AgentOps
Shadow AI: ¿qué IA y agentes operan en su empresa?
Tal vez su empresa sepa exactamente qué plataformas corporativas de inteligencia artificial se contrataron, qué licencias se adquirieron, qué proyectos se aprobaron y qué herramientas se están poniendo oficialmente a disposición de los empleados.
Pero eso no significa necesariamente que sepa qué inteligencias artificiales se están utilizando realmente dentro de la organización.
Un empleado puede usar una cuenta personal de IA generativa para analizar un documento. Otro puede instalar una extensión en el navegador. Un equipo puede contratar una herramienta por su cuenta. Un desarrollador puede incorporar un modelo o un agente a un workflow. Y un área de negocio puede empezar a automatizar actividades antes incluso de que TI, seguridad o gobernanza sepan que esa solución existe.
Este fenómeno ya tiene nombre: Shadow AI, o IA utilizada, contratada o implementada fuera de los mecanismos formales de conocimiento, aprobación y gobernanza de la organización.
El problema no es del todo nuevo, pero la IA está cambiando su escala y, sobre todo, sus consecuencias.
El Shadow IT no empezó con la inteligencia artificial
Durante décadas, las empresas han convivido con el Shadow IT, expresión utilizada para describir tecnologías adoptadas por empleados o áreas de negocio sin el conocimiento o la aprobación formal del área responsable de tecnología.
Primero vinieron las aplicaciones instaladas localmente. Después, los servicios en la nube y las plataformas de Software as a Service (SaaS), modelo en el que las aplicaciones se ofrecen como servicio por internet. Con una tarjeta de crédito y unos minutos, un área pasó a poder contratar una solución sin depender de un proyecto corporativo de tecnología.
La inteligencia artificial lleva este comportamiento a otro nivel.
La facilidad de acceso es enorme. Muchas herramientas tienen versiones gratuitas, otras cuestan unas pocas decenas de dólares al mes y algunas ya están incorporadas en aplicaciones que las empresas utilizan a diario.
Además, a diferencia de muchos software tradicionales, la percepción de valor puede surgir de inmediato. Un profesional prueba una herramienta para resumir un documento, preparar una presentación, analizar una hoja de cálculo o escribir código. Si funciona, entra rápidamente en su rutina.
La adopción puede, por lo tanto, comenzar antes de que la empresa tenga tiempo de decidir cómo pretende gobernarla.
El problema ya está dentro de las empresas
Una investigación reciente de Deloitte ayuda a dimensionar esa diferencia entre adopción formal y adopción real.
El GenAI Workforce Survey 2026, realizado con 25 mil trabajadores en el Reino Unido, identificó que el 63% de los trabajadores encuestados dijo haber utilizado ya inteligencia artificial generativa en el trabajo. Entre quienes utilizaban la tecnología, el 31% dijo hacerlo sin el conocimiento del empleador. La propia Deloitte caracteriza este comportamiento como Shadow AI [1].
Otro dato ayuda a entender la dinámica: el 17% de los usuarios pagaba de su propio bolsillo al menos una herramienta de IA utilizada profesionalmente. Deloitte estima que los trabajadores británicos gastaban, en conjunto, aproximadamente £958 millones al año en esas herramientas [1].
Es decir, parte de la infraestructura de IA utilizada por las empresas puede no aparecer en el presupuesto de tecnología simplemente porque la están financiando los propios empleados.
Esto también muestra por qué mirar solo contratos, licencias corporativas o proyectos formalmente aprobados ofrece una visión incompleta de la adopción.
Muchas veces, la adopción comienza en la propia actividad
Hay una dimensión de este fenómeno que considero especialmente interesante.
En mi investigación de maestría, al desarrollar el Índice Brasileño de Exposición Ocupacional Potencial a la Inteligencia Artificial (IBEOP-IA) para analizar la exposición de las ocupaciones brasileñas a la inteligencia artificial, una de las perspectivas adoptadas fue mirar las actividades que componen cada ocupación y su relación con las capacidades tecnológicas de la IA [6].
Esa misma perspectiva ayuda a comprender el Shadow AI. Muchas veces, la adopción no comienza por una decisión corporativa centralizada. Comienza cuando alguien percibe, en su propio trabajo cotidiano, que determinada actividad puede realizarse o ampliarse con el uso de la tecnología.
Un profesional encuentra una forma mejor de investigar, otro descubre cómo automatizar un análisis y otro empieza a utilizar IA para producir documentos o código. La tecnología entra por la actividad antes de entrar por la arquitectura corporativa.
Esta es una reflexión posterior a partir de la perspectiva utilizada en la investigación, y no un resultado de la disertación sobre Shadow AI. Aun así, ayuda a explicar por qué este fenómeno es tan difícil de controlar solo mediante decisiones centralizadas.
¿Por qué los empleados recurren a herramientas propias?
La respuesta más simple sería atribuir el problema a la falta de disciplina o al incumplimiento de las políticas corporativas. Los datos muestran una realidad más compleja.
