Gobernanza de IA: cómo controlar el uso de inteligencia artificial

Un analista entrega un informe pulido, con conclusiones claras y una narrativa que se lee bien. Nadie en la sala pregunta cómo lo hizo tan rápido, y el analista tampoco lo cuenta, porque sabe que si menciona que usó una herramienta de IA para armar el primer borrador, alguien va a mirarlo distinto, aunque el resultado final sea correcto. Esa escena, repetida miles de veces en oficinas de todo el mundo, es exactamente lo que midió el estudio más grande que existe hasta ahora sobre confianza en inteligencia artificial en el trabajo.

El estudio, liderado por la Universidad de Melbourne en colaboración con KPMG, encuestó a más de 48.000 personas en 47 países entre noviembre de 2024 y enero de 2025, y sus hallazgos sobre el uso de IA en el trabajo son incómodos para cualquier gerente de operaciones que piense que sabe exactamente qué está pasando dentro de su equipo. Tres de cada cinco empleados, un 58 por ciento, usa IA de forma intencional en su trabajo, y un tercio la usa todas las semanas o todos los días. Hasta ahí, nada sorprendente. Lo que sí sorprende es lo que pasa después.

El 57 por ciento de los empleados admite que oculta su uso de IA y presenta el trabajo generado con ayuda de esas herramientas como si fuera enteramente propio. El 66 por ciento reconoce que confía en lo que la IA genera sin evaluar si es correcto. Y el 56 por ciento admite haber cometido errores en su trabajo directamente atribuibles a ese uso sin verificación. Son tres cifras que, juntas, describen un patrón claro, la IA ya está adentro de la operación diaria de casi cualquier empresa, pero está entrando por la puerta de atrás, sin supervisión, sin registro y sin que nadie pueda decir con certeza qué decisión se tomó con ayuda de una herramienta y cuál no.

Por qué esconde la gente su uso de IA en vez de simplemente usarla con transparencia

La respuesta no tiene que ver con mala fe. El mismo estudio encontró que solo 47 por ciento de los empleados dice haber recibido algún tipo de capacitación formal en IA, y apenas 40 por ciento dice que su empresa tiene una política clara sobre cómo usarla. Cuando una herramienta se vuelve parte central del trabajo diario sin que exista una regla explícita sobre cómo usarla ni una instancia de capacitación real, la reacción natural de cualquier persona no es preguntar, es usarla en silencio y esperar que nadie lo note. Ocultar el uso de una herramienta no es un acto de rebeldía, es lo que pasa cuando una organización deja un vacío de gobernanza y cada persona lo llena a su manera, con su propio criterio, sin coordinación con nadie más.

Este comportamiento tiene un costo que casi nunca se mide de forma directa. Si un gerente de operaciones no sabe qué partes de un informe, una cotización o una respuesta a cliente pasaron por una herramienta de IA sin revisión humana posterior, tampoco puede saber dónde está el riesgo real cuando algo sale mal. El error no aparece etiquetado como error de IA, aparece como un error del analista, del vendedor o del área de soporte, y la causa raíz queda invisible. La organización termina corrigiendo síntomas uno por uno sin nunca llegar a la causa, que es un proceso sin trazabilidad.

El costo de una operación que no sabe qué pasó por IA y qué no

Pensemos en un ejemplo concreto y cotidiano. Un equipo de soporte interno recibe solicitudes por WhatsApp y por Teams todo el día, mezcladas entre mensajes urgentes, consultas triviales y pedidos que alguien copia y pega de una conversación con un modelo de IA para que suenen más profesionales antes de enviarlos. El encargado de canalizar esas solicitudes no tiene forma de saber cuáles fueron redactadas con ayuda de una herramienta externa, cuáles reflejan fielmente lo que la persona necesita y cuáles se perdieron en la traducción entre lo que alguien quería pedir y lo que un modelo generó en su nombre. El resultado es un cuello de botella que se ve como un problema de volumen, pero que en realidad es un problema de trazabilidad.

Esto conecta directamente con uno de los hallazgos más consistentes del último estudio global de McKinsey sobre el estado de la IA en las empresas, publicado en noviembre de 2025 con casi 2.000 encuestados en 105 países. El estudio identificó que las empresas que logran resultados significativos con IA, apenas un 6 por ciento del total y que McKinsey llama de alto desempeño, tienen una práctica en común que las distingue del resto, definieron procesos claros sobre cuándo un resultado generado por un modelo necesita validación humana antes de usarse. No es una regla genérica de prohibir o permitir la IA, es un proceso específico que dice en qué punto del flujo de trabajo alguien tiene que revisar, firmar y hacerse responsable de lo que el modelo entregó.

