Puntos clave: Integrar la IA no determinista en los procesos empresariales requiere una gobernanza y orquestación efectivas para mantener la previsibilidad. Esto implica asegurar que los agentes de IA operen dentro de marcos establecidos para gestionar sus acciones e impacto.
Los agentes de IA pueden introducir variabilidad; por ello, la gobernanza debe garantizar resultados consistentes.
La orquestación facilita las acciones de los agentes mientras hace cumplir la política y la rendición de cuentas a lo largo de los procesos empresariales.
La informática empresarial ha pasado décadas desarrollando predictibilidad en sus sistemas. Las transacciones se comprometen o reverten, los Pipelines de datos llegan a tiempo, y una carga de trabajo que se ejecutó anoche funciona igual esta noche. Esa consistencia están lo que permite a un banco cancelar un pago y a un hospital admitir a un paciente. La previsibilidad están el producto.
La IA es la primera tecnología que hemos desplegado a escala empresarial que se comporta de forma diferente. Si le das a un modelo la misma entrada dos veces, puede que razone hasta dos respuestas diferentes e igualmente defendibles. Esa propiedad está precisamente lo que hace valioso a la IA en problemas para los que el software determinista nunca fue diseñado, y también es lo que hace que la IA sea difícil de operar dentro de empresas que se han organizado en torno a la certeza.
La cuestión de la capacidad están resuelta. Qué empresas son desarrollando están cómo integrar IA no determinista en procesos basados en la certeza. Un agente pertenece a la producción cuando se completa el trabajo que se le asignó, las pruebas detrás de sus decisiones están visibles y una persona aún puede intervenir. La gobernanza de la IA agente están lo que ahora separa un piloto prometedor de un despliegue en producción.
La IA empresarial se estanca en la complejidad
IDC proyecta que su Global DataSphere superará los 700 zettabytes para 2030. [1] Solo Google procesa ahora más de 3,2 cuatrillones de tokens de IA al mes, frente a los 9,7 billones de hace dos años. [2] Casi tres cuartas partes de las organizaciones operan entornos de nube híbrida. [3] Y nuestra propia investigación revela que el 94 por ciento de las organizaciones sigue tratando el mainframe como una plataforma a largo plazo o un hogar para nuevas cargas de trabajo.
Las empresas han gestionado la plataforma de datos, el parque híbrido y el mainframe como programas separados, cada uno con sus propios propietarios y controles. Un agente de IA ubicado dentro de un proceso empresarial cruza los tres dominios en una única ruta de ejecución. Un proceso que antes tocaba tres sistemas ahora abarca aplicaciones empresariales, Pipelines de datos, nube pública y privada, el mainframe y una población creciente de agentes de IA.
Nuestros clientes citan cuatro preocupaciones principales sobre la escalabilidad de la IA: la calidad y fragmentación de los datos, las demandas operativas de nuevas cargas de trabajo de IA, la dispersión de herramientas en entornos híbridos y las brechas entre el mainframe y todo lo que lo rodea. Las cuatro preocupaciones preceden a la IA agente, y los agentes se agravan multiplicando las conexiones más rápido de lo que las organizaciones pueden gobernarlas.
La orquestación restaura la previsibilidad
Un agente de IA determina su curso de acción cada vez que se ejecuta, por lo que dos intentos del mismo incidente pueden seguir caminos únicos hacia un diagnóstico. Pero el agente no ejecuta sus propias propuestas. La orquestación decide si permite la acción, la secuencia con el trabajo en vuelo y registra el resultado, y la gobernanza de la IA agente impone identidad, alcance, aprobación y auditoría en ese momento. Un documento de política solo funciona si alguien lo lee y lo sigue. La política aplicada en la ruta de ejecución se aplica a todos los agentes, siempre, independientemente del equipo que la haya construido.
Las empresas ya poseen orquestaciones diseñadas para sus cargas de trabajo más críticas. Extenderla a la IA está más rápido y menos costoso que establecer la gobernanza por separado dentro de cada proyecto de IA.