Entre los participantes de la encuesta de Deloitte que pagaban sus propias herramientas de inteligencia artificial generativa o utilizaban soluciones potencialmente no aprobadas, el 21% afirmó que esas herramientas eran mejores que las ofrecidas por la empresa, mientras que el 14% dijo que eran esenciales para el trabajo, pero no estaban financiadas por el empleador [1].
También hay una brecha de orientación. Solo el 28% de los usuarios de IA generativa encuestados por Deloitte afirmó que su organización tenía una política sobre el tema que ellos conocían, comprendían y consideraban clara y actualizada. Y el 50% no había recibido capacitación formal [2].
Estos números ayudan a mostrar que el Shadow AI no puede tratarse solo como un problema disciplinario. Existe una tensión real entre productividad y control.
Las personas están encontrando utilidad en la tecnología más rápido de lo que muchas organizaciones logran incorporarla a sus procesos de evaluación, contratación, seguridad y gobernanza.
Bloquearlo todo probablemente no lo resuelve
La reacción inicial de algunas organizaciones puede ser simplemente restringir el acceso a las herramientas no aprobadas. Hay situaciones en las que eso será necesario, pero convertir el bloqueo en la estrategia principal puede producir justamente el efecto contrario.
Al discutir la proliferación de agentes de IA, Gartner advierte que, cuando los empleados no logran trabajar con las herramientas autorizadas, pueden buscar alternativas fuera de los controles corporativos, ampliando el Shadow AI [3].
El desafío, por lo tanto, no es elegir entre libertad total y prohibición. Es crear una alternativa corporativa lo bastante útil para que las personas tengan menos incentivo para eludir los mecanismos de gobernanza, mientras la organización mantiene la capacidad de definir políticas y límites.
Ese equilibrio será aún más difícil con la próxima etapa de esta evolución.
De Shadow AI a Shadow Agents
Hasta aquí, gran parte de la discusión sobre Shadow AI involucra a personas que utilizan herramientas de inteligencia artificial sin conocimiento de la empresa. Con los agentes, el problema cambia de naturaleza.
Un chatbot normalmente recibe una solicitud y produce una respuesta. Un agente puede recibir un objetivo, acceder a datos, utilizar herramientas, llamar a Application Programming Interfaces (APIs), interfaces que permiten la comunicación programática entre sistemas, interactuar con aplicaciones y ejecutar una secuencia de acciones para concluir una tarea.
Eso significa que la IA deja de solo producir información y pasa también a participar en la ejecución.
Gartner ya utiliza la expresión shadow AI agents, o agentes de IA no gobernados, para describir agentes que pueden estar incorporados en software corporativo, ser consumidos directamente por internet o ser creados por los propios empleados [4].
Según Gartner, el 75% de las organizaciones reportó uso no autorizado de asistentes de programación basados en IA, mientras que el 50% reportó empleados accediendo a plataformas públicas de agentes de IA generativa ofrecidas como SaaS [4].
La cuestión, por lo tanto, deja de ser solo qué herramienta está utilizando el empleado. Pasa a incluir también qué agente está actuando y a qué datos puede acceder, qué herramientas puede utilizar y qué acciones puede ejecutar.
El primer problema es descubrir qué existe
Es difícil gobernar lo que la organización no logra ver.
Por eso, incluso antes de discutir políticas sofisticadas de gobernanza, existe un problema más elemental: la visibilidad.
La organización necesita poder identificar qué herramientas, modelos y agentes se están utilizando, quién creó y responde por cada agente, a qué aplicaciones y datos tiene alcance, qué herramientas pueden activarse y qué acciones pueden ejecutarse.
Esta necesidad tiende a crecer rápidamente.
Gartner proyecta que una empresa promedio de la lista Global Fortune 500 podría pasar de menos de 15 agentes de IA en 2025 a más de 150 mil en 2028 [3].
Es una proyección, y no un conteo actual. Aun así, el orden de magnitud ayuda a mostrar la dimensión potencial del problema.
En la misma investigación, solo el 13% de las organizaciones dijo creer que tenía la gobernanza adecuada para administrar agentes de IA [3].
Si esa expansión ocurre, depender de controles manuales o de inventarios mantenidos de forma aislada por las distintas áreas simplemente no será una estrategia sostenible.
El riesgo no es solo la fuga de datos
La fuga de información es probablemente el riesgo más intuitivo del Shadow AI. Un empleado puede introducir en una herramienta externa información de clientes, documentos internos, código fuente o datos comerciales sin comprender cómo se almacenará o procesará esa información.
Pero el problema es más amplio.
Hay riesgos relacionados con seguridad, compliance, propiedad intelectual, costos duplicados, ausencia de auditoría, utilización de modelos inadecuados y dificultad para saber dónde se está procesando la información corporativa.
Cuando los agentes entran en la ecuación, surge una dimensión adicional: las acciones no gobernadas. Un agente con acceso inadecuado puede consultar un dato que no debería, utilizar una credencial, activar otro sistema o ejecutar una acción fuera de los límites previstos.