Vale la pena detenerse en ese hallazgo de McKinsey porque desmonta una idea bastante extendida entre gerentes de operaciones, la idea de que basta con contratar una licencia de IA más potente o cambiar de modelo para obtener mejores resultados. La diferencia entre una empresa que apenas nota el efecto de la IA en sus números y una que sí lo nota no está en qué modelo usa, está en si definió con claridad, proceso por proceso, en qué momento un resultado generado por IA necesita que una persona lo revise antes de que se convierta en una cotización enviada, un correo a un cliente o una cifra que entra a un reporte financiero. Esa definición no se improvisa en una reunión, se construye mirando cada flujo de trabajo real, con sus excepciones y sus casos límite, algo que toma tiempo y que rara vez sucede cuando cada persona adopta por su cuenta una herramienta genérica, sin acompañamiento.

Esa es la diferencia entre dejar que la IA entre a la operación sin estructura y darle un lugar definido dentro del flujo de trabajo. Un agente de IA sin gobierno se parece mucho a lo que describe el estudio de KPMG, una herramienta usada en la sombra, sin registro, sin capacitación y sin que nadie pueda auditar después qué pasó. Un agente de IA certificado e implementado dentro de un flujo de trabajo definido es exactamente lo contrario, cada acción queda documentada, cada decisión tiene un responsable y un historial, y nadie tiene que esconder que lo está usando porque su uso es parte reconocida y visible del proceso.

El Agente de Ticketing de AgentLayer es un buen ejemplo de cómo se ve esto en la práctica. En vez de dejar que las solicitudes circulen sueltas por WhatsApp, Teams o correo, donde nadie sabe bien qué se pidió, quién lo pidió ni qué se hizo al respecto, el Agente de Ticketing convierte cada mensaje en un ticket estructurado, con tipo, prioridad, área y fecha límite detectados automáticamente desde la conversación, y deja trazabilidad completa de cada solicitud, con historial, remitente y las decisiones tomadas en el camino. Según datos propios del producto, un ciclo que antes tomaba 32 horas en resolverse baja a 32 minutos cuando el flujo queda estructurado de esta forma. La ganancia no es solo de velocidad, es que cada paso queda documentado y nadie tiene que operar en la sombra para que el trabajo avance.

Qué puede hacer un gerente de operaciones esta semana

No hace falta esperar a que la empresa entera tenga una política de IA madura para empezar a cerrar esta brecha. Lo primero es simple, preguntar abiertamente en las reuniones de equipo qué herramientas de IA está usando cada persona hoy, sin juicio y sin la intención de restringir, solo para tener una fotografía real de dónde está entrando la tecnología a los procesos. Lo segundo es identificar los dos o tres flujos de trabajo donde un error de IA sin revisar tendría el costo más alto, sea porque toca dinero, datos sensibles o compromisos con clientes, y poner ahí la primera regla de revisión humana obligatoria. Lo tercero, y probablemente lo más difícil, es aceptar que la solución no es prohibir el uso de IA, porque eso solo empuja el comportamiento más adentro de la sombra, sino darle un canal visible, capacitado y con trazabilidad para que dejar de esconderlo sea la opción más fácil, no la más arriesgada.

AgentLayer certifica cada agente antes de ponerlo en producción con un cliente siguiendo cuatro fases, diagnóstico y validación del flujo real de trabajo, implementación integrada a los sistemas que la empresa ya usa, una prueba real de una a dos semanas con ajustes directos del equipo, y una entrega con manual de uso y soporte continuo. Ese proceso existe precisamente para que un agente no llegue a operar con datos reales de la empresa sin haber sido probado antes contra el trabajo que de verdad hace ese equipo, algo que rara vez ocurre cuando cada persona adopta por su cuenta una herramienta genérica sin acompañamiento.

La confianza en la IA dentro de una empresa no se construye prohibiendo su uso ni tampoco dejándola entrar sin ninguna estructura. Se construye dándole un lugar visible, con reglas claras sobre cuándo un humano tiene que revisar el resultado, y con herramientas que dejan un registro real de lo que pasó. Mientras eso no exista, cada empresa seguirá teniendo, sin saberlo, un porcentaje similar al 57 por ciento que midió el estudio de KPMG, trabajo generado con IA circulando puertas adentro sin que nadie lo sepa con certeza.