Los agentes de IA – sistemas que ejecutan acciones por su cuenta, no solo generan texto – pasaron de riesgo teórico a incidentes documentados. Un análisis técnico confirmó que Grok Build CLI, el asistente de programación de SpaceXAI, subió repositorios completos de código a servidores de la empresa – historial, contraseñas y llaves de acceso incluidos – aunque los usuarios habían desactivado esa opción. SpaceXAI desactivó la carga un día después de que el hallazgo se hiciera público y prometió borrar los datos recolectados.

El caso no es aislado. En una encuesta de la Cloud Security Alliance, 65% de las empresas reportó incidentes relacionados con agentes de IA en los últimos doce meses, y 82% admitió tener agentes desconocidos operando en su infraestructura. El patrón no es técnico sino organizacional: los agentes entran a las empresas por la puerta de los empleados, operan con los accesos y permisos de quien los instala, y los controles diseñados para software no autorizado no los detectan porque transmitir información es parte de su función.

Para un directivo en México la implicación es directa: si tu equipo de desarrollo o de análisis usa asistentes de IA, tu propiedad intelectual puede estar saliendo de la empresa sin que ninguna alerta se dispare. La respuesta no es prohibirlos. Es tratar cada herramienta agéntica como un sistema con acceso a información – sujeto a revisión antes de aprobarse – y no como una aplicación más en la computadora de alguien.

Contexto. General Mills, el fabricante de alimentos detrás de marcas como Cheerios, Nature Valley y Häagen-Dazs, opera una de las cadenas de suministro más grandes del sector consumo: miles de embarques diarios entre plantas, almacenes y clientes. El sector alimentario llega a 2026 con márgenes presionados por costos logísticos y un consumidor que compra con cautela. La empresa respondió con una meta pública: 3,000 millones de dólares en ahorros acumulados hacia 2030, con la cadena de suministro como pieza central.

Decisión. En lugar de aplicar IA donde fuera más visible, la aplicó donde el volumen multiplica cualquier mejora pequeña. Sus modelos evalúan más de 5,000 embarques diarios de plantas a almacenes y ajustan la planeación logística: qué ruta tomar, qué transportista usar, qué cargas consolidar. En manufactura, la empresa usa datos de desempeño en tiempo real para detectar dónde se genera desperdicio en la producción antes de que se acumule en los resultados del trimestre.

Resultado. Los modelos logísticos han generado más de 20 millones de dólares en ahorros desde el ejercicio fiscal de 2024, con costos de transporte menores y mejores niveles de servicio al cliente. La empresa proyecta que el monitoreo de manufactura reducirá el desperdicio en más de 50 millones de dólares este año. Ninguna de las dos cifras es una promesa retórica: ambas se desprenden del programa de ahorro que General Mills reporta a inversionistas cada trimestre.

Qué puedes extraer tú de esto. General Mills no buscó el proyecto de IA espectacular: buscó decisiones repetitivas de alto volumen – 5,000 embarques diarios – donde un punto porcentual de mejora resulta en ahorros millonarios. Y ató cada modelo a un programa de ahorro con un número público, lo que obliga a medir en lugar de presumir.

El 15 de julio entró en vigor en China regulación dedicada a agentes de IA. Las Opiniones de Implementación, emitidas por el regulador del ciberespacio, definen legalmente qué es un agente – un sistema capaz de percibir, decidir y ejecutar por sí mismo – y establecen tres niveles de autorización: a mayor consecuencia de la acción, mayor aprobación humana requerida. En sectores como salud, transporte y medios exigen además registro obligatorio y pruebas de cumplimiento.

Tu empresa no está sujeta a esta norma salvo que opere en China. Su valor es de anticipación: es de los primeros modelos regulatorios de agentes que existe, y los reguladores copian lo que ya está escrito. Cuando el Congreso mexicano llegue al tema de agentes, el precedente disponible será este, junto con las reglas que Estados Unidos prepara para infraestructura crítica. La lógica de autorización por nivel de consecuencia es, además, un criterio que puedes adoptar internamente hoy, sin esperar ley alguna.

El cierre conecta con los incidentes de esta edición: China reguló agentes justo cuando los agentes empezaron a generar daños documentados. Esa secuencia – primero el incidente, después la regla – es la historia de toda regulación tecnológica. Las empresas que definan sus propias reglas de autorización antes de que alguien se las imponga van a elegir sus límites; las demás los van a recibir redactados por otros.

La pregunta que este ejercicio responde es una sola: ¿qué documentos generados con ayuda de IA salen de tu empresa – hacia clientes, autoridades o público – sin que una persona haya verificado los datos que contienen? Deloitte Australia tuvo que devolver parte de un contrato de 440,000 dólares australianos porque un reporte oficial incluía citas judiciales y referencias académicas fabricadas por IA. El error no fue usar IA: fue enviar sin verificar.

Primero, lista los entregables externos donde tu equipo ya usa IA: propuestas, reportes, dictámenes, comunicados. Segundo, establece una regla de dos personas para todo dato verificable en esos documentos – cifras, citas legales, referencias, nombres – donde quien verifica no sea quien generó el texto. Tercero, deja constancia simple de quién verificó el documento.

El costo de este control es una hora (o minutos adicionales) de revisión por documento, según su complejidad. El costo de no tenerlo se mide como lo midió Deloitte: reputación deteriorada, honorarios devueltos, una corrección pública y cada reporte futuro bajo sospecha. La decisión de negocio que evitas con este ejercicio no es el error de IA – los va a haber, al igual que existen errores en el trabajo enteramente humano – sino descubrir ese error hecho público en lugar de en tu propia revisión.

Samuel Campos

Arquitectura Estratégica con IA