El cumplimiento deja de ser un archivo y pasa a control dinámico con agentes agentic

En las conferencias y paneles del sector se oye una palabra una y otra vez: "agentic". Pero detrás del bombo mediático hay una distinción práctica que importa: no se trata simplemente de acelerar tareas repetitivas, sino de cambiar la naturaleza del control. Mientras la automatización clásica mueve papeles más rápido, los agentes "agentic" actúan de forma autónoma ante condiciones en tiempo real, entienden el contexto operativo y ejecutan secuencias complejas de análisis y acción. Esa combinación convierte a la gestión de riesgo y cumplimiento (GRC) en un sistema dinámico en lugar de un archivo estático que se consulta cada trimestre.

Para quienes vienen de la ofensiva —red team y purple team— ese cambio es doblemente preocupante y revelador. Los atacantes ya explotan entornos elásticos, identidades fluidas e infraestructuras efímeras; la diferencia es que ahora esas mismas capacidades se pueden incorporar al aparato de control. Si el entorno es continuo, las defensas y las pruebas deben ser continuas, no fragmentadas en ventanas temporales antiguas. Esta realidad obliga a replantear procesos, herramientas y responsabilidades.

¿Qué aporta un agente que no haga un RPA tradicional? Tres cosas: autonomía (actúa ante triggers en vez de esperar un cronograma), contexto (opera sobre el estado real, no sobre una foto de hace meses) y orquestación multi-paso (analiza, decide y actúa en cadena). Desde el punto de vista práctico, esto significa que puedes detectar una deriva en una política de MFA, documentarla con evidencia timestamped y lanzar tareas de remediación sin intervención humana inmediata, manteniendo sin embargo un control humano sobre las decisiones de cierre.

Ese último matiz es crítico: no hablamos de delegar juicio humano a una caja negra. Los modelos pueden ayudar con razonamiento, resúmenes y orquestación, pero las reglas, umbrales y decisiones de aceptación deben seguir viniendo de personas. Para sostener esa confianza es imprescindible diseñar una trazabilidad exhaustiva: registro del trigger, datos leídos, reglas evaluadas, decisión tomada y evidencia adjunta, todo con sello de tiempo y firma de origen.

La trazabilidad no es solo transparencia: es reversibilidad y audibilidad. Un agente que deja un log completo permite reconstruir por qué se generó un hallazgo, corregir la instrucción cuando hay falsos positivos y presentar la cadena de evidencias a un auditor sin depender de una explicación opaca. Por eso los registros de ejecución son más importantes que la arquitectura interna del modelo en sí a efectos de cumplimiento y forense.

En materia de seguridad operativa conviene aplicar dos reglas de alcance: otorgar al agente el principio de mínimo privilegio (acceso de solo lectura a sistemas evaluados y permiso limitado para escribir solo en objetos GRC autorizados) y mantener un gating humano para acciones críticas (por ejemplo, cerrar riesgos o marcar controles como efectivos). Detectar deriva y abrir una incidencia pueden automatizarse; actualizar estados de riesgo o excepciones debe pasar por revisión humana.

Los riesgos reales no son solo falsos positivos: son agentes mal configurados, modelos manipulados por entradas adversarias, y delegación inapropiada de decisiones. Por eso cualquier despliegue debe incluir pruebas de adversario (red teaming sobre el agente), validación de datos de entrada y políticas de expiración de conectores. Asimismo, mantener controles determinísticos para las partes críticas del flujo reduce la superficie de fallo derivado de la no-determinación del modelo.

Desde una perspectiva práctica, el camino de adopción recomendado es empezar por tareas de alta carga y bajo juicio: detección de huecos de evidencia, extracción de hallazgos de informes, reconciliación de inventarios. Probar en casos así permite validar el patrón de ejecución, evaluar la tasa de falsos positivos y construir confianza en los logs antes de confiarle controles de alto impacto. Ese enfoque incremental aumenta la tolerancia al error y facilita iteraciones rápidas.

En paralelo a la adopción técnica, existe una dimensión normativa y de marco de referencia que conviene integrar. Documentar cómo los agentes cumplen con requisitos de gestión de riesgos y auditoría, y mapear esos procesos contra estándares como ISO/IEC 27001 (ISO 27001) o el marco de gestión de riesgos de IA de NIST (NIST AI RMF) ayuda a estructurar controles, responsabilidades y pruebas de auditoría. También es útil comprender el panorama atacante y tácticas que podrían aprovechar agentes, por ejemplo consultando repositorios como MITRE ATT&CK (MITRE ATT&CK).

Para equipos de GRC y seguridad la lista de acciones concretas a priorizar incluye definir baselines auditables, instrumentar logs de ejecución con firma y retención, limitar privilegios de conectores, establecer umbrales de confianza y rutas de escalamiento humano, y someter los agentes a pruebas de adversario. Además, medir indicadores operativos —tiempo hasta detección, tasa de falsos positivos, tiempo medio de resolución y porcentaje de acciones revertidas— permitirá demostrar valor y ajustar gobernanza.

El balance final es claro: los agentes pueden convertir el cumplimiento en una capacidad en tiempo real, pero solo si van acompañados de diseño conservador, trazabilidad robusta y control humano sobre decisiones críticas. Empieza por lo aburrido y repetitivo, prueba la hipótesis, recopila evidencia y luego sube la apuesta. Esa es la forma más segura de que la tecnología realmente reduzca riesgo y no simplemente redistribuya trabajo.