One of the reasons programmers “got” agentic AI first, in the sense that it could meaningfully alter their productivity and effectiveness, is because code could be checked. They turn agents loose on a function, read the diff, run the tests, and decide whether to keep it.
One of the reasons programmers “got” agentic AI first, in the sense that it could meaningfully alter their productivity and effectiveness, is because code could be checked. They turn agents loose on a function, read the diff, run the tests, and decide whether to keep it.
The folks who work with data all day long sit one step back from the same door. People in business and financial operations roles outnumber software developers in the US by about six to one, and they’ve thus far picked up a small fraction, at best, of the productivity gain that engineering has absorbed. Yes, they can describe the analysis they want, which is what requires their specialized knowledge. What comes back to them is a number or a chart, or maybe two hundred lines of code, none of which shows an analyst how the results were produced.
The output, in other words, cannot automatically be assumed to have used the right pieces of data, combined it correctly, and finally computed with the right formulas. Or maybe the agent missed a bunch of the data. The result is a black box, which isn’t something that should breed confidence.
The question then becomes why, and there are three solvable variables.
A business user’s data sits in spreadsheets, files in SharePoint, applications such as Salesforce, and data platforms such as Databricks, Snowflake, or BigQuery. Getting to it means filing a request with a data platform team whose responsibility is governing everything. Of course, as just about any data platform engineer will tell you, the team’s headcount is undersized for the requests it receives, and what the business user gets as a workaround is often a copy of a copy. Maybe it’s a CSV that was pulled a couple of months ago, or a workbook that has been handed off four times with untracked changes. Then when an agent goes to work on that data, the business user has something fast… working on a shadow version of the truth. The data lineage is long gone before the agent takes its crack, so no one is really sure where certain numbers came from, and the trust has been lost. Not good regardless of use case, and probably a career event if you’re at a financial institution.
In context
- Topic: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
- Source: InfoWorld
- Published: 12/10/2026
Continue reading at the original source →
Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.
Por qué importa
La conversación sobre inteligencia artificial se volvió ruidosa, y eso hace más difícil ver lo importante. Lo importante casi nunca es el modelo: es qué proceso concreto queda más barato, más rápido o más confiable, y quién se hace responsable cuando la respuesta sale mal.
Lo que miro primero no es la capacidad del modelo sino el dato que lo alimenta. Casi todos los proyectos que vi fracasar no fracasaron por el algoritmo: fracasaron porque el dato estaba en tres sistemas con tres definiciones distintas y nadie quiso ser el que arreglara eso.
Lo que suele salir mal
El punto donde suele romperse es el traspaso a operación. El equipo que hizo el piloto sabe interpretar los resultados; el equipo que lo recibe, no. Sin capacitación y sin criterios escritos, la gente empieza a aceptar todo lo que el modelo dice o a ignorarlo por completo, y ambas cosas son igual de caras.
Qué mirar
- Qué proceso concreto se toca y cómo se mide antes y después; sin línea base no hay resultado, hay opinión.
- Quién revisa las salidas del modelo y con qué frecuencia — el punto donde la IA se vuelve auditable.
- El costo por consulta a volumen real, no el del piloto: es la variable que más sorpresas da.
Cómo leo esta entrada
Yo lo usaría para una conversación de talento más que de compra. La capacidad que hace falta instalar no es la de operar una herramienta, que cambia cada seis meses, sino la de formular bien el problema y evaluar la respuesta. Esa sí se queda en la casa.
La noticia original está publicada en otro idioma; acá se cita el extracto tal como lo entrega el medio y el comentario se escribe en español.
Comentarios
Todavía no hay comentarios. El primero puede ser el tuyo.
¿Lo estás viviendo en tu equipo?
Abrí el chat y contame cómo lo están manejando. Me interesa comparar notas.