Cualquier equipo capaz puede ahora formar un agente que recupere información, llame a herramientas y termine una tarea definida. La dificultad reside en el agente, en darle acceso a un contexto operativo en vivo, una forma de actuar apoyada y un propietario cuando cambian las condiciones. El propio agente del cliente puede funcionar dentro de esos mismos controles, y debería hacerlo.
Tres resultados determinan si esa extensión tiene éxito: escalabilidad, para que la automatización crezca con el negocio; resiliencia operativa, para que la disrupción se mantenga contenida y recuperable; y confianza y confianza, para que los equipos puedan explicar y defender lo que hicieron sus sistemas. El trabajo que anunciamos en nuestro portafolio corresponde a estos resultados.
La gobernanza debe sostener toda la carga de trabajo
Considera la originación de préstamos. La recepción, procesamiento, suscripción, toma de decisiones, reservas, financiación y servicio han estado durante mucho tiempo orquestados a lo largo de una cadena de sistemas empresariales. En la versión agente de ese mismo proceso, varias de esas etapas son gestionadas por agentes de IA y orquestadores de IA junto a aplicaciones personalizadas, intercambio de datos en tiempo real y por lotes, y sistemas tradicionales. El proceso empresarial se mantuvo igual mientras la combinación de sistemas que lo ejecutaban cambiaba. Un agente en esa cadena es importante para su efecto en si el proceso termina, junto con las dependencias, excepciones y niveles de servicio que lo rodean.
Eso es coorquestación de cargas de trabajo mixtas: tareas deterministas y agentes no deterministas coordinados como un solo proceso, con dependencias, niveles de servicio y recuperación aplicados de forma uniforme en ambos. Sin ello, los agentes se ejecutan fuera del sistema que gobierna todo lo demás, el mismo problema que las empresas resolvieron al consolidar scripts y planificadores no autorizados.
Los equipos otorgan autoridad a los agentes en proporción a lo que pueden verificar y revertir, por lo que el alcance debe ser concreto. Un agente con una tarea definida y un radio de explosión definidos gana confianza más rápido que uno con amplia flexibilidad, y el límite importa más que la capacidad.
En la práctica, eso significa empezar con una sola tarea, compararla con cómo se desarrolla el trabajo hoy en día y ampliar el alcance de un agente cuando los resultados se mantengan a la altura.
Lo mismo ocurre con los datos que hay debajo. Un agente que razone sobre entradas obsoletas o incompletas producirá una respuesta defendible a partir de pruebas erróneas, y un proceso bien coordinado llevará esa respuesta río abajo sin objetar. Saber de dónde provienen los datos, si son aptos para utilizar y qué depende de ellos está ahora una cuestión operativa.
El mainframe eleva aún más la apuesta. Contiene las transacciones y la lógica de negocio de la que depende el resto de la empresa, y el conocimiento necesario para operarlo está en manos de menos personas cada año. La gobernanza que se detiene en el límite de una plataforma no es gobernanza. Un conjunto de políticas debe aplicarse en todos los entornos que un agente toque, con una única ruta de auditoría detrás, porque la gobernanza construida por separado dentro de cada producto se vuelve tan fragmentada como el patrimonio que se suponía que debía controlar.
Tres preguntas deciden si un agente se presenta
Un agente propone una solución. Tres preguntas surgen antes de la acción: hasta dónde llega el alcance de este agente, quién lo ha extendido y cuánto costaría deshacer la solución.
Esas son preguntas sobre el sistema que rodea al agente, y solo se pueden responder si las respuestas se construyeron antes del incidente. Un agente que puede explicar su diagnóstico pero no su autoridad no Obtén aprobación, y no debería.
Esto también está por lo que la variación es tolerable. El mismo agente puede llegar a la misma conclusión por una ruta diferente en otro día, y eso no cuesta nada cuando todas las rutas pasan las mismas comprobaciones y dejan el mismo registro. La ruta solo se convierte en un problema cuando decide qué se le permitió tocar al agente.