La investigación de 2026 de Boston Consulting Group (BCG) con líderes de ciberseguridad muestra cómo los controles todavía están en una etapa inicial: menos del 20% de los encuestados había adoptado medidas como monitoreo de Shadow AI, detección de ataques de prompt injection o gobernanza de identidades no humanas [5].
BCG encontró también una asociación entre mayor adopción de esos controles y menor incidencia reportada de impactos significativos relacionados con vulnerabilidades de IA, fuga de datos hacia herramientas de IA y Shadow AI [5].
Eso no significa que un único control resuelva el problema. Muestra, sin embargo, que la visibilidad y la gobernanza empiezan a formar parte de la infraestructura necesaria para usar la IA con seguridad.
De la política a la capacidad de control
Una política corporativa de IA sigue siendo necesaria. Puede establecer qué herramientas están permitidas, qué datos pueden utilizarse, qué prácticas están prohibidas y quién es responsable de aprobar nuevos casos de uso.
Pero una política, por sí sola, no muestra necesariamente lo que está ocurriendo.
A medida que aumenta el número de modelos, herramientas, integraciones y agentes, la organización necesitará combinar la política con capacidad operacional para descubrir e inventariar lo que existe, identificar responsables, autorizar accesos, monitorear actividades, registrar acciones, mantener registros de auditoría y, cuando sea necesario, aplicar bloqueos.
Esta transición es importante porque el Shadow AI revela una diferencia fundamental entre definir la gobernanza y tener la capacidad de ejercerla. Y este problema será aún más importante cuando los agentes dejen de ser experimentos aislados y empiecen a participar en procesos corporativos a escala.
De la visión a la práctica: ARGUS
Este escenario se conecta directamente con la propuesta de ARGUS como una plataforma de Inteligencia Operacional y Agéntica, orientada a entornos en los que personas, agentes de IA, automatizaciones, sistemas e infraestructura pasan a compartir la operación.
Con capacidades de AgentOps (Agent Operations) y AI Gateway, ARGUS amplía la visibilidad y la gobernanza sobre el entorno agéntico, permitiendo aplicar políticas, controlar cómo los agentes acceden a modelos, herramientas y recursos de IA y acompañar sus ejecuciones, acciones, costos y resultados.
Uno de los desafíos de esta nueva realidad es justamente evitar que la expansión de la IA cree nuevos silos de inteligencia dentro de la organización. A medida que crece el número de agentes, se vuelve cada vez más importante saber qué agentes existen, quién es responsable de ellos, qué pueden acceder, qué herramientas utilizan y qué están haciendo.
Es aquí donde esta dimensión agéntica se conecta con la inteligencia operacional. ARGUS también correlaciona eventos de múltiples fuentes, reduce el ruido y construye contexto operacional compartido, permitiendo relacionar lo que hacen los agentes con lo que está ocurriendo en la infraestructura, las aplicaciones y los servicios cuando se producen sus decisiones y acciones.
De esta forma, no observamos a los agentes de manera aislada por un lado y la operación por otro. Personas, agentes, automatizaciones y sistemas pueden compartir una visión sistémica, con políticas, trazabilidad y supervisión compatibles con el nivel de autonomía concedido.
El objetivo de ARGUS es crear condiciones para que la adopción de IA pueda crecer de manera controlada, observable y escalable, sin que la empresa pierda progresivamente la capacidad de comprender y gobernar el entorno.
Conozca ARGUS y vea cómo funciona en la práctica.
Sobre el autor
Paulo Florêncio de Menezes es emprendedor, socio y cofundador de empresas como Target Solutions, BiPTT y ARGUS.
Es graduado en Procesamiento de Datos por la Universidad Federal del Amazonas (UFAM), tiene un MBA en Gestión Empresarial por la Fundação Dom Cabral (FDC) y una Maestría Profesional en Economía por la Fundação Getulio Vargas (FGV).
En su investigación de Maestría, desarrolló el IBEOP-IA (Índice Brasileño de Exposición Ocupacional Potencial a la Inteligencia Artificial), investigando la exposición potencial de las ocupaciones brasileñas a las capacidades de la IA mediante la combinación de datos ocupacionales, patentes de inteligencia artificial y técnicas de procesamiento de lenguaje natural.
Referencias
[1] Deloitte UK. GenAI Workforce Survey 2026 — What we do in the AI shadows. Investigación con 25.000 trabajadores del Reino Unido, realizada en mayo y junio de 2026.
[2] Deloitte UK. GenAI Workforce Survey 2026 — Transform your workforce and your organisation will follow.
[3] Gartner. Gartner Identifies Six Steps to Manage AI Agent Sprawl. 28 abr. 2026.
[4] Gartner. The AI Agents You Can’t See Can Still Create Risk. 30 sep. 2026.
[5] Boston Consulting Group. Cybersecurity Budgets Are Growing Fast. AI Threats Are Growing Faster. 27 ago. 2026.
[6] Menezes, Paulo Florêncio de. IBEOP-IA — Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial (Índice Brasileño de Exposición Ocupacional Potencial a la Inteligencia Artificial). Disertación de Maestría Profesional en Economía, Fundação Getulio Vargas, 2026.