, la transparencia, la explicabilidad y la supervisión humana. Sin esta base, no solo se pone en riesgo el valor de la IA, sino también la confianza, el cumplimiento normativo y la sostenibilidad de las soluciones en el tiempo.

En este contexto, los agentes de IA actúan como recolectores inteligentes. Aprovechan lo que ya existe, lo entienden, lo conectan y lo ponen a trabajar, siempre apoyados sobre un terreno bien preparado.

🌳Agentes de IA paradójicos ¿Puedo preparar el terreno con IA?

Ahora bien, preparar todo este terreno no es trivial. Construir buenas raíces, datos gobernados, reglas claras y calidad consistente ha sido tradicionalmente un trabajo largo, costoso y muy manual. No es sorpresa que uno de los puntos de dolor más recurrentes en prácticamente cualquier organización es precisamente preparar el terreno para la IA

Paradójicamente, es la propia Inteligencia Artificial la que nos ofrece una oportunidad para acelerar este proceso. Utilizada con criterio, la IA puede ayudarnos a construir ese terreno de forma más eficiente, ordenada y escalable.

Justo por ello, he decidido simplificar este trabajo manual gracias a la ayuda de la IA. Me gustaría ejemplificar este tema con mi propio trabajo. Yo soy Data Engineer especializado en gobierno del dato, he tenido la oportunidad de crear y utilizar agentes de Inteligencia Artificial como apoyo directo a mi propio trabajo. No como sustitutos, sino como aceleradores bajo mi supervisión continúa, ayudándome a simplificar, optimizar y estructurar tareas que tradicionalmente han sido complejas, manuales y muy intensivas en tiempo.

A partir de este enfoque, he desarrollado cuatro agentes de IA enfocados específicamente al gobierno del dato, cada uno atacando un pilar fundamental de este mismo. En un principio, estos agentes están pensados para integrarse dentro del ecosistema de Google Cloud Platform (GCP), concretamente en Dataplex, aunque su diseño es lo sumamente flexible como para extrapolarse a cualquier otra plataforma cloud, convivir en un repositorio de GitHub o incluso servir como base para un modelo de gobierno del dato independiente de la tecnología.

Los agentes desarrollados son:

• Agente de enriquecimiento de metadatado: Se centra en enriquecer y dar significado a los activos de datos existentes. Analiza tablas, vistas y campos, y a partir de información estructurada y no estructurada disponible en la organización, sugiere descripciones funcionales, clasificaciones, etiquetas y contexto adicional. Su objetivo es transformar metadatos técnicos en información comprensible, útil y alineada con el negocio.

• Agente de glosario de negocio:  Actúa como facilitador semántico entre negocio y tecnología. A partir del conocimiento distribuido en documentos, definiciones existentes y uso real de los datos, propone la creación o enriquecimiento de un glosario de negocio coherente. Ayuda a identificar términos clave, posibles ambigüedades y relaciones entre conceptos, favoreciendo un lenguaje común y reduciendo la interpretación subjetiva del dato.

• Agente de calidad del dato: Orientado a la definición y mejora continua de la calidad del dato. Analiza el contenido y el contexto de los datos para sugerir reglas de calidad relevantes desde cero, priorizando aquellas que realmente aportan valor al negocio. De esta forma, la calidad deja de ser reactiva y se convierte en un elemento diseñado desde el inicio del ciclo de vida del dato.

• Agente de productos de datos: Ayuda a identificar y estructurar activos de datos con potencial para convertirse en productos de datos. A partir del análisis de su uso, estabilidad y relevancia, propone definiciones, responsabilidades y criterios de madurez. Su objetivo es alinear los datos con necesidades reales del negocio, evitando la proliferación de datasets sin propósito claro.

En conjunto, estos agentes permiten aprovechar un conocimiento que habitualmente se encuentra disperso en PDFs, hojas de cálculo, presentaciones, documentos históricos, estructurados en una base de datos, etc., acelerando un trabajo que de otro modo podría llevar meses en completarse. 

Eso sí,  hago hincapié en no malinterpretar su propósito. No se trata de automatizar el gobierno del dato a ciegas o simplemente decirle “ok” a todo lo que hagan. Estos agentes actúan como asistentes inteligentes: sugieren, recomiendan y estructuran, pero siempre dentro de un enfoque human-in-the-loop, donde las personas seguimos teniendo la última palabra: revisamos, validamos y decidimos con criterio propio basada en nuestros conocimientos y experiencia. La inteligencia emerge de la colaboración entre la experiencia humana y la capacidad de la IA para ordenar, conectar y acelerar.