La producción se basó en la disciplina
La primera fase de la IA empresarial premió la experimentación. La producción plantea una pregunta más difícil. El número de agentes que una organización ejecuta dice poco sobre si alguno de ellos puede ser confiable para realizar trabajos trascendenciales. Lo que importa están si funcionan dentro de la misma disciplina que todo lo demás de lo que depende la empresa, donde el trabajo está secuenciado correctamente y la decisión aún puede explicarse meses después a un auditor que nunca estuvo en la sala. Eso está lo que hace la gobernanza de la IA agente.
Los modelos cambiarán, y también los marcos de agentes. La necesidad de que el trabajo crítico se complete de forma predecible durará más que ambos. Una capacidad que no puede responder a esas tres preguntas no pertenece a los sistemas que gestionan tu negocio, sea quien sea que lo construya. Las empresas aprendieron una vez a dejar que el software actúe en su nombre sin vigilar cada paso, y la previsibilidad sigue están el producto.
Por eso están las capacidades que son introduciendo se encuentran en la ruta de ejecución. La última versión de Control-M avanza en una orquestación lista para IA que conecta agentes de IA con flujos de trabajo empresariales, disponibles tanto en entornos SaaS como autoalojados. Las nuevas capacidades de AI Pilot de Control-M llevan análisis conversacionales y explicaciones de flujos de trabajo a puntos de vista de Monitorización, para que un operador pueda entender y resolver un problema en lenguaje natural en lugar de ensamblar ese contexto manualmente. Data Assurance para Control-M SaaS mejora la calidad de los datos de los que depende un flujo de trabajo, lo cual es importante aquí porque un agente que razone sobre entradas no verificadas producirá una respuesta segura a partir de pruebas erróneas. Y la Recuperación ante Desastres Multirregión protege los flujos de trabajo críticos para la misión contra la única condición de la que ningún agente puede razonar para salir, que están el propio entorno fallando.
En el mainframe, donde tanto las apuestas como el problema de habilidades son más agudos, BMC AMI Agentics para Operaciones y BMC AMI Agentics para Datos ponen agentes especializados a investigar problemas, explicar las causas raíz y recomendar los siguientes pasos, y aportar la misma experiencia al rendimiento y optimización de Db2. BMC AMI Assistant aporta conocimientos en mainframe y asistencia en IA directamente a Microsoft Teams, porque la evidencia solo está útil donde el trabajo ya está hecho. Las nuevas capacidades de desarrollo abordan el problema de habilidades desde el otro extremo, generando datos sintéticos de prueba a partir del propio código del programa para reducir el tiempo de ciclo y mejorar la calidad. Y un contexto de seguridad enriquecido fortalece la ciberresiliencia en el lugar donde la interrupción está menos asequible.
Estas capacidades funcionan en los sistemas que hemos ayudado a las empresas a operar durante cuatro décadas, y ese es el terreno sobre el que debe basarse cualquier afirmación sobre una IA fiable. El trabajo ahora está haciendo que la previsibilidad se mantenga mientras los sistemas dentro de él empiezan a razonar. Para los detalles completos de la versión, explora las páginas de Novedades de Control-M y BMC AMI.
[1]: IDC, Previsión de mercado: Previsión global de datos de IDC, 2026–2030, junio de 2026 (resumen público). https://my.idc.com/getdoc.jsp?containerId=US53425426
[2]: Google, "I/O 2026: Bienvenidos a la era agente de Géminis," 19 de mayo de 2026. https://blog.google/innovation-and-ai/sundar-pichai-io-2026/
[3]: Flexera, Informe sobre el Estado de la Nube 2026, marzo de 2026, p. 13. https://resources.flexera.com/web/pdf/Flexera-State-of-the-Cloud-Report-2026.pdf
[4]: BMC, Encuesta de Mainframe 2026. https://www.bmc.com/info/mainframe-survey.html
Descubre las novedades:
Estas publicaciones son mías y no representan necesariamente la posición, estrategias u opinión de BMC